Detecção de apneia do sono utilizando machine learning baseado em modelos estatísticos

Abstract

Apneia Obstrutiva do Sono é uma doença comum causada pela obstrução das vias aéreas superiores (fossas nasais, faringe e laringe) durante o sono, e afeta aproximadamente 4% da população mundial. O exame de polissonografia é o método mais comum usado para para diagnosticar essa doença, e ele fornece vários sinais fisiológicos. Neste trabalho são investigadas técnicas de machine learning baseadas em modelos matemáticos para realizar a detecção automática da Apneia Obstrutiva do Sono. Mais especificamente, utiliza-se Support Vector Machines e Ada Boost, e é realizada uma avaliação do seu desempenho na detecção de apneias. Avaliando os modelos, obteve-se que a execução com época de 15 segundos utilizando o algoritmo Ada Boost com cross-validation e dados balanceados foi a que apresentou melhores resultados, obtendo acurácia de 65%, precisão de 74% e recall de 60%. No geral, os modelos utilizando o método train-test apresentam resultados de acurácia superiores quando comparados aos resultados obtidos com o método cross-validation. No entanto, levando em conta outras métricas como precisão e F1 score, percebe-se que os resultados obtidos com método train-test são consideravelmente inferiores aos resultados obtidos com o método de cross-validation.

Obstructive Sleep Apnea is a prevalent sleep disease caused by upper airway closure (nasal cavities, pharynx, and larynx) during sleeping affects approximately 4% of the worldwide population. The polysomnography exam is the most common method to diagnose obstructive sleep apnea as it provides lots of physiological signals. In this work, we investigate machine learning based on mathematical methods to detect obstructive sleep apnea automatically. Thus, we propose using Support Vector Machine and Ada Boost with decision tree algorithms to test and compare obstructive sleep apnea detection results. After evaluating the models, it was observed that the better combination was 15 seconds slices, Ada Boost, cross-validation, and balanced data, achieving an accuracy of 65%, 74% of precision, and 60% of recall. However, in general, the models using the train-test method showed superior accuracy compared to cross-validation. Nevertheless, the other metrics are considerably lower in this case. Considering precision and F1 score, it is clear that the results obtained with the train-test method are considerably lower than the results obtained with the cross-validation method.