Análisis y clasificación de eventos de hipopnea central y obstructiva utilizando algoritmos de aprendizaje computacional.

Ponente(s): María Luisa Argáez Salcido

l propósito de este proyecto es el implementar y comparar diferentes algoritmos de aprendizaje computacional para el análisis y clasificación de eventos de hipopnea central y obstructiva. Esto se hizo por medio del análisis de señales del electroencefalograma (EGG) de la base de datos “University College Dublin Sleep Apnea Database” de la página web physionet.org. En el caso particular de este trabajo, se analizaron señales del EEG de pacientes diagnosticados con el síndrome de apnea-hipopnea del sueño (SAHS), en donde el objetivo en clasificar eventos de hipopnea obstructiva e hipopnea central. Dicha clasificación se hizo por medio de distintos algoritmos de aprendizaje computacional. Las características o entradas para los clasificadores y la señal a analizar se obtuvieron por medio de la implementación de la transformada de wavelet a la señal original, utilizando el wavelet “Daubechies 4” en el quinto nivel. Se compararon ocho tipos de clasificadores: máquinas de vectores de soporte con kernel lineal y gaussiano, bayesiano ingenuo, análisis discriminante tipo lineal, lineal usando la matriz de covarianza del tipo lineal, cuadrático, cuadrático usando la matriz de covarianza del tipo cuadrático y K- vecinos más cercanos. El clasificador que obtuvo mejores resultados fue el de análisis discriminante tipo lineal el cual tiene por objetivo proyectar el conjunto de datos a un espacio de menor dimensión donde la separación entre clases sea mayor. Este algoritmo logró una exactitud en su clasificación del 64.03% y 78.52% en las etapas de prueba y entrenamiento respectivamente utilizando los datos de un solo paciente.