“Diseño y desarrollo de un sistema para optimizar el diagnóstico de narcolepsia

tipo I mediante redes neuronales artificiales aplicado al registro polisomnográfi-

Gustavo Carpio Cornejo co en un instituto del sueño”
Ingeniería Biomédica

Resumen Objetivos Marco Teórico Metodología

El presente trabajo propone dise-
ñar y desarrollar un sistema para
optimizar el diagnóstico de la nar-
colepsia tipo I mediante redes
neuronales artificiales aplicado al
registro polisomnográfico en pa-
cientes del Instituto del Sueño del
Perú (HYPNOS). Para ello se
realiza el procesamiento de seña-
les electroencefalográficas EEG
utilizando los canales Fp1-F3, F3
-C3, C3-P3, P3-O1 en pacientes
con y sin narcolepsia tipo I, en
conjunto a diversos modelos ma-
temáticos. Asimismo, el sistema
propuesto contará con una inter-
faz gráfica de usuario (GUIDE), la
cual permitirá su uso intuitivo por
un personal médico, técnico u
otro profesional de la salud.
- Se considera la obtención de los siguientes parámetros: Densidad espectral de potencia, correlación,
Transformada Rápida de Fourier, Wavelet, área bajo la curva, envolvente y varianza, para de extracción
de características.
- Diseñar y desarrollar un pro-
tocolo de procesamiento de
señales utilizando: Ventaneo,
filtros, transformada, extrac-
ción de características y un
clasificador, con la finalidad
de utilizar redes neuronales
artificiales en los registros de
pacientes con narcolepsia
tipo I y sin narcolepsia.
- Validar los resultados del
algoritmo a través de la expe-
riencia de un especialista en
el área médica y nueva data
de nuevos pacientes, con el
propósito de clasificar pacien-
tes c/s narcolepsia tipo I con
porcentaje mayor al 85% de
confiabilidad y efectividad.
Resultados
La narcolepsia en la actualidad es considerada como
Para el procesamiento se realiza un venta-
una enfermedad rara, debido a la poca incidencia de
neo iterativo cada 30 segundos (estándar
personas que lo padecen, siendo alrededor al 0.05%
AASM) [17], se utiliza la Transformada Rá-
a nivel nacional. Su causa y no total claridad del mis-
pida de Fourier en las muestras obtenidas
mo ha sido motivo para numerosos trabajos de in-
para su almacenamiento por ancho de ban-
vestigación. Sin embargo, el diagnóstico de la narco-
da (delta, theta, alfa y beta), se realiza la
lepsia a nivel nacional aún se realiza por métodos
extracción de características y con ello se
tradicionales y poco actualizados hasta la fecha. A
obtiene una base de datos modificada con
continuación se va a realizar un sistema para optimi-
la cual posteriormente se realiza el entre-
zar el diagnóstico de la narcolepsia utilizando como
namiento y testeo de redes neuronales arti-
base uno de estos métodos tradicionales. Para ello
ficiales, con ayuda de la toolbox de Matlab
se considera el desarrollo de conceptos como: Re-
“nprtool” se inicia el entrenamiento y la
des neuronales artificiales el cual es una técnica de
comprobación de los datos clasificados
machine learning y permitirá clasificar las señales de
(pacientes con y sin narcolepsia)
los registros polisomnográficos, las señales se man- Figura 01. Procesamiento del sistema
tendrán en el dominio de tiempo y frecuencia, donde
permitirá utilizar modelos matemáticos para extraer
Para la validación del sistema se utilizará
características relevantes y diferenciadoras entre nueva data procesada (con el diagnóstico
pacientes con narcolepsia tipo I y sin narcolepsia.
conocido), luego ingresará a la net ya en-
trenada con los pesos establecidos para
minimizar el error y así clasificarlo, luego
se procede al análisis de un especialista
del área médica y área de ingeniería con la
finalidad de validar la confiabilidad y efecti-
vidad del algoritmo propuesto.
Figura 02. Validación del sistema

- Se espera una efectividad y confiabilidad mayor al 85% del entrenamiento de redes neuronales artificia-
les para la clasificación de pacientes con y sin narcolepsia. Referencias
- Se espera información de calidad y oportuna con resultados, gráficos y recomendaciones, validados por
especialistas y así optimizar el diagnóstico de la narcolepsia tipo I. [1]Hypnos Instituto del Sueño (11 de marzo de 2018). Narcolepsia. Recuperado de http://
hypnosperu.com/narcolepsia/
[2]Jens B. et al, Neural network analysis of sleep stages enables efficient diagnosis of narco-
Conclusiones lepsy (2018). Recuperado de https://www.nature.com/articles/s41467-018-07229-3
- Para el procesamiento de las señales EEG provenientes del registro polisonmográfico se debe tener en cuenta el estándar de American Academy [3]Zhongxing Z. Geert M. et al, Exploring the clinical features of narcolepsy type 1 versus nar-
of Sleep Medicine (AASM). colepsy type 2 from European Narcolepsy Network database with machine learning (2018)
- Para la interfaz gráfica de usuario se debe tener en cuenta que el diseño final debe ser intuitivo y con las herramientas necesarias para Recuperado de: https://www.nature.com/articles/s41598-018-28840-w
que el profesional de la salud pueda utilizarlo sin problemas. [4]Nicola M. et al, Cascaded LSTM recurrent neural network for automated sleep stage classi-
- La información y diagnóstico resultado final del proyecto, debe ser validado no solo por un especialista del áre a de ingeniería si no fication using single-channel EEG signals (2019), Recuperado de https://
también por un especialista del área médica. www.sciencedirect.com/science/article/pii/S0010482519300137