Detección de apnea obstructiva del sueño a través de la variabilidad de la frecuencia cardíaca
DOI:
https://doi.org/10.59681/2175-4411.v15.iEspecial.2023.1084Palabras clave:
Diagnóstico, Frecuencia cardiaca, Síndromes de Apnea del SueñoResumen
La apnea obstructiva del sueño (AOS) es un problema respiratorio que interfiere con la calidad de vida humana. La detección de OSA se puede hacer indirectamente a través del análisis de la variabilidad de la frecuencia cardíaca (VFC). En este contexto, este trabajo investiga el uso de HRV en la detección de OSA. Para ello, se utilizó en el estudio un conjunto de registros de ECG de una base de datos de personas que padecen AOS. En primer lugar, se extraen mediciones estadísticas de la HRV en los dominios de tiempo y frecuencia de cada tramo de 5 minutos de la señal de ECG, que sirven como características de entrada del clasificador. Se implementaron y compararon los siguientes clasificadores: red neuronal (NN), k-vecinos más cercanos (KNN) y máquina de vectores de soporte (SVM). Los resultados alcanzados en términos de precisión fueron 79,3% para NN, 80,9% para KNN y 83,0% para SVM en la detección de AOS.
Citas
Young, T., Palta, M., Dempsey, J., Skatrud, J., Weber, S., Badr, S. The occurrence of sleep-disordered breathing among middle-aged adults. N Engl J Med. 1993 Apr 29;328(17):1230-5. doi: 10.1056/NEJM199304293281704. PMID: 8464434.
Partinen, M., Guilleminault, C. Daytime sleepiness and vascular morbidity at seven-year follow-up in obstructive sleep apnea patients. Chest. 1990 Jan;97(1):27- 32. doi: 10.1378/chest.97.1.27. PMID: 2295260.
Marieb, E. N.; Hoehn, K. Human Anatomy & Physiology. 9ª. ed. [S.l.]: Pearson, 2012.
Zwillich, C.W. Sleep apnoea and autonomic function. Thorax 1998; 53:S20-S24.
Redline, S., Sanders, M.H., Lind, B.K., Quan, S.F., Iber, C., Gottlieb, D.J., Bonekat, W.H., Rapoport, D.M., Smith, P.L., Kiley, J.P. Methods for obtaining and analyzing unattended polysomnography data for a multicenter study. Sleep Heart Health Research Group. Sleep. 1998 Nov 1;21(7):759-67. PMID: 11300121.
Guyton, A. C. e Hall, J. E. (2002). Tratado de Fisiologia Médica. Editora Guanabara Koogan SA, 10 edição.
Carvalho, J. L. A. (2003). Ferramenta para Análise Tempo-Freqüencial da Variabilidade da Freqüência Cardíaca. Dissertação de Mestrado, Publicação ENE.DM-156A/03, Departamento de Engenharia Elétrica, Universidade de Brasília, Brasília , DF, 99 p.
Bradley, T.D., Floras, J.S. Obstructive sleep apnoea and its cardiovascular consequences. Lancet. 2009 Jan 3;373(9657):82-93. doi: 10.1016/S0140- 6736(08)61622-0. Epub 2008 Dec 26. PMID: 19101028
Rondina, João Antonio de Santa Ritta e. Apneia obstrutiva do sono e sua influência no sistema nervoso. 2018. 46 f., il. Trabalho de Conclusão Curso (Bacharelado em Engenharia Elétrica)—Universidade de Brasília, Brasília, 2018.
MATLAB. Version 9.10.0.1602886 (R2021a). Natick, Massachusetts: The MathWorks Inc.;2021
T Penzel, GB Moody, RG Mark, AL Goldberger, JH Peter. The Apnea-ECG Database. Computers in Cardiology 2000; 27:255-258
Li K., Pan W., Li Y., Jiang Q., Liu G. A method to detect sleep apnea based on deep neural network and hidden Markov model using single-lead ECG signal. Neurocomputing. 2018; 294:94–101. doi: 10.1016/j.neucom.2018.03.011.
Wang T, Lu C, Shen G. Detection of Sleep Apnea from Single-Lead ECG Signal Using a Time Window Artificial Neural Network. Biomed Res Int. 2019 Dec 23; 2019:9768072. doi: 10.1155/2019/9768072. PMID: 31950061; PMCID: PMC6948296.
Sharan RV, Berkovsky S, Xiong H, Coiera E. ECG-Derived Heart Rate Variability Interpolation and 1-D Convolutional Neural Networks for Detecting Sleep Apnea. Annu Int Conf IEEE Eng Med Biol Soc. 2020 Jul; 2020:637-640. doi: 10.1109/EMBC44109.2020.9175998. PMID: 33018068.
Niskanen JP, Tarvainen MP, Ranta-Aho PO, Karjalainen PA. Software for advanced HRV analysis. Comput Methods Programs Biomed. 2004; 76(1):73-81.
Vanderlei, Marques, L.C., Pastre, C.M., HoshI, R.A., Carvalho, T.D and Godoy, M.F. "Noções Básicas De Variabilidade Da Frequência Cardíaca E Sua Aplicabilidade Clínica." Revista Brasileira De Cirurgia Cardiovascular 24.2 (2009): 205- 17. Web.
Cortes C., Vapnik V. Support-vector networks. Mach. Learn. 1995; 20:273–297. doi: 10.1007/BF00994018.
Guo G., Wang H., Bell D., Bi Y., Greer K. Lecture Notes in Computer Science, Proceedings of the OTM Confederated International Conferences “On the Move to Meaningful Internet Systems”, Catania, Italy, 3–7 November 2003. Springer; Berlin/Heidelberg, Germany: 2003. KNN model-based approach in classification; pp. 986–996.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Jonatas de Lira Rocha, Evandro Ottoni Teatini Salles, Rodrigo Varejão Andreão
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La sumisión de un artículo a el Journal of Health Informatics es entendida como exclusiva y que no esta siendo considerado para publicación en otro periódico. La permisión de los autores para la publicación de su artículo en lo JHI implica en la exclusiva autorización concedida a los editores para su inclusión en la revista. Al someter un artículo, a lo autor será solicitada la permisión electrónica de una Nota de Copyright. Una mensaje electrónica será enviada a lo autor correspondiente confirmando el recibo del manuscrito y lo aceite de la Nota de Copyright.
