Aprendizado de máquina aplicado à classificação de eventos de apneia do sono

Abstract

Resumo: De acordo com dados estimados em 2019, a apneia obstrutiva do sono (AOS) é um distúrbio que aflinge quase 1 bilhão de pessoas em todo o mundo. Uma parte dessas pessoas segue sem um diagnóstico e, consequentemente, sem um tratamento adequado. Isso ocorre pois o diagnóstico é feito após o paciente realizar um exame de polissonografia, que é de certa forma é um exame caro e inconveniente. Deste modo, tem-se buscado formas de auxiliar o diagnóstico da apneia por meio de ferramentas que dependam menos de especialistas e de sinais fisiológicos não invasivos. No contexo, a utilização de ferramentas de modelagem por aprendizado de máquina (ML) e aprendizado profundo (DL) com uso do eletrocardiograma (ECG) tem-se mostrado promissor. Diferentes estudos aplicaram diferentes tipos de modelo para classificar episódios de apneia do sono no ECG, variando os métodos de processar o sinal, os modelos empregados e a forma de avaliação. Esta dissertação de mestrado visa, então, a criação de um framework que auxilie no fluxo de desenvolvimento e teste de modelos de ML e DL na classificação de eventos de AOS. O fluxo envolve o processamento do sinal de ECG de canal único, a extração de características, a redução de dimensionalidade, o treinamento, validação, otimização, teste, avaliação de desempenho e explicabilidade dos classificadores treinaidos. Diferentemente de outros trabalhos, este framework visa aprofundar na seleção e importância dos hiperparâmetros e explicabilidade dos modelos utilizados. Este framework será aplicado na base de dados pública da PhysioNet. Ao todo foram avaliados 11 modelos de ML e 3 de DL. Com melhor dos modelos ML com máquinas de vetores de suporte (SVM, do inglês support vector machines) no experimento com análise de componentes principais (PCA, do inglês principal component analysis), com acurácia de 77,2%, precisão de 80,0%, sensitividade de 84,3% e F1-Score igual a 0,821. O melhor modelo de aprendizado profundo foi a rede neural convolucional (CNN, do inglês convolutional neural network) com acurácia de 74,0%, sensitivade de 77,9% e F1-Score de 0,788. O estudo de explicabilidade desta dissertação mostrou que as caractéristicas do domínio da frequência impactaram mais a decisão do modelo. Os experimentos com redução de dimensionalidade desta dissertação também mostraram um efeito de melhora para distinguir a classe de eventos de não-apneia, enquanto que o uso de todas as características ajudou na detecção da classe de eventos de apneia.

Abstract: According to estimated data from 2019, obstructive sleep apnea (OSA) is a disorder that affects nearly 1 billion people worldwide. A portion of these individuals remains undiagnosed and, consequently, untreated. This is because the diagnosis is made after the patient undergoes a polysomnography examination, which is somewhat expensive and inconvenient. Thus, efforts have been made to assist in the diagnosis of sleep apnea through tools that rely less on specialists and non-invasive physiological signals. In this context, the use of machine learning (ML) and deep learning (DL) modeling tools with the use of electrocardiography (ECG) has shown promise. Different studies have applied different types of models to classify episodes of sleep apnea in ECG, varying the methods of signal processing, the models employed, and the evaluation approach. This master’s thesis aims to create a framework that assists in the development and testing flow of ML and DL models in classifying OSA events. The flow involves processing singlechannel ECG signals, feature extraction, dimensionality reduction, training, validation, optimization, testing, performance evaluation, and explainability of trained classifiers. Unlike other works, this framework aims to delve into the selection and importance of hyperparameters and explainability of the models used. This computational environment will be applied to the PhysioNet public database. Altogether, 11 ML models and 3 DL models were evaluated. The best ML model was support vector machine (SVM) in the experiment with principal component analysis (PCA), with an accuracy of 77.2%, precision of 80.0%, sensitivity of 84.3%, and F1-Score of 0.821. The best deep learning model was the convolutional neural network (CNN) with an accuracy of 74.0%, sensitivity of 77.9%, and F1-Score of 0.788. The explainability study present in this master’s thesis conducted in this master’s thesis has showed that frequency domain characteristics had the most impact on the model’s decision. Dimensionality reduction experiments showed an improvement effect in distinguishing the non-apnea event class, while using all features aided in detecting the apnea event class.