Análisis del flujo aéreo nocturno mediante wavelets para la ayuda en el diagnóstico de la apnea del sueño infantil

• V. Barroso García1,2 ^[1] ; G.C. Gutiérrez Tobal ^[4] ; L. Kheirandish Gozal3 ^[2] ; D. Álvarez González ^[3] ; F. Vaquerizo Villar ^[1] ; F. del Campo Matías ^[1] ; D. Gozal ^[2] ; R. Hornero Sánchez ^[1]
  1. [1] Universidad de Valladolid

     Universidad de Valladolid

     Valladolid, España

     
  2. [2] University of Missouri

     University of Missouri

     Township of Columbia, Estados Unidos

     
  3. [3] Hospital Universitario Pío del Río Hortega

     Hospital Universitario Pío del Río Hortega

     Valladolid, España

     
  4. [4] Centro de Investigación Biomédica en Red en Bioingeniería, Biomateriales y Nanomedicina (CIBER-BBN), España

  Mostrar afiliaciones +
• Localización: XXXVIII Congreso Anual de la Sociedad Española de Ingeniería Biomédica. CASEIB 2020: Libro de actas / Roberto Hornero Sánchez (ed. lit.), Jesús Poza Crespo (ed. lit.), Carlos Gómez Peña (ed. lit.), María García Gadañón (ed. lit.), 2020, ISBN 978-84-09-25491-0, págs. 315-318
• Idioma: español
• Texto completo no disponible (Saber más ...)
• Resumen

  • Este estudio se centra en el análisis automático de la señal de flujo aéreo monocanal (FA) para la ayuda en el diagnóstico de la Apnea Obstructiva del Sueño (AOS) infantil. En concreto, se ha evaluado la utilidad diagnóstica de las medidas extraídas de los diferentes niveles de descomposición obtenidos al aplicar la transformada wavelet discreta a la señal de FA. Además, se ha evaluado la complementariedad entre la información wavelet de FA y el índice de desaturación de oxígeno en sangre ≥3% (ODI3), que fue directamente obtenido de la señal de saturación de oxígeno en sangre (SpO2). Se han analizado 946 registros de FA y SpO2 procedentes de niños de 0 a 13 años. El análisis se realizó en dos etapas metodológicas: (i) descomposición wavelet y extracción de características y (ii) estimación del índice de apnea hipopnea mediante LSBoost con árboles de decisión como clasificador base. Por tanto, dos modelos fueron entrenados: LSBoostFA alimentado con las características wavelet de FA y LSBoostFA,ODI3 alimentado con las características wavelet de FA y el ODI3. LSBoostFA,ODI3 alcanzó mayor rendimiento diagnóstico que LSBoostFA en el grupo de test, con una precisión del 78.5% para 1 evento/h, 77.4% para 5 eventos/h, y 88.8% para 10 eventos/h, mostrando así la complementariedad de ambos enfoques. Estos resultados sugieren que el análisis de la señal FA mediante la transformada wavelet podría ser usado junto con el ODI3 como una potente herramienta para ayudar a diagnosticar la AOS pediátrica, especialmente en los sujetos con un grado de severidad severo.