You are on page 1of 42

CLASIFICACIN AUTOMTICA DE

LAS FASES DEL SUEO


Grupo de Tratamiento Avanzado de Seal (GTAS)
Dpto. de Ingeniera de Comunicaciones (DICOM), Universidad de Cantabria
Unidad de Trastornos del Sueo (UTS)
Hospital Universitario Marqus de Valdecilla (HUMV), Cantabria

Enero 2004

Polisomnografa
Existen hasta 77 tipos de desrdenes del sueo, siendo el
ms habitual la apnea.
Para su diagnstico se realizan registros polisomnogrficos.
Durante 8 horas de sueo
del paciente se registran
hasta 16 canales: EEG,
electromiograma,
electrooculograma, ritmo cardiaco,
oximetra, etc .

Canales EEG

Anlisis polisomnogrfico
Los registros polisomnogrficos se analizan en ventanas de
30 segundos denominadas pocas (tpicamente fs=50 Hz).
Para el diagnstico de distintos desrdenes del sueo, los
expertos (neurofisilogos):
Realizan un estadiaje del registro clasificando cada poca en
una de las 6 posibles fases del sueo: Vigilia, Fase I, Fase II,
Fase III, Fase IV, Fase REM.
Detectan ciertos eventos: complejos K, spindles, arousals,
que ayudan al estadiaje o son indicativos de algn desorden.

Son problemas de clasificacin y deteccin que pueden ser


resueltos mediante tcnicas de tratamiento de seal.

Estadiaje del sueo


Los expertos realizan el estadiaje basados en una serie de
reglas (Rechtschaffen & Kales).
La mayor parte de la informacin sobre las fases del sueo
est en el EEG (2 canales), electrooculograma (EOG) y
electromiograma (EMG).
Formas de onda en el EEG:
Delta: 0.5 - 4 Hz
Theta: 3 -7 Hz
Alfa: 7 -13 Hz
Spindles y complejos K

(fases 3 y 4)
(fases 1 y 2)
(vigilia)
(fase 2)

Formas de onda en el EOG:


Parpadeos
(vigilia)
SEMs: mov. lentos
(vigilia y fase 1)
REMs: mov. rpidos
(fase REM)
Actividad Theta reflejada
(fase 1 y 2)
Actividad Delta reflejada
(fases 3 y 4)

Ejemplo Vigilia

Ejemplo Fase I

Ejemplo Fase 2

Ejemplo Fase 4

Ejemplo Fase REM

Objetivo

Desarrollar un mtodo automtico para


segmentar la seal del sueo en sus fases
empleando nicamente 1 canal del EEG y
1 canal del EOG.

Extraccin de informacin espectral


Nos interesa obtener la potencia en ciertas bandas:
Para el EEG:

Low-Delta: 0.5 - 2 Hz
High-Delta: 2 - 4 Hz
Theta: 3 -7 Hz
Alfa: 7 -13 Hz

Para el EOG:
Low-Delta: 0.5 - 2 Hz
Banda: 0 -0.5 Hz (mov. de ojos).

Hay que estimar la Densidad Espectral de Potencia (DEP) e


integrar por bandas.
Estimadores no paramtricos (periodograma, BlackmanTukey, Welch) y paramtricos (AR, por ejemplo).

Blackman-Tukey
Para estimar el espectro:
30 seg.
EEG

BT ( ) =

M 1

w[ k ]r[ k ]e

k = ( M 1 )

j k

1
r[ k ] =
N

N k

x[ n ] x [ n + k ]
n=0

Para estimar la potencia normalizada en una banda:


k2

2
BT
k = FFT N ( w[ k ] r[ k ])
N

PB =[ f1 , f 2 ] =

(2k / N )

k = k1
N 1

BT

(2 k / N )
k=0

BT

Espectro medio de cada una de las fases


Canal C3 del EEG, M=100, N=1024.

Potencias por banda

Vector de caractersticas
Mediante el preprocesado anterior cada poca (30 seg.) es
caraterizada mediante un vector de 6 componentes.
x n = ( P1 ( n )
low-delta
EEG

P2 ( n )

P3 ( n )

high-delta
EEG

theta
EEG

P4 ( n )
alpha
EEG

P5 ( n )
low-delta
EOG

P6 ( n ) )

mov.
EOG

Adems de la potencia por bandas, en ciertas fases


aparecen formas de onda tpicas (complejos-K, spindles).
Para obtener buenos resultados es necesario incluir esta
informacin en el vector de caractersticas.

Complejos-K
Los complejos-K, aparecen fundamentalmente en la Fase II
y ocasionalmente en las III, IV.
Son ondas lentas formadas por una deflexin positiva
seguida de otra negativa.

Cmo podemos detectar los complejos-K?

Complejos-K
Un modelo matemtico para el complejo-K

a=110 V.
b=100 V.
B=210 V.
T=1 seg.
t1=0.43 seg.
t2=0.57 seg.

Deteccin de complejos-K
Suponiendo la forma de onda del complejo-K: h[n]
conocida, hay que resolver el siguiente problema de
deteccin para cada n
H 0 : x[ n ] = w [ n ],

n = 0 , K , N 1;

H 1 : x [ n ] = h [ n ] + w[ n ],

n = 0 ,K , N 1 .

Como criterio de deteccin empleamos Neyman-Pearson


max PD

f ( x | H1)
L( x ) =
>
f (x | H0)

PFA =

sujeto a

w[ n ] N ( 0, 2 )

1
2

N 1

1
x
[
n
]
h
[
n
]

2 2
n=0

N 1

( h[ n ])
n=0

>

Filtro adaptado
Un estadstico suficiente para la deteccin es
T ( x) =

N 1

x[ n ]h[ n ] > '


n =0

Para el clculo del umbral

PFA = Pr {T ( x ) > ' | H 0 }

Bajo ambas hiptesis el estadstico es gaussiano


PFA

'
= Q
2E
h

'=

2 E h Q 1 ( PFA )

Estima adaptativa de la varianza de ruido


En las zonas en las que no hay complejo-K, la seal no es
estacionaria.
Haciendo adaptativa la estima de 2 variamos el umbral
en funcin de la potencia de la seal.
Podemos emplear el siguiente algoritmo adaptativo:
Cada vez que decidamos a favor de la hiptesis H0 (no hay
complejo-K) actualizamos la varianza como

2
new

2
old

1 N 1
( x[ n ]) 2
+ (1 )

N 1 n=0

siendo una constante cercana a 1.

Es vlido el modelo?
En la realidad la forma del complejo-K puede tener
duracin variable
T1
T2

y/o amplitud variable


B1

B2

Cmo podemos tener en cuenta estas modificaciones y


cul es el nuevo detector ptimo?

Generalized Likelihood Ratio Test (GLRT)


H 0 : x[ n ] = w [ n ],

n = 0 , K , N 1;

H 1 : x [ n ] = Bh [ an ] + w [ n ],

n = 0, K , N 1 .

B y a son parmetros desconocidos y deterministas


Si B y a fuesen conocidos haramos el test
L( x ) =

f ( x, B, a | H1)
>
f (x | H0)

El GLRT hace el test


f ( x , B ML , a ML | H 1 )
L( x ) =
>
f (x | H 0)

Estimas ML obtenidas
asumiendo
que
existe complejo-K

Estima del parmetro de escala (I)


El parmetro de escala a puede ser un valor real cualquiera
en el intervalo [0.8, 1.2].

h[ an ] = h ( at ) |t = nT
Para obtener el complejo-K remuestreado hacemos

P
a
Q
h[n ]

Aproximacin mediante un
nmero racional

c = / max( P , Q )

P
h [ n ] h[ an ]
Q

Estima del parmetro de escala (II)


Bajo la hiptesis de ruido gaussiano, el estimador ML de a
es el mnimo de

J (a ) =

N 1

2
(
)
x
[
n
]

h
[
an
]

n =0

Podemos aplicar un algoritmo de descenso de gradiente


N 1

a k +1 = a k + n ( x[ n ] h[ an ] )h ' [ an ]
n =0

donde

h[n ]

[ n ] [ n 1]

h '[ n ]

Estima del parmetro de amplitud


Una vez obtenida la estima ML del parmetro de escala, se
busca la amplitud que minimiza
N 1

(
)
J ( B ) = x[ n ] Bh [ a n ]
n =0

La solucin es
N 1

B ML =

x[ n ]h[ a n ]
n =0
N 1

(
h
[
a
n
])

n =0

Deteccin de complejos-k: esquema final

Fijar PFA

Estimar potencia de ruido

Estimar duracin y
amplitud del complejo
K

Filtro Adaptado

Clculo del
Umbral

Deteccin

GLRT

Otras cuestiones
A veces, los complejos-K pueden confundirse con ondas
delta.
El tiempo mnimo entre complejos-K es de 2 seg., mientras
que las ondas delta aparecen en rfagas.
postprocesado
Para reducir el gasto computacional, la deteccin se realiza
sobre 1 de cada N muestras (N=3 4).

Test 1
Test 2
Test 3

ROC del detector


ROC: Receiver Operating Characteristic

Pd
estimada

GLRT
Filtro adaptado

Pfa terica

ROC del detector


ROC: Receiver Operating Characteristic

Pd, Pfa
estimada

Pfa terica

Spindles
Adems de los complejos-K, tambin es interesante
detectar la presencia de otras formas de onda como los
spindles.

Seales de 12 a 14 Hz, con una duracin de 0.5 seg.


aprox.: son indicativos de una Fase II.
Filtro adaptado: DFT.
Incertidumbre en la duracin y/o amplitud

GLRT.

Vector final de caractersticas


Tras las etapas de anlisis espectral y deteccin se forma,
para cada poca, el siguiente vector de 8 componentes:
x n = ( P1 ( n )
low-delta
EEG

P2 ( n )

P3 ( n )

P4 ( n )

high-delta theta
EEG
EEG

alpha
EEG

P5 ( n )

P6 ( n )

low-delta mov.
EOG
EOG

Ahora tenemos un problema de clasificacin:


H 1 : x n C1

Vigilia

H 2 : xn C2

Fase I

H 3 : xn C3

Fase II

H 4 : xn C4

Fase III

H 5 : xn C5

Fase IV

H 6 : xn C6

Fase REM

nK

nS

)T

n
n
Comp-K spindles

Clasificacin Bayesiana
Criterio MAP (Mximo a posteriori): elegir la clase j tal que
P (C j | x n ) > P (C i | x n )

i j

Aplicando Bayes
P (C j | x n ) =

f ( x n | C j ) P (C j )
f ( xn )

El criterio MAP queda


f ( x n | C j ) P (C j ) > f ( x n | C j ) P ( C j )

i j

Necesitamos conocer (o estimar):


Las probabilidades a priori de cada fase

P (C i )

Cul es la fdp del vector de caractersticas para cada


fase f ( x n | C j )

Estima de las probabilidades


Partimos de un
neurofisilogos

conjunto

x ni C i

de

datos

etiquetado

por

n = 1, K , N i

Nmero total de datos N = N 1 + N 2 + L + N 6

N
Las prob. a priori se pueden estimar como P ( C i ) = i
N
Para estimar las fdps:
1.-Parzen

1
f ( x n | C i ) =
Ni

Ni

K
n =1

( x n x ni )

1
i =
Ni

Ni

x
n =1

i
n

1
1
1 ( x )
exp ( x n i ) T
2.- Asumir una f ( x n | C i ) =
i
n
i
M /2
2

(
2

i
Gaussiana
= 1

i
Ni

Ni

(x
n =1

i
n

i )( x ni i ) T

Incorporacin de la dependencia temporal


Aplicando
el
clasificador
Bayesiano
de
manera
independiente para cada poca, estamos ignorando la
correlacin entre fases, que resulta ser informacin
importante para la segmentacin del sueo
Por ejemplo:

Pr ob ( x n Fase REM | x n 1 Vigilia ) = 0


Modelamos el sueo mediante un modelo oculto de
Markov (HMM Hidden Markov Model).

F-I

F-II

F-III

F-IV

REM

Parmetros del HMM


Probabilidades a priori

i = Pr ob ( x 1 C i )
Probabilidades de transicin

p ij = Pr ob ( x n C j | x n 1 C i )
Pdf de las observaciones para cada estado

f ( x n | Ci )
Podemos estimar todos los parmetros del modelo

= i , p ij , f ( x n | C i )

Trellis
Fase

n=1

n=2

n=3

C1
C2

C3
C4

C5
C6
Un camino C(1)C(2)C(n) a lo largo del Trellis tiene un coste

p(c | , x ) =
C (1) f ( x 1 | C (1)) p C (1) C ( 2 ) f ( x 2 | C ( 2 )) L p C ( n 1) C ( n ) f ( x n | C ( n ))

Segmentacin
El hipnograma es el camino de menor coste.
Solucin de fuerza bruta: calcular el coste de los 6N
posibles caminos: impracticable.
Afortunadamente, al ser el coste aditivo en cada transicin,
de P caminos distintos que acaben en el mismo nodo slo
es necesario retener el de mnimo coste.

Algoritmo de Viterbi
La solucin es la misma que el detector ptimo de
secuencias en com. digitales.
El
gasto
computacional
exponencialmente) con N.

crece

linealmente

(no

Algunos resultados
Sin incluir la dependencia temporal: Pd en torno al 68 %.

Algunos resultados
Incluyendo la dependencia temporal: Pd en torno al 83 %.

Conclusin
Estadiaje del sueo: un problema de anlisis de seales
biomdicas en el que se pueden aplicar un gran nmero de
tcnicas de tratamiento de seal bsicas:

Anlisis espectral + deteccin + clasificacin

Blackman-Tukey

Filtro adaptado,
GLRT

Clasif. Bayesiano
HMMs
Viterbi