Clasificación automática de etapas del sueño basada en aprendizaje profundo para señales multicanal

El sueño juega un papel crucial en la restauración de la salud física y mental, por lo que es esencial monitorear los patrones de sueño de manera objetiva. La polisomnografía es un método estándar utilizado para clasificar las etapas del sueño, pero tiende a ser costosa y requiere la participación de especialistas. En este sentido, muchos algoritmos automáticos de clasificación del sueño se han desarrollado recientemente a través de dispositivos portátiles prácticos y fáciles de medir. Sin embargo, se necesita más investigación sobre cómo combinar biosensores de multicanales con diferentes tasas de muestreo medidas a través de dispositivos portátiles. En este estudio, propusimos un algoritmo de clasificación de etapas del sueño en señales multicanal utilizando un electrocardiograma, acelerómetro y giroscopio. Específicamente, se utilizaron redes neuronales convolucionales para comparar el rendimiento de la clasificación de etapas del sueño según la tasa de muestreo. En la clasificación de etapas del sueño de 4 clases para la vigilia, sueño ligero, sueño profundo y movimiento ocular rápido, se logró una precisión del 80.23%, un F1-score de 0.8097 y un valor kappa de 0.6711 cuando la tasa de muestreo se ajustó en función del electrocardiograma. Por otro lado, cuando la tasa de muestreo se basó en un acelerómetro y giroscopio, la precisión fue del 64.33%, el F1-score fue de 0.6389 y el valor kappa fue de 0.4708 en la clasificación de etapas del sueño de 4 clases. Estos resultados podrían proporcionar una gran perspectiva para desarrollar un modelo de clasificación de etapas del sueño utilizando señales multicanal basado en dispositivos portátiles y también estarían disponibles en otras aplicaciones como la apnea del sueño.