tractament de senyals per l'ajut a la … · tractament de senyals per l’ajut a la diagnosi...
TRANSCRIPT
TREBALLFIDEGRAU
GrauenEnginyeriaBiomèdica
TRACTAMENTDESENYALSPERL'AJUTALADIAGNOSIDE
L'APNEADELSON
VolumI
MemòriaiPressupostos
Autor:ArnauVizcainoTorras
Director:JordiSolàSoler
Departament: Dept.ESAII
Co-Director:GerardEscuderoBakx
Convocatòria:Octubre2017
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
i
Resum
Diversosestudiscientíficshanobservatun lligamentre la faltad’oxigenaciódelcervellacausade les
paradesenelsciclesrespiratorisderivadadelapresènciad’apneesil’aparicióprematuradepatologies
quenos’esperenfinsaunaedatavançada.
L’objectiuprincipald’aquestprojecteésdesenvolupareinesinformàtiquesperal’ajutaladetecciódel
síndromedel’apneadelson(SAOS),prèviamentarealitzarunaPolisomnografia(PSG),queéslaprova
mèdicaestàndardperdiagnosticartrastornsenelson.Esduatermeapartirdel’enregistramentdela
senyal bioacústica dels roncs de pacients durant el son i l’extracció de les seves característiques
temporalsifreqüencials.
Eltreballconstadetresestudisdiferents:
• Dos estudis d’aprenentatge automàtic no supervisat: un de mineria de dades i un d’anàlisi
d’agrupament. L’objectiu és crear models representatius de les característiques del ronc de
cadaindividuiavaluarlapossibilitatdedetectarlapresènciadelSAOS,únicamentapartirdel
registresonordelsroncsilainformacióprèviadecadapacient.
• Un estudi d’aprenentatge automàtic supervisat de classificació i regressió per avaluar quin
algorismededecisiófuncionamillorperalaidentificaciódelaseveritatdelSAOSd’unpacienta
partirdelsmodelsdesenvolupats.
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
ii
Resumen
Diversosestudioscientíficoshanobservadolarelaciónqueexisteenlafaltadeoxigenaciónalcerebroa
causa de las paradas en los ciclos respiratorios derivados de la presencia de apneas y la aparición
prematuradepatologíasquenosuelenaparecerenunaedadpocoavanzada.
El objetivo principal de este proyecto es desarrollar herramientas informáticas para la ayuda a la
detección del síndrome de la apnea del sueño (SAOS), previamente a realizar una Polisomnografía
(PSG),queeslapruebamédicaestándarparadiagnosticartrastornosenelsueño.Serealizaapartirdel
registro de la señal acústica de los ronquidos de pacientes durante el sueño y la extracción de sus
característicastemporalesydefrecuencia.
Elproyectoconsisteentresestudiosdiferentes:
• Dosestudiosdeaprendizaje automático no supervisado:unodemineríadedatos yunode
análisisdeagrupamiento.Elobjetivoescrearmodelosrepresentativosdelascaracterísticasdel
ronquido de cada individuo y evaluar la posibilidad de detectar la presencia del SAOS,
únicamenteapartirdelregistrodelosronquidosylainformaciónpreviadecadapaciente.
• Unestudiodeaprendizajeautomáticosupervisadodeclasificaciónyregresiónparaevaluarcual
algoritmo de decisión trabaja mejor para la identificación de la severidad del SAOS de un
pacienteapartirdelosmodelosdesarrollados.
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
iii
Abstract
Severalscientificstudieshaveobservedtherelationshipbetweenabsenceofoxygenationtothebrain
due to the stops in the respiratory cycles derived from the presence of apneas and the premature
appearanceofpathologiesthatdoreallyappearinanadvancedage.
Theprincipalobjectiveofthisprojectistodevelopcomputertoolstohelpthedetectionofsleepapnea
syndrome(SAOS),beforeperformingaPolysomnography(PSG),whichisthestandardmedicaltestto
diagnose sleep disorders. This can be done from the recording of the acoustic signal of snoring of
patientsduringsleepandtheextractionoftheirtemporalandfrequencycharacteristics.
Theprojectconsistsonthreedifferentstudies:
• Twounsupervisedself-learningstudies:onedataminingandoneclusteranalysisstudies.The
aim is to create models that are representative of the characteristics of snoring of each
individual, and to evaluate the possibility of detecting the presence of OSAS, only from the
recordingofsnoringandpreviousinformationofeachpatient.
• Asupervisedautomatedclassificationandregressionlearningstudytoassesswhichalgorithm
worksbestforidentifyingapatient'sOSASseverityfromthedevelopedmodels.
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
iv
Agraïments
M’agradariaagrairprincipalmentl’ajudaqueherebutperpartdelsdostutors,enJordiSolàSolerien
Gerard Escudero Bakx, que m’han facilitat tot el material i les eines informàtiques necessàries per
desenvoluparelmeutreball.Gràciesalseuesforçidedicacióhepogutdesenvoluparaquestprojecte,ja
que sense els coneixements d’en Jordi Solà Soler sobre aquest símptoma i sobre les tècniques que
s’utilitzenactualment i sense lesnocionsen laprogramació informàticaquem'ha impartitenGerard
EscuderoBakx.
Tambéagraeixoatotes lespersonesque indirectamenthancontribuïten lamevadedicacióaaquest
projecte.
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
v
Llistad’abreviatures
SAOS:Síndromed’ApneaObstructivadelSon
PSG:Polisomnografia
VAS:ViaAèriaSuperior
ACV:AccidentVascularCerebral
IAH:Índexd’Apnees-Hipopnees
HI:Índexd’Hipopnees
IA:Índexd’Apnees
CPAP:PressióPositivaContinuaenlaviaAèria
SVM:MàquinadeSuportVectorial
DT:Arbresdedecisió
KNN:Veïnsméspropers
MSE:Errorquadràticmig
WEKA:WaikatoEnvironmentforKnowledgeAnalysis
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
vi
Índex
RESUM _____________________________________________________________ I
RESUMEN___________________________________________________________II
ABSTRACT__________________________________________________________ III
AGRAÏMENTS_______________________________________________________ IV
LLISTAD’ABREVIATURES_______________________________________________V
ÍNDEXDEFIGURES___________________________________________________ IX
ÍNDEXDETAULES_____________________________________________________X
1. PREFACI________________________________________________________1
1.1. Origendeltreball.....................................................................................................1
1.2. Motivació.................................................................................................................1
1.3. Requerimentsprevis................................................................................................2
1.4. Planificació:DiagramadeGantt..............................................................................2
2. INTRODUCCIÓ___________________________________________________4
2.1. Objectiusdeltreball.................................................................................................5
Objectiusgenerals.................................................................................................................5
Objectiusespecífics...............................................................................................................5
2.2. Abastdeltreball.......................................................................................................5
3. MARCTEÒRIC ___________________________________________________7
3.1. Elronc.......................................................................................................................7
3.2. Síndromed’ApneaObstructivadelSon..................................................................8
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
vii
4. METODOLOGIA_________________________________________________15
4.1. Materialinicials......................................................................................................15
4.2. Esquemadetreball:FrameWork...........................................................................17
4.3. Diferentstipusd’estudi..........................................................................................18
4.4. Aprenentatgeautomàtic.......................................................................................18
4.5. Clustering...............................................................................................................20
4.6. Assignaciódecategories(AlgoritmeKMEANS)....................................................21
4.7. Classificacióiregressió...........................................................................................22
4.7.1. Einadeselecciódeparàmetres(GridSearch)......................................................25
4.8. Einesinformàtiques...............................................................................................26
5. EXPERIMENTS__________________________________________________29
5.1. Estudi1...................................................................................................................30
5.2. Estudi2...................................................................................................................32
5.3. Estudi3...................................................................................................................32
5.4. Interpretacióresultatsdel’estudi3......................................................................34
5.5. Iteracionsdel’estudi3:classificació......................................................................36
6. ANÀLISISDERESULTATS__________________________________________40
7. CONCLUSIONS__________________________________________________55
7.1. Perspectivesfutures..............................................................................................56
8. ANÀLISIDEL’IMPACTEAMBIENTAL_________________________________57
9. PRESSUPOSTI/OANÀLISIECONÒMICA______________________________59
9.1. Costosd’enginyeria................................................................................................59
9.2. Costosinformàtics.................................................................................................60
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
viii
9.3. Altrescostos...........................................................................................................60
9.4. Pressupostfinal......................................................................................................61
10. BIBLIOGRAFIA__________________________________________________63
11. ANNEXA:MANUALD’USUARI______________________________________1
12. ANNEXB:CODISPROGRAMACIÓ____________________________________4
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
ix
Índexdefigures
Figura1.DiagramadeGrantt______________________________________________________ 3
Figura2.ObstrucciódelVAS([6])___________________________________________________ 7
Figura3.Diagramad’obstrucciódelVAS.([2])________________________________________ 10
Figura4.FisiopatologiadelSAOS([14]) _____________________________________________ 11
Figura5.ExploraciómèdicavisualensospitadeSAOS([17]) ____________________________ 12
Figura6.ProcedimenteneldiagnòsticitractamentdelSAOS([17]) ______________________ 13
Figura7.ImplementaciódelateràpiaambCPAPcontraSAOSsevers([24]) ________________ 14
Figura8.FrameWork ___________________________________________________________ 17
Figura9.Exempleestudiregressió([26])____________________________________________ 20
Figura10.Exempleestudiclassificació([26])_________________________________________ 20
Figura11.Exempled’hiperplansdelSVM([28])_______________________________________ 23
Figura12.Exempled’aplicacióK-neighbors([29])_____________________________________ 24
Figura13.ExempledeRandomForest([31])_________________________________________ 25
Figura14.PortaldelWEKA([22])__________________________________________________ 26
Figura15.PortaldelExplorerdelWEKA([22])________________________________________ 27
Figura16.PortaldelExperimentdelWEKA([22]) _____________________________________ 27
Figura17.Esquemadelsestudisplantejats_________________________________________ 30
Figura18.Reparticiódepacientsperlacreaciód’arxiusd’estudipermantenirlapresenciadetotesles
classes __________________________________________________________________ 31
Figura19.Esquemadel'estudi3 __________________________________________________ 33
Figura20.Exempledematriudeconfusió([23])______________________________________ 36
Figura21.Fluxd’aire,saturaciód’oxigenensang(SpO2),movimentdel’abdomen([35]) _____ 37
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
x
Índexdetaules
Taula1.ÍndexIAH_______________________________________________________________ 9
Taula2.Exempledellistadelspacients_____________________________________________ 15
Taula3.Exemplecaracteritzaciódeles8primeresmostresderoncsdelpacientSIG33_______ 16
Taula4.Tipusd’estudis__________________________________________________________ 18
Taula5.AlgorismeK-Means______________________________________________________ 22
Taula6.ResultatsestudimineriadedadesWEKA_____________________________________ 32
Taula7.Taulaexempledemodelgeneratperl’algorismed’agrupamentK-Means___________ 32
Taula8.Índexapnea-hipopneaenadults____________________________________________ 34
Taula9.Fronteresalgeneraelsgrupsdeclasses______________________________________ 34
Taula10.Exempledetauladeresultatsperal’índexIAHformatper5grupsdeseveritat _____ 35
Taula11.Conceptesformula4____________________________________________________ 38
Taula12.Reparticiódelspacientsenclasses_________________________________________ 38
Taula13.Reparticiódelspacientsenclasses_________________________________________ 38
Taula14.Reparticiódelspacientsenclasses_________________________________________ 39
Taula15.Tauladeresultats ______________________________________________________ 40
Taula16.Tauladeresultats______________________________________________________ 41
Taula17.Tauladeresultats ______________________________________________________ 41
Taula18.Tauladeresultats ______________________________________________________ 41
Taula19.Tauladeresultats ______________________________________________________ 42
Taula20.Tauladeresultats ______________________________________________________ 42
Taula21.Tauladeresultats ______________________________________________________ 43
Taula22.Tauladeresultats ______________________________________________________ 43
Taula23.Tauladeresultats ______________________________________________________ 44
Taula24.Tauladeresultats ______________________________________________________ 44
Taula25.Tauladeresultats ______________________________________________________ 45
Taula26.Tauladeresultats ______________________________________________________ 45
Taula27.Tauladeresultats ______________________________________________________ 45
Taula28.Tauladeresultats ______________________________________________________ 46
Taula29.Tauladeresultats ______________________________________________________ 46
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
xi
Taula30.Tauladeresultats ______________________________________________________ 46
Taula31.Tauladeresultats ______________________________________________________ 47
Taula32.Tauladeresultats ______________________________________________________ 47
Taula33.Tauladeresultats ______________________________________________________ 48
Taula34.Tauladeresultats ______________________________________________________ 48
Taula35.Tauladeresultats ______________________________________________________ 49
Taula36.Tauladeresultats ______________________________________________________ 49
Taula37.Tauladeresultats ______________________________________________________ 50
Taula38.Tauladeresultats ______________________________________________________ 50
Taula39.Tauladeresultats ______________________________________________________ 50
Taula40.Tauladeresultats ______________________________________________________ 51
Taula41.Tauladeresultats ______________________________________________________ 51
Taula42.Tauladeresultats ______________________________________________________ 51
Taula43.Tauladeresultats ______________________________________________________ 52
Taula44.Tauladeresultats ______________________________________________________ 52
Taula45.Tauladeresultats ______________________________________________________ 53
Taula46.Tauladeresultats ______________________________________________________ 53
Taula47.Tauladeresultats ______________________________________________________ 53
Taula48.Impactesenl’anàlisiambiental____________________________________________ 57
Taula49.Costosd’enginyeriadelprojecte___________________________________________ 59
Taula50.Costosinformàticsdelprojecte____________________________________________ 60
Taula51.Altrescostosdelprojecte________________________________________________ 60
Taula52.Pressupostfinaldelprojecte______________________________________________ 61
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
1
1. Prefaci
1.1. Origendeltreball
ElSíndromed’ApneaObstructivadelSon(SAOS),internacionalmentconegutcomaObstructivesleep
apnea syndrome (OSAS), consisteix en repetits episodisd'obstruccióde la via aèria superior (VAS)
durantelson,ambpausesrespiratòriesde10a30segons,durantlesqualsesdeixad'introduiraire
enelspulmons.
Aquestespausesd’introducciód’oxigenconstantsgenerenepisodisd’hipòxia,provoquenacurtperíode
momentsd’asfíxia, desvetllaments freqüents i insomni, la necessitat reincident d’orinar o el reflux
gastroesofàgic.Ambtotplegatlapersonaafectadanoacabadedescansarbéitéunamalaqualitat
de vida, amés de sermés propens a patir accidents domèstics, laborals, de conducció, etc. Però
aquestafaltad’oxigenaciótambépotcrearconseqüènciesgreusallargtermini,compodenserl’ictus,
l’infartdemiocardiofinsitotelcàncer,segonsdiversosestudisrecents.
Espertotsaquestsmotiusqueneixaquestprojecte,amblaideaoriginald'analitzarsenyalsbioacústics
enregistrats durant l’estudi del son conegut com a Polisomnografia (PSG) a l’Hospital universitari
GermansTriasiPujolaunacinquantenadepacientscandidatsdepatirOSAS.Apartird’aquestconjunt
dedades,esproposaunmodeldecaracteritzaciódelroncpercomprovarsipartintúnicamentambun
enregistramentsonorespotidentificarlapresènciadelSAOS.
1.2. Motivació
Lamotivaciód’aquesttreballparteixdelauniódedosaspectes:
• Elprimeréslaidead’utilitzaralgunesdelesdiferentseinesiconeixementsadquiritsalllargdel
grauacadèmiccomlaprogramacióenPython.
• Elsegonéslaideadetreballarsobrelamillorarenladetecciód’aquestasíndrome,tantpresent
dinsdelnostrecontextsocio-geogràfic,amblaidead'agilitzarlafeinadel’especialista,sabent
lesconseqüènciesperjudicialsqueespodenarribarapatirperlasevapresència.
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
2
Així doncs, lamotivació es concreta en el desig d'arribar a crear una possible eina demillora per al
sectordelasalut,uncampon,evidentment,lesinnovacionsimilloresnos'hauriend'aturarmai.
1.3. Requerimentsprevis
Peralarealitzaciód'aquestprojectes’hanecessitatunsconeixementsbàsicsendiferentsplataformes
informàtiquescomsónelPythonielWEKA.
El meu co-tutor, Gerard Escudero Bakx, és qui ha facilitat totes les eines, material i coneixements
relacionatsamb laprogramació.Tambéha introduït lagraneinade treballperaprocessar iestudiar
gransquantitatsdedades:elprogramademineriadedadesWEKAdelaUniversitatdeWaikato.
1.4. Planificació:DiagramadeGantt
Aquestprojecteestàestructuratenunapartteòricaiunapartpràctica.
La planificació del projecte s’ha realitzat per tal d'exposar el temps de dedicació previst per a les
diferentstasquesal llargdeltempstotaldeterminat. Primerdetothaestatnecessari familiaritzar-se
ambeltema,ésadir,buscarinformaciósobreelques'harealitzatfinsaraisobreleslimitacionsactuals,
pertald'adquirirelsconeixementsbàsicsiaixípodertreballarambpropietatsobreeltema.
A continuació, s’ha hagut de crear un esbós dels procediments per determinar quins són les eines i
coneixementsnecessarisperpoderdesenvoluparaquesttreball.
Finalment, es va desenvolupar l’estudi amb prou temps per poder afrontar possibles aspectes
sobrevinguts que sempre poden aparèixer posteriorment, i que també s’han de realitzar
obligatòriament.
EldiagramadeGanttsegüents’hautilitzatperfacilitarl’organitzaciódelesdiferentstasques:
Tractam
ent d
e s
enyals
per l’a
jut a
la d
iagnosi d
e l’a
pnea d
el s
on
3
Figura1.DiagramadeGrantt
Num
Descripciótasca1al15
16al311al15
16al301al15
16al311al15
16al301al15
16al311al15
16al311al15
16al301
Recercadelmarcteòric
2Codipas0:Python
3Weka
4Codipas1:Python
5Codipas2:Python
6Codipas3:Python
7Modificacionsim
illoresdelscodisPython8
Interpretacióresultats9
Anàlisieconòmic
10Conclusions
11Redaccióm
emòria
ALGORITM
E
AGOST
SETEMBRE
DIAGRAMADEGAN
TT
MARÇ
ABRILMAIG
JUNY
JULIO
L
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
4
2. Introducció
Segons P. Lloberes, J et al (2011), a Espanya entre el 3 i 6% de la població pateix SAOS i d’aquests
pacients,entreun24i26%tenenunvalormajorde54alíndexd’apneaihipopnea(IAH).Actualmentes
prencomallindardelnivellseverunIAHmajorde30apnea/hipoapneesperhoradeson[1].
ComdefensaR.HenryOlivietal(2013),lacontinuafaltad’oxigenacióproduïdaperlesobstruccionsala
viaaèriaacausadelSAOSestàrelacionadaambl’apariciódemoltsproblemescomaccidentsvasculars
cerebrals(ACV),malaltiescardiovasculars,ictusoinfartdemiocardi[2].
Acurttermini,aquestesobstruccionsseguidesd’unintentperinspirarprovoquennotenirundescans
dequalitatacausadelsonagitat,possibleinsomniicanvisdepersonalitat,essentméspropensapatir
accidentsdomèstics,laboralsodetrànsitacausad’aquestasomnolència.
També comencen a aparèixer estudis sobre la relació en l’aparició de càncers i problemes d’edat
avançada, com explica el farmacòleg Edwin Jackson, de la Universitat de Pittsburg: "Esto es lo que
sucede:lostumorespuedencrecercontantarapidezquesequedansinsuficienteriegosanguíneo,lo
que crea una deficiencia de oxígeno. Esto, a su vez, puede alentar a que las células cancerosas
produzcan unamolécula llamada adenosina, que inactiva los linfocitos, las células que combaten el
cáncer"enunestudionesdemostraqueelstumordisminueixenmésràpidenelgrupdeprovaamb
mésconcertaciód’oxigen[3].
Ennens,perexemple,tambés’estàdemostrantquelapresènciad’aquestasíndromedesdebenpetits
potportaraladerivacióproblemesneurològics,provocanteldesenvolupamentdeproblemescognitius-
conductuals[4].
Ésd’aquíonneix l’interèsenintentarmillorar ladetecciód’aquestsímptomaenlaprovadelson:del
desigd'ajudaral’especialistaamillorarlaqualitatdevidaalspacientsquepateixinl'apneadelsongreu,
ialhorareduirelmàximpossiblelesconseqüènciesallargtermini.
L’objectiud’aquestprojecteéscrearunentornd’estudicapaçdedetectarlaseveritatdelSAOSapartir
delesúniquesmostresdelesqualsesparteix:elsroncs,enregistratsdurantdurantelsondelpacient,
amblaintenciód’agilitzarelprocésdedeteccióidiagnosisactualpertaldemillorarlaqualitatdevida
delspacients.
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
5
2.1. Objectiusdeltreball
Objectius generals El principal objectiu d’aquest projecte és dissenyar un entorn d’estudi que permeti identificar la
severitat del síndrome de l’apnea obstructiva del son mitjançant mètodes d’aprenentatge
automàtic,apartird’unagranquantitatderoncsenregistratsenformadesenyalbioacústicaenel
decursdelaprovadelsonanomenadaPolisomnografia(PSG).
El repteneixenel formatheterogenide lesdadesdepartida,siéspossiblecrearaquestentorna
partird’únicamentlarepresentaciódelsroncs.Tambéésimportantestudiarelcomportamentdels
algoritmesdeclassificacióiregressióutilitzatsperavaluarlasevaviabilitat.
Aixídoncsaquestprojectetédosobjectius:
• Creació d’un entorn que permeti identificar la severitat del SAOS a partir únicament de
l’enregistramentsonordelsroncs.
• Estudiarelcomportamentdelsalgoritmesdeclassificacióiregressióenaquestestudi.
Objectius específics Amblafinalitatd’aconseguirelsobjectiusprincipalsdelprojecteesplantegenelssegüentsobjectius
específics:
• Obtenirconeixementssobreelroncil’apneadelson(SAOS).
• Estudiariaplicarprogramarideclustering.
• DesenvoluparunentorndetreballmitjançantPython.
• Aprendreiaplicareinesd’aprenentatgeautomàtic.
2.2. Abastdeltreball
Elprojectepresentatenaquestamemòriaésunestudicentrataaconseguirunmodeldedeteccióde
laseveritatdelSíndromed’ApneadelSonapartirdel’enregistramentsonordelsroncs.Aixídoncs,
l’abast d’aquest projecte s’ha delimitat a aconseguir crear aquest entorn digital a partir de la
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
6
gravació dels roncs de 51 pacients, i finalment s’implementen uns algoritmes de classificació per
avaluarquinseriaelmètodemésadequatperaquesttipusd’estudi.
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
7
3. MARCTEÒRIC
3.1. Elronc
Elroncéselsoqueesprodueixquanexisteixunaobstruccióparcialalpasdelairealazonaposterior
delabocaielnas.Enaquestazonaésoncoincideixenlallenguaambelpaladartouilacampaneta.I
allíelpasdel’aireperlagolafavibrarelsteixitsdelseuvoltantquanaquestesestructuresxoquen
unesamblesaltres,produint-seunavibraciódurantlarespiració,igenerantelsorolltípicdelronc
[5].
Elsprincipalsmotiusd’aquestaobstrucciósolenser:
- baixtomuscularenelsmúsculsdelagolaolallengua
- unsmúsculsfluixosprodueixenquelallenguacaiguicapenrereiqueambelsmúsculsdela
golacol·lapsinlesviesrespiratòries
- tenirgranquantitatdeteixitgrasalagola
- untomuscularestàmoltrelaxatpelconsumd’alcohol,medicamentsodrogues
Figura2.ObstrucciódelVAS([6])
Elproblemadelsroncsésquealallargapodenderivarenunaltretrastornmésimportant:l'apnea
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
8
obstructiva del son. Es per això que actualment el ronc serveix com el principal indicador en la
detecciódelapresènciadeSAOS[7].Siescomptaamblapresènciaderoncsaixícomtambéamb
alguns dels símptomes del SAOS que ja s'han comentat en l’apartat anterior, convé acudir a un
professional especialitzat en aquesta matèria, per tal que revisi la historia clínica completa del
pacient,faciunaexploracióvisualdelaviarespiratòriasuperioriestudiïsicalfer-liunaPSG.
Comqueencaranohihauncritericlarsobrequinéselnivellapartirdelqualuns’hadecomençara
preocupar, es recomana visitar l’especialista, per evitar problemes generats a la llarga per la
presència de desordres del son, en el cas que els possibles pacients presentin alguns d’aquests
símptomes:
- somnolència,sonnoreparador,fatiga
- despertarambfaltad'aire
- quanuntestimonidescriu:ronchabituali/ointerrupcionsdelarespiraciódurantelson
- antecedents d'hipertensió arterial, trastorns de l'ànim,malaltia arterial coronària, infart
demiocardi,odiabetisMellitusII.
Lapart pràcticad’aquest projecte, llavors, ha treballat sobreels roncs, ja que, aprofitant l’estreta
relació entra aquesta patologia nocturna i ells, s’ha creat unmètode de treball per identificar la
severitatdeSAOS,mitjançantlacombinaciódevarieseinesinformàtiques,iambl'únicaentradade
l’enregistramentd’aquestsenyalbiomèdicsonor:elsroncs.
3.2. Síndromed’ApneaObstructivadelSon
La Síndrome d’ApneaObstructiva del Son (SAOS), internacionalment coneguda com aObstructive
SleepApneaSyndrome (OSAS),consisteixenepisodisrepetitsd'obstrucciódelaVASdurantelson,
amb pauses respiratòries de 10 segons omés, en què es deixa d'introduir aire en els pulmons i,
conseqüentment,s'atural’oxigenaciódelcervell[8].
Aquestesobstruccionsrepetitivesdelfluxd’airea laVASanivelldelafaringe, iqueesprodueixen
durant el son, poden ser completes (apnees) o parcials (hipoapnees). Solen estar facilitades per
alteracionsanatòmiquesifuncionalsenlaVAS,queprovoquenqueestiguiméscol·lapsadaqueen
elssubjectesnormals.
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
9
Lesapneesobstructivesesdefineixencoml’absènciaoreducciódelsenyalrespiratoridemésde10
segons de durada, i amb presència d’un esforç per respirar. Les hipoapnees es defineixen com la
reduccióclaramentdistingibledelsenyalrespiratoridemésde10segonsdeduracióiquetinguicom
amínimunadisminuciódel3%delasaturaciód’oxigen[1].
Lasumad’aquestsdosvalorsformal’índexd’apneeshipopnees(IAH),queconstitueix,endefinitiva,
elparàmetremésutilitzatpervalorarlaseveritatdelSAOS[8].Alataula1espotobservarl’índex
IAHilasaturaciómínimad’oxigenenpacientsadults.
Intensitat IAH Saturaciómínima
Lleu 5-20 85%Moderat 20-40 75-80%Sever >40 <75%
Taula1.ÍndexIAH
Les apnees i hipoapnees recurrents condueixen a dessaturacions repetides de l’oxihemoglobina,
determinant hipòxia intermitent, micro-despertars amb fragmentació del son i oscil·lacions
significativesenlapressióintra-toràcicaacausadel’augmentdelesforçinspiratoriencadaepisodi
d’apnea.Aixòestàassociataincrementssobtatsdeltosimpàtic,delafreqüènciacardíacailapressió
arterial,responsablestotsellsdeladisfuncióendotelial[2].
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
10
Figura3.Diagramad’obstrucciódelVAS.([2])
Aquestes parades provoquen un descens de l’oxigenació i se’ls associa, a curt termini, amb les
alteracions inflamatòries a la via respiratòria a causa de l’intent de respirar, episodis d’asfíxia,
despertar freqüent, insomni i malsons, necessitat d’orinar o reflux gastro-esofàgic, provocant tot
plegatquenos’acabidedescansardebé,convertint-seenméspropensapatiraccidentsdomèstics,
laboralsodetrànsit[2].
Apart denodeixarque l’individupugui descansar completament, empitjorant la sevaqualitat de
vida,tambéseliassocienallargterminiefectesperjudicialssobreelsistemacardiovascular[9,10],
sobreelsistemanerviós[11,12]isobreelmetabolisme[13]acausadelafaltareiteradad’oxigenal
cervell,podentpatirconseqüènciesgreuscomcàncer,ictusoinfartdemiocardi,aspectesquepoden
provocar una mort prematura. La simptomatologia i les conseqüències biològiques associades al
SAOS resulten de la hipòxia intermitent, canvis de pressió toràcica, activació simpàtica i
fragmentació del son, provocant una desregulació metabòlica, defunció endotelial, inflamació
sistèmica,estrèsoxidatiu,híper-coàguls i canvisneuronals.Totsaquestspodenoriginaroagreujar
malalties comhipertensió arterial, pulmonar, insuficiència cardíaca, arítmies, i fins i tot produir la
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
11
mortsobtada[14].
Figura4.FisiopatologiadelSAOS([14])
Escalculaquel'apneaafectaun4-6%d'homesi2-4%delesdones[15,16],ientreelsfactorsderisc
estrobenl'edat(elriscaugmentaun25%enmajorsde65anys);l'obesitat(lapateixenel60%dels
pacientsambapnees[16];elconsumd'alcohol, tabac isedants; l'úsdemedicamentsperagafarel
son, dormir en una posició supina o tenir obstruïdes les vies respiratòries per la llengua o les
amígdalesoperalteracionsdel’anatomiacraniofacialielcoll;lamenopausa,l’hipotiroïdisme,oels
antecedentsfamiliarssónelsprincipalscausantdel’apariciód’aquestesobstruccions.
Estractade laterceramalaltiarespiratòriamésfreqüent,desprésde l’asmabronquial i lamalaltia
pulmonarobstructivacrònica.Totiqueésl’alteraciómésfreqüentqueocorredurantelson,itambé
laprincipalcausad’hipòxiacrònicaenéssershumans,degutalahipòxiaintermitent[17].
EL 35% d’aquests pacients també presenten hipertensió arterial sistèmica, el doble d’hipertensió
pulmonar, quatre vegades més malalties vasculars cerebrals que la població normal i la taxa
d’accidentsaugmentasetvegadesperlamalaqualitatdevida,nodescansarsuficient,etc.[17].
La major mortalitat documentada es troba en joves de 30 a 50 anys i es deu principalment a
complicacions cardiovasculars i accidents domèstics, de trànsit, laborals i industrials, causada
principalmentpelsmicro-despertarsdelsSAOS[18].
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
12
Unestudirealitzatsobrenensentre7i12anys,alsqualsse’lshiharealitzatunPSG,comparantels
nensambdesordresobstructiusdelsonambelsd'ungrupdecontrolsans,demostraambqueels
nens amb RP, SAOS lleu i SAOS moderat/sever, presenten, en relació al grup control, un
deteriorament significatiu tant en les funcions cognitives com en les habilitats executives i
intel·lectualsiacadèmiques[19].
La diagnosi del SAOS sempre comença amb els testimonis de familiars que presencien els seus
símptomes més evidents, com són els roncs i les apnees. Tot i que també es donen símptomes
diürns,comsónlasomnolènciaielcansament,derivatsd'unsonquenohaestatreparador[20].A
partird’aquí,elpacients’hadederivaraunmetge,querealitzaràunexamenfísicquecomençarà
ambl’observaciódel’estructuraanatòmicadelafaringeatravésdelacavitatbucal.
Figura5.ExploraciómèdicavisualensospitadeSAOS([17])
Ambl’examenfísic,unestudidelquadreclíniciantecedentsfamiliars[21],s’avalualanecessitatde
realitzarunaPSG,laprovamésutilitzadaactualmentperaladetecciódelSAOS[22].
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
13
Figura6.ProcedimenteneldiagnòsticitractamentdelSAOS([17])
Aquestadiagnosis’haderealitzarenhorarinocturn,oenl’horaridesonhabitualdelpacient,ienun
centre que estigui dotat amb personal preparat per supervisar-ho i amb les infraestructures
necessàries per a l'observació. Per realitzar aquesta diagnosi es requereix una monitorització
continuadad'unmínimde6,5hores.
Elsprincipalssenyalsques’enregistrendurantlaPSGsónlessegüents:
• Electroencefalograma
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
14
• Electrooculograma
• Electromiograma
• Saturaciód’oxigen
• Electrocardiograma
• Esforçrespiratori
• Fluxaerinaso-bucal
• Posiciócorporal(vídeoimicròfon)
Actualment, no hi ha cap tractament farmacològic indicat per tractar el SAOS. No obstant, el
tractament simptomàticque s’haestablert,demoment, comaméseficaçéselCPAP (Continuous
Positive Airway Pressure) [23]. Funciona a partir d’una màscara nassal que dissipa una pressió
continuaalaVAS,aconseguintqueaquestanoescol·lapsi,coms’observaalafigura9.
Figura7.ImplementaciódelateràpiaambCPAPcontraSAOSsevers([24])
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
15
4. METODOLOGIA
Enaquestcapítolesfaunadescripciódelmaterialdepartida,iespresentaunplantejamentglobalamb
els passos a realitzar, i les eines a utilitzar. S’ha creat un FrameWork amb la intenció de facilitar la
comprensió de tots els elements que integren aquest projecte. També es descriuen les eines
d’aprenentatgeautomàticnecessàriesperafrontarelsdiferentstipusd’estudi,comsónelCLUSTERINGi
laCLASSIFICACIÓilaREGRESSIÓ.
4.1. Materialinicials
Lesdadesdepartidad’aquestprojectesónunconjuntdecaracterístiquesextretesdel’anàlisiespectral
delagravaciódelsroncsduranttotalaniten51pacientsambsospitadeSAOS.D'aquível’altnivellde
dificultat a l’hora de intentar crear unmodel d’estudi que resulti capaç de detectar la presència de
SAOS.Aquestmaterial,queconstadedosarxius,provéd’unprojectederecercarealitzatalaUPCen
col·laboracióal’HospitalUniversitariGermansTriasiPujol.
Elprimer arxiu conté un sol llistat dels 51 pacients amb informació clínica i de la prova del son de
cadascun. Conté l’índex d’apnea-hipopnea, un valor que serveix per delimitar les fronteres dels
diferentsgrupsdeseveritat,pertaldesepararelspacientsendiferentsclasses.
IDpacient Edat Sexe BMI Nºde
Roncs
AHI HI AI 5classes
77 51 2 28,76 3717 10,1 10,1 0 Lleu73 57 2 31,53 2074 10,6 9,48 1,12 Lleu147 46 1 25,4 1679 10,9 8,41 2,49 Lleu70 69 2 27,47 2641 11,6 7,49 4,11 Lleu58 39 1 26,53 2195 12,1 9,45 2,65 Lleu95 36 1 25,54 1209 14,3 10,4 3,9 Lleu141 54 1 29,8 2113 14,6 13,74 0,86 Lleu33 45 2 30,3 3146 15,1 6,94 8,16 Moderat80 58 1 26,4 1973 17,4 11,94 5,454 Moderat
Taula2.Exempledellistadelspacients
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
16
Elsegonarxiucontéelresultatdelarepresentaciódelessenyalsbioacústiquesenregistratsdurantla
PSGperacadapacient.Apartirdel’anàlisiespectrals’hanobtingutdiferentsparàmetrescaracterístics
delronc,guardatsenundocumentenformat.csv,formatperlessegüentscolumnes:
- numeració,posicióiduraciódecadaronc
- posiciódelpacient(supina,decúbitlateral,decúbitpron)
- intensitatsonoramàximaimitja
- freqüènciadepic,mitja,centralimàxima
- desviacióestàndard
- coeficientsdesimetriaid’aplanament
- ratia800Hzi500Hz
Num.
Esdv.
Posició
Esdv.
Duració
Esdv.
Posició
Pacient
Int.Sonora
Màxima
Int.Sonora
Mitja
Freq.
Mitja
...
0 4544981 5054 3 55.548 46.517 451.220 ...
1 4554743 5678 3 45.246 41.255 490.244 ...
2 5227765 3985 3 46.361 42.083 426.829 ...
3 6108184 7727 3 47.347 41.668 526.829 ...
4 7062421 6953 3 47.877 39.166 541.463 ...
Taula3.Exemplecaracteritzaciódeles8primeresmostresderoncsdelpacientSIG33
De totes aquestes columnes de dades s’han seleccionat les més útils i significatives, aquelles que
permetinrealitzarl’estudiadientiaconseguirdeterminarquantstipusdiferentsderoncspodenexistir
(la numeració i posició del ronc en el temps, per exemple, no aporten informació significativa).
Tractam
ent d
e s
enyals
per l’a
jut a
la d
iagnosi d
e l’a
pnea d
el s
on
17
4.2. Esquem
adetreball:FrameW
ork
Figura8.FrameW
ork
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
18
4.3. Diferentstipusd’estudi
EnelFrameWorkde la figura8esmostrenels tresprocessosoestudisdiferentsquees realitzenen
aquestprojecte(taula4).
Dades Aprenentatge Mètode
Estudi1 Mineriadedades RONCS Nosupervisat WEKA
Estudi2 Assignaciócategories RONCS Supervisat K-MEANS
Estudi3 Classificació PACIENTS Supervisat Algoritmesdeclassificació
Taula4.Tipusd’estudis
Elprimerprocéscorresponaunestudidemineriadedadesde totsels roncs,ons’intentaprediren
quantsgrups“K”diferentsespodensepararelsroncsproduïtsperunindividuduranttotalanit.
El segonprocés aplicaunestudi d’aprenentatgeautomàticno supervisat anomenatCLUSTERING, on
calculapercadapacientquinnombrederoncstédecada“K”gruptrobatenl’estudi1.
Eltercerprocésésunestudid’aprenentatgesupervisatdeCLASSIFICACIÓ,aprofitantelcàlculdel’estudi
anterior,quecreaunmodeld’estudiperatotselspacientquepermetdeterminarlaseveritatdelSAOS.
Pertaldetractarelsdostipusdedadesipoderexecutaraquestsestudis,s’hanecessitatutilitzaruna
plataformadeprogramacióiunademineriadedades.
4.4. Aprenentatgeautomàtic
L'aprenentatge automàtic és un camp de la intel·ligència artificial dedicat al disseny, l'anàlisi i el
desenvolupamentd'algorismesitècniquesperpermetrequelesmàquinestinguincapacitatdeprendre
decisions davant a problemes plantejats. Es tracta de crear programes capaços de generalitzar
comportamentsapartirdelreconeixementdepatronsoclassificació.
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
19
Qualsevol sistemaquees consideri intel·ligenthade tenir l'habilitat d’aprendre, és adir, demillorar
automàticament amb l'experiència. Els programes utilitzats són sistemes d'aprenentatge capaços
d'adquirirconeixementsd'altnivelliestratègiesperlaresoluciódeproblemesmitjançantexemples,de
formaanàlogaacomhofarialamenthumana.
Enaquestsentit,existeixendostipusd’aprenentatgeautomàtic:elsupervisatielnosupervisat[25].
• Aprenentatge supervisat: L’algorisme utilitzat genera una funció que relaciona cadamostra
d’entradaambunvalorconegutidesitjatenlasortida.Enelcasdeproblemesdeclassificació
enstrobemqueelsistemahad'aprendreunafuncióapartird'unsexemplesques'expressenen
termesdel'aplicaciód'unvectoraunconjuntdeclasses.Ésadir,esproporcionaunconjuntde
dades al sistema, que han estat etiquetades de formamanual amb els valors esperats. Les
xarxes neuronals (supervisades) i els arbres de decisió són exemples d'algorismes
d'aprenentatge supervisat. La base de coneixement del sistema està format per exemples
d'etiquetatgesanteriors,fentunaassignaciódecadamostraaunadelescategories.
• Aprenentatgenosupervisat:Aquí l'algorismedisposad'unconjuntd'exemples,perònodela
classe que li correspon. Significa que els exemples no estan etiquetats com passa en el cas
anterior.Enaquestcas,l'algorismehadesercapaçdetrobarpatronssimilarspertaldepoder
etiquetar.Elsalgorismesd’assignaciódecategories(clustering)sónunexempled'aqueststipus
d'aprenentatge.
Pel que fa a l’aprenentatge automàtic supervisat n’existeixen dos tipus: el de classificació i el de
regressió.Ladiferènciaradicaenquèlaregressiótél’objectiudepredirvalorscontinus,coms’observaa
lafigura9,mentrequelaclassificacióintentaassignarunaclasse,ésadir,prediraquinaclassepertany
cadamostraaestudiar(figura10).
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
20
Figura9.Exempleestudiregressió([26])
Eneltercerestudid’aquesttreball,perunabandas’haavaluatlesprestacionsdelsistemadesenvolupat
pera laclassificaciódepacientsendiferentsgrupsoclassesdeseveritat(problemadeclassificació), i
per altra banda per predir el valor de diferents índexs de severitat com pot ser l’IAH (problema de
regressió).
Figura10.Exempleestudiclassificació([26])
Perfinalitzar,tenimelconceptedeclustering,queésons’ajuntenlaideadel’aprenentatgeautomàtici
lamineria dedades.Aquest darrer és el que intenta identificar patronsprèviamentdesconeguts, en
comptesdepartirdepatronsjaconeguts,iposteriormentrealitzarprediccions(classificacióoregressió).
4.5. Clustering
Coms’indicaalFrameWorkde la figura8amb lesgrans regionsdecolors,elprimerpashaestatun
estudideclustering que s’ha realitzat amb l’aplicacióWEKA,parton s’ha identificatquants grupsde
roncsdiferentspodenexistirenl’enregistramentnocturnd’unindividu.Aquestprocés,conegutcoma
R²=0,48377
0,000
100,000
200,000
300,000
400,000
500,000
0,0 20,0 40,0 60,0 80,0 100,0 120,0
ObsSevIAH
0
5
10
15
20
25
30
sa lleu moderat sever
NºPacients
Classesseveritat
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
21
clustering, representa un aprenentatge supervisat. És el pas previ a la utilització dels algoritmes de
classificació.
Uncopsabutenquantsgrupsdiferentsespodensepararelsroncs,lafunciópredict(x)determinaquin
dels clústers existents li pertoca a cada ronc [23]. Aquesta informació s’utilitza posteriorment per
assignar cada pacient que ja té una classe determinada coneguda, crea un model assignant quina
proporcióderoncsdecadagrupgeneracadapacient,explicatalsegüentcapítol.
Amblacreaciód’aquestmodelfinalitzaeltractamentdedades,iésaquíoncomençalapartavaluable
del’estudi:lad’assignaciódecategories,ladeclassificacióiregressió.Apartird’aquestmodeld’estudi
s’analitzendiferentsalgoritmesperdeterminarquind’ellsfuncionamillor,partintdeltipusd’informació
dequèdisposem.Ésadir,s’analitzaquinalgoritmepermetidentificarmillorlaseveritatdelSAOSque
pateixcadaindividuestudiat.
4.6. Assignaciódecategories(AlgoritmeKMEANS)
Uncopsabutenquantsgrupsdiferentsespodienagruparelsroncs,calcrearunmodelenunarxiu,ona
totselsroncsdisponiblesselihaassignatundels“K”possiblesgrupstrobats.
Elmètoded’agrupacióutilitzats’anomenaK-MEANS,itreballarepetintaquestspassossegüents:
1. Esgeneren“K”centroidesaleatòriamentdinsd’unconjuntdemostres.
2. Esgeneren“K”grupsassociant-secadamostra(ronc)aundelscentroides.
3. Elcentroidedecadaundels“K”grupsesrecalcula.
4. Elspassos2i3esrepeteixenfinsques’aconsegueixilaconvergència.
L’algorismeKMeansés,potser,l’algorismedeclusteringnosupervisatmésconegutiutilitzatenmineria
dedades,tantperlasevasenzillaiintuïtivaestructuracomperl’eficiènciaentermestemporalsipels
bonsresultatsqueacostumaadonarennombrososentorns[27].
A part del conjunt d’instàncies rep com a entrada el número de classes que es volen obtenir i
l’increment mínim (que s’utilitza com a llindar d’aturada de l’algorisme). En algunes versions se
substitueixaquestincrementmínimperunnombremàximd’iteracions.
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
22
AlgorismeK-Means:
Entrada: E:Conjuntd’instàncies
K:Enter(Nombredeclasses)
e:Real(Incrementmínim)
P:Conjuntdeprototipsamblescorresponentsinstàncies
Sortida:
1.-Generarkprototipsambkinstànciesescollidesaleatòriament
2.-Assignarelconjuntd’instànciesalprototipmésproper
3.-S1:=Sumadelquadratdelesdistànciesinstància-prototips
4.-fer
5.-Recalcularprototips
6.-Reassignarlesinstànciesalprototipmésproper
7.-S2:=S1
8.-S1:=Sumadelquadratdelesdistànciesinstància-prototips
9.-mentreS1-S2<=e
Taula5.AlgorismeK-Means
L’algoritmedesprésd’haver-lideterminatelvalor“K”dequantgrupsdiferentsexisteixen,treballafent
unbuclerepetintdospassosdeformaiterativafinsatrobardositeracionsambelsmateixosvalorsdels
centroides,confluintquehaarribatalmillorresultat[23].
- Assignació:S’assignacadaobjectealClustermésproper,aplicantalgunamesuradedistància
(comperexempleladistanciaeuclidiana)entrel’objecteielcentroidedelCluster.
- Actualització:Calcula els nous centroides, fent lamitja dels objectes que formen el grup del
Cluster.
4.7. Classificacióiregressió
Finalments’apliquendiferentsalgoritmesdeclassificació,enunestudid’aprenentatgesupervisat,amb
laintenciód’avaluarsielmodelcreatfinsalmomentésútilperal’objectiuplantejat.
Elsdiferentsalgoritmesutilitzatssón[23]:
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
23
• SVM (Suport VectorMachine): Lesmàquines de vectors de suport (SVM) són un conjunt de
mètodes d'aprenentatge supervisats utilitzats per a la detecció de classificació, regressió i
detecció de punts forts, utilitzant unmètoded’hiperplans, com s’observa a la figura 11 i un
subconjunt de punts de formació en la funció de decisió (anomenats vectors de suport) per
aconseguirresultatsmésversàtilsieficaços.
Figura11.Exempled’hiperplansdelSVM([28])
• AdaBoost: és un classificador que comença ajustant un primer estimador en el conjunt de
dadesoriginalidespréss'adaptaacòpiesaddicionalsdelclassificadorenelmateixconjuntde
dades,peròonelspesosdelesinstànciesincorrectamentclassificadess'ajustendemaneraque
elsclassificadorsposteriorssecentrinmésencasosdifícils.
• KNeighbors: útil per amètodes d’aprenentatge no supervisats i supervisats basats en veïns
(KNN).Perl’aprenentatgesupervisatbasatenveïnsespresentaendostipus:
• classificacióperadadesambetiquetesdiscretes
• regressióperadadesambetiquetescontínues.
Elprincipidarreraelsmètodesdelsveïnsmésproperséseldetrobarunnombrepredefinitde
mostresd’entrenamentmésproperesalnoupunt,ipredirl’etiquetad’aquestes.Elnombrede
mostrespotserunaconstantdefinidaperl’usuari,otambépotvariarenfunciódeladensitat
localdelspunts.
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
24
Figura12.Exempled’aplicacióK-neighbors([29])
Ladistànciapotser,engeneral,qualsevolmesuramètrica;ladistànciaeuclidianaestàndardde
lafórmula1ésl’opciómésfreqüent.Elsmètodesbasatsenveïnsesconeixencomamètodes
d’aprenentatgeautomàticnogeneralitzadors,jaquesimplement“recorden”toteslesdadesde
formació.
(1)
• GaussianNB:conjuntd'algorismesd'aprenentatgesupervisats,basatsenl'aplicaciódelteorema
deBayes(basatenprobabilitats).Totiserunmètodemoltràpid,iensuposareldesacoblament
delesdistribucionsdecaracterístiquescondicionalsdeclasse,significaquecadadistribucióes
potestimar independentment comunadistribucióunidimensional, combatentelsproblemes
derivatsdelamaledicciódeladimensionalitat.Enaquestsentittambéésunmalestimador,de
manera que els resultats de probabilitat de predict_proba no s'han de considerar com a
precisos.
• DecissionTree: Els arbres de decisió (DT) són un mètode d'aprenentatge supervisat no
paramètricutilitzatperalaclassificacióilaregressió.L'objectiuéscrearunmodelquepredigui
elvalord'unavariableobjectiumitjançantl'aprenentatgedereglesdedecisiósimplesinferides
a partir de les funcions de dades. L'algoritme bàsic per a la construcció d'arbres de decisió
anomenatID3[30].Construeixunarbrededecisiódedaltabaix,demaneradirecta,sensefer
úsdebacktracking, i basant-seúnicamentenels exemples inicials proporcionats. Per a això,
utilitza el concepte deGuany d'Informació per seleccionar l'atributmés útil en cada pas. En
certamanera,segueixunmètodevoraçperdecidirlapreguntaquemajorguanydónaacada
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
25
pas,ésadir,laqueempermetsepararmillorelsexemplesentresipelquefaalaclassificació
final.
Perpoderaplicarl'algoritmes’hadecomençarsabentcomesmesuraelguanyd'informació,i
peraaixòcalintroduirelconcepted'entropia,formula2,quemesuraelgraud'incertesad'una
mostra.
(2)
• RandomForest::L'algorismeRandomForestésunalgoritmedeclassificaciósupervisada.Com
el seunom indica,aquestalgorismecreablocsambdiversosarbresdedecisióambdiferents
algortismeitècniquesdeprobabilitat.Commésarbresestrobenalbloc,mésrobustés.Dela
mateixa manera, com més gran és la quantitat d'arbres es donaran els resultats amb més
precisió.
Figura13.ExempledeRandomForest([31])
4.7.1. Eina de selecció de paràmetres (Grid Search) Cadaund’aquestsclassificadorsutilitzamoltsparàmetresicadaund’ellspottreballarambunrangde
valorsmoltampli.Comqueesdesconeixaprioriquinéselvaloròptimpercadaparàmetre,icomque
seria molt laboriós provar-los tots, s’ha utilitzat una eina que incorpora la plataforma Python
anomenadaGridSearch[32].Aquestaeinapermetestudiarquinéselvalormésadequatdintreunrang
determinat,peracadaundelsdiferentsparàmetresdel’algoritmedeclassificacióutilitzat.
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
26
Aixídoncs,ambl’ajudad’aquestaeinas’haesbrinatquinvalordecadaparàmetreéselmésadienten
cadascundelsalgoritmesutilitzatsenaquestestudi.
4.8. Einesinformàtiques
Lesdiferentseinesutilitzadesenlacreacióiimplantaciód’aquestprojectesónlessegüents:
4.8.1. WEKA
WEKA[33](WaikatoEnvironmentforKnowledgeAnalysis)ésunprogramadedominipúblicescriten
codi Java que pot utilitzar tothom. S’utilitza per realitzar experiments que permet comparar grans
quantitatsdeconjuntsdedadesdemaneraautomatitzada.
Aquesta plataforma sol treballar amb dos formats d’arxius diferents, l’anomenat .arff acrònim de
Attribute-RelationFileFormat,ielformatques’hautilitzatqueésel.csv(documentdetextseparatper
comesienlaprimerafilaestrobenelsatributs).Enaquestprojectes’utilitzendocumentsenformat.csv
quecontenenelconjuntdecaracterístiquesquantificadesperacadaroncenregistratdecadapacient.
Com es pot observar a la figura 14 els dos formats de treball que ofereix són el Explorer i el
Experimenter.
Figura14.PortaldelWEKA([22])
ElmodeExploreréselmésusatielmésdescriptiu.Laprimerapestanya,ladePreprocess,italcomes
potobservara la figura15, serveixpervisualitzarenun inici lesmostres, iperaplicardiferents tipus
d’algoritmesaunconjuntdedades,oninicialmentselifaunprocéspervisualitzarelsconjuntsdedades
amb una possible aplicació d’alguns filtres, si interessés (tot i que no ha estat el cas). En les altres
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
27
pestanyespodemclassificar-losambl’aplicaciód’algoritmesdeclassificació i regressió,agrupar-losen
grups amb l’aplicació deClauster, Associació, Selecció d’atributs, i realitzar una visualització final de
toteslesdadesperparellesd’atributs.
Figura15.PortaldelExplorerdelWEKA([22])
El Experimenter serveix per aplicar diferents algoritmes d’aprenentatge automàtic sobre diferents
conjuntdedadesideterminardemaneraestadísticaquind’ellsescomportamillor.Ésadir,aquestens
diràsi lesdiferènciesaparentsenpercentatgesd’encertsdediferentsalgoritmessónestadísticament
significatius,osóndegutsal’atzar.
Figura16.PortaldelExperimentdelWEKA([22])
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
28
Comespotobservaralafigura16,lesfasesd’úsdel’ExperimentersónSetup(configurar),Run(ejecutar)
iAnalyse(anàlisiestadística).
El procedimentpel seuúsésel següent:primerde totes configura l’experiment,decidint si seràde
classificacióoderegressió,especificarlaitinerànciadecontrolieltipusd’algoritmequevolemaplicar.
Seguidament, es carrega l’experiment a la pestanya deRun amb el botó deStart. Per últim, amb la
pestanyad'Analyseespotrealitzarl’anàlisiestadística.
Enaquestprojecteestreballaamblapartd’Explorer,concretamentalapestanyadeClustering.Ihohe
fetperrealitzarunaestudid’agrupament,perdeterminarquantsconjuntsderoncsdiferentselspodria
diferenciar.
4.8.2. PYTHON
Pythonésunllenguatgedeprogramacióinterpretat,funcional,orientataobjectesiinteractiu.Neixamb
la intenció de crear una plataforma de programació més visual i fàcil de programar. Python té la
poderosa capacitat de comptar amb una sintaxi molt neta i clara, és a dir, altament llegible i
comprensibleperal'ésserhumà.Comptaambmòduls,classes,excepcions,tipusdedadesdemoltalt
nivell així com tipus dinàmics. Hi interfases per fer crides al sistema i llibreries, així com diversos
sistemes de finestres. Per aquest tipus d’estudi ha estat necessari la instal·lació de dues llibreries
específiques,laNumpyilaScipy[23].
EnelmeutreballhasigutimprescindibleelPythonperdosmotius:
• Crear diferents codis deprogramació formatPythonper tractar imodificar la granquantitat
d’arxiusdemostres,comésperaconseguirunsoldocumentambtotes lesdadesdetotsels
roncsdetotselspacientestudiats,peralarealitzaciódel’estudideclusteringambelWEKA.
• Capacitatd’executarelsdiferentsalgoritmesdeclassificacióiregressió
Aquests arxius de programació codi Python s’anomenen Pas0.py, Pas1.py, Pas2.py i Pas3.py, i estan
adjuntatsal’annexB.
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
29
5. ExperimentsEn aquest capítol s’expliquen els diferents formats que han pres cada un del tres estudis que s’han
desenvolupat.Ambaqueststresestudis(taula4)espreténavaluarelssegüentspunts:
- Estudiariverificarlavalidesadelesdades(pre-tractament).
- DeterminarambelWEKAquantsgrupsKdiferentsderoncsexisteixen.
- Crearunmodeld’estudiperaKgrups.PosteriormentperaK+1grupsiK-1grupsperalstres
modelscreatsferunestudideregressióiclassificaciósegonselsdiferentsíndexs(AHI,HIiAI)
separantelspacientsen5,4,3o2classesdeseveritatdiferents.
- Repetirl’estudideclassificaciódelspacientsordenatsperunnouíndexSeveritatObstrucció.
- DecidirquinalgoritmeésmésviableperidentificarlaseveritatdelSAOS.
L’objectiudefonsésveuresiéspossiblerealitzaraquestaidentificacióapartirúnicamentdel'anàlisidel
ronc. Iencasafirmatiu, saberquinalgoritme iquinacombinaciód’eines iparàmetres serienelsmés
adients.
A l’esquema de la figura 17 es poden observar les diferents parts de l’estudi, i com aquestes es
relacionenentresi.
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
30
Figura17.Esquemadelsestudisplantejats
Enprimerllocesmostraranelsresultatsdelapartdel’estudi1declusteringmarcatencolorverdala
figura17perdeterminar,mitjançantlaplataformademineriadedadesWEKA,elnombredegrupsde
roncsòptimperarealitzarelsestudisposteriors.
5.1. Estudi1
Perarealitzarl’estudideclustering,s’hanecessitatcreardosarxius:
• l’entrenamentformatpelsroncsdel66%delspacients.
• eldetestformatpelsroncsdel33%delspacientsrestants.
Hacalgutassegurar-sequeperacadaund’aquestdosarxiushihaguessinpacientsdecadaclassede
severitatenelmomentderealitzarelclustering,pertalqueelWEKApugui identificarcadaclassede
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
31
l’entrenament ipoderrelacionar-laambalgunadel test.Ésadir,quehihaviael riscquesies fesun
repartiment totalmentaleatori totunconjuntdepacientsd’ungrupde severitat (compodria serels
lleus) es trobessin totsdinsde l'arxiu testodinsde l’arxiuentrenament, i que llavors fos impossible
associarunamostradel’arxiutestambundel’entrenament,jaquenohihauriacappresènciad'algun
d’ells.Coms’observaalcodiPas0.pyenl’annexB,perassegurar-nosdoncsqueenaquestrepartiment
nopassesaixò,esvare-programarelcodiafegint-hiaquestamillora.Totperassegurarque,totiferel
repartimentaleatori,mantingueslapresènciad’unapartdecadagruptantenl’arxiuentrenamentcom
eneltest.
Coms’observaalafigura18,s’hafetseparanttotselspacientsencincgrupsdeseveritatssegonsl’índex
AHI(sa,lleu,moderat,sever,moltsever).D’aquestamanera,s’haaconseguitquedecadaseveritates
repartissinaleatòriamentunaporciócapaentrenament iunaaltracapal test, jaquesi s’hagués fet
únicamentenduesclasses,depenentd’onestrobéslafronterallavorsapossiblespacientsmalaltsse’ls
hauriacontemplatcomasans.
Figura18.Reparticiódepacientsperlacreaciód’arxiusd’estudipermantenirlapresenciadetoteslesclasses
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
32
Coms’observaalataula6,S’harealitzataquestestudipera33grupsd’entrenamentitestdiferents,i
s’haarribataconclourequeelnombredeclústersenqueespodenagruparelroncs,enmitjana,és8.
Nºentreno 1 2 3 4 5 6 7 ... 29 30 31 32 33 Mitjana
Nºclusters 8 6 8 9 11 7 9 ... 7 8 8 10 8 7,9
Taula6.ResultatsestudimineriadedadesWEKA
5.2. Estudi2
Un cop obtingut un valor de referencia per agrupar els roncs dels pacients en grups, s’ha aplicat el
mètode d’agrupació k-means, indicant els “K” grups trobats. Com es pot observar a la taula 5, s’ha
obtingutunvalororientatiude8grups.Comqueaaquestvalornoespotconsiderarprecís,nonomés
s’hacreatunsolmodelk-meansde8grups,sinóquetambés’hanestudiatmodelsamb7iamb9grups.
Aquest estudi el que ha generat és unmodel segons el valor “K” d’entrada. Per a cada pacient, ha
calculatquantesmostres(roncs)pertanyienacadagrup,creantunnoumodelambfentunadistribució
decadagrupderoncs,talcoms’observaalataula7.
K=8
IAH Grup 1
(%)
Grup 2
(%)
Grup3
(%)
Grup4
(%)
Grup
5(%)
Grup6
(%)
Grup7
(%)
Grup8
(%)
Pacient1 Sa 15 17 21 9 17 11 7 3
Pacient2 Lleu 9 11 22 19 15 18 3 2
Pacient3 Sever 3 7 21 10 22 15 20 11
Pacient4 Sever 4 3 12 16 17 20 18 10
Taula7.Taulaexempledemodelgeneratperl’algorismed’agrupamentK-Means
5.3. Estudi3
Ladarrerapartcorresponal’aplicacióil’estudidelesprestacionsdediferentsalgoritmesdeclassificació
iregressió.Enaquestas’hanutilitzattresíndexsdiferents(IAH,IA,IH),iperacadaíndexdeseveritat,
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
33
s’hafraccionatelspacientsen5,4,3i2classesdeseveritatdeSAOS,creant36arxiusdiferentsaavaluar
ambunacombinaciódeformatdiferentsdecadaunacoms’observaalafigura19.
Figura19.Esquemadel'estudi3
Com que cada algoritme de classificació pot treballar amb un rang de valors diferent per a cada
paràmetre,elsalgoritmess’hanaplicatconjuntamentamb l’einadetriatgeGirdSearch (comentadaal
capítolanterior)amblaquans’escullelvaloròptimperacadaparàmetreutilitzat.
Peracadatipusdecombinació,teninttambéencompteelstresmodelsdiferentsdek-means,hacalgut
crearunarxiunouperaavaluar.Ésadir,peralmodelk-meansde8grupsderoncs,isegonsl’índexIAH,
surtenunarxiufinalde5severitatsdiferents,unaltrede4,etc.
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
34
Pelmodelk-meansde7grupss’hadecreardoncs4arxiusméspera5,4,3i2classesunaltrecop,ipel
modelk-meansde9grupstambéigual.S’harepetitelprocésperalsaltrestresíndexsdeseveritat,iper
alsdiferentsmodels,produintuntotalde36arxius,fruitdelespossiblescombinacionsaestudiar.
Actualment els especialistes utilitzenmajoritàriament l’índex apnea i hipopnea (IAH), que implica la
sumad’apnees i hipo-apneesper horade son, separant els resultats en tres classesde severitat, on
actualmentelsespecialistesconsiderenpreocupantapartird’unvalord’IAHsuperiora30(taula8)[1].
IAH
Sa <5
Lleu 5-14,9
Moderat 15-29,9
Sever >30
Taula8.Índexapnea-hipopneaenadults
Lesclassesquedenseparadessegonsl’índexIAHcoms’observaalataula9.
IAH
Sa Lleu Moderat Sever Moltsever2classes IAH<30 >30
3classes IAH<5 5<30 >30
4classes IAH<15 15<30 30<60 >60
5classes IAH<5 5<15 15<30 30<60 >60
Taula9.Fronteresalgeneraelsgrupsdeclasses
5.4. Interpretacióresultatsdel’estudi3
LaconsolaPythonperacadaestudiretorna,conjuntamentambelmodeldeparàmetresòptimqueha
escollitentretotselspossibles,tambéunesmesuresdebondat,enformadevalorsdeclassificacióiuns
altresderegressió(menysperl’algoritmeGaussianNaïveBayes,quenoméséscapaçderetornarelsde
classificació).
Acontinuaciós’explicaenquèconsisteixencadaundelsconceptesavaluablesques’hanobtingut,així
comquinhauriadeserelvaloròptimperapoderconcloure,finalment,quinalgoritmetreballamillor
(figura9).
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
35
SVM AdaBoost K-Neighbors GaussianNB DecissionTree
RandomForest
Modelde
classificació
{'C':
0.001,
'kernel':
'linear'}
{'n_estim
ators':
100}
{'n_neighbors':
7,'weights':
'distance'}
{'criterion':
'gini'}
Acc: 0.39 0.56 0.5 0.39 0.39 0.39
Matriude
confusió:
[0201
0]
[1110
0]
[2040
0]
[0001
0]
[1111
1]
[[0001
2]
[01002]
[01401]
[01000]
[0000
5]]
[[10002]
[00102]
[00501]
[00010]
[00302]]
[[00102]
[10002]
[11400]
[01000]
[11003]]
[[02010]
[11001]
[02400]
[00010]
[20201]]
[[00012]
[10002]
[00501]
[00010]
[10301]]
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
36
Classificació:
- Exactitud:éselgraud’acostamentdemesurad’unaquantitatalvalorrealoveritable.Aquest
paràmetres’avaluaentantpercent,cercant,evidentment,acostar-seal100%.
- Matriu de confusió: és una eina de visualització que s'utilitza en l’aprenentatge supervisat.
Cadacolumnade lamatriu representaelnombredeprediccionsdecadaclasse,mentreque
cadafilarepresentalesinstànciesenlaclassereal.Undelsbeneficisdelesmatriusdeconfusió
ésquefacilitenveuresielsistemaestàconfonentduesclasses,tal com s’observa a la figura
20.
Figura20.Exempledematriudeconfusió([23])
Regressió:
Modelde
regressió:
{'C':10,
'kernel':
'linear'}
{'n
estimator
s':25}
{'nneighbors':
3,'weights':
'distance'}
{'criterion':
'mse'}
R2: 0.204 0.602 0.083 0.348 0.624
Mse: 912.061 301.533 694.026 1020.624 284.420
Taula10.Exempledetauladeresultatsperal’índexIAHformatper5grupsdeseveritat
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
37
- Valorrquadrat:tambéesconeixcomelcoeficientdedeterminació,iésunnumeroentre0i1
que revela en quinamesura els valors estimats per línia de tendència correspon a les seves
dadesreals.Unalíniadetendènciaésmésfiablequanelseuvalorrquadratésapropde1.
Elvalorrquadratmultiplicatper100s’anomenacoeficientdedeterminacióis’interpretacom
elpercentatgedevariabilitatqueexplicaelmodel.
- Errorquadràticmig(mse):mesuraladiferènciaentrel’estimadorielques’estimaatravésdela
mitjana d’errors al quadrat. La diferència es produeix a causa de l’aleatorietat, o perquè
l’estimadornotéencomptelainformacióquepodriaproduirunaestimaciómésprecisa.Alser
unamitjanad’errors,comméselevatsiguielvalormésquantitatd’errorcomportarà.
5.5. Iteracionsdel’estudi3:classificació
S’hacreatunaiteraciód’estudiperacadapossiblecombinaciódiferentsomilloradel’estudi,amesura
queanavaavançantelprojecte.
Iteració1:
Elprimerexperimentesvaexecutarsensetenirpresentelproblemaquehecomentatanteriorment
pelquefaa lacreaciódelsarxius inicialsd’entrenamentitest.Enaquestcas,quanlareparticióés
totalment aleatòria hi ha la possibilitat de que totes les mostres d'un cert grau de severitat no
quedin repartides unaporció en l’entrenament i una altre en el test, fent llavors que a l'horadel
clusteringlaplataformainformàticanopuguiidentificarelspacientsdelamateixaclasse.
Aquestaiteraciónoméss’haestudiatperal’índexIAH.
Iteració2:
Acontinuacióesvare-escriureelcodipersolucionaraquestproblema,pertalquelareparticióenels
dosarxiusfoslaidònia,assegurantaixílapresenciaenelsdosarxiusdecadaundelsdiferentsnivellsde
lesmostres. Primeres va aplicar el nou codi de repartició en tresnivells diferentsde severitat (lleu-
moderat-sever), i després es va repetir però en cinc nivells (sa-lleu-moderat-sever-molt sever).
D’aquestamanera,s’asseguraquelesmostresdecadaundelscincnivellsquedinrepartidesencadaun
delsarxiusd’entrenamentitest.
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
38
Iteració3:
En aquesta iteració es realitza l'estudi per un índex de severitat anomenat “Obs.Sev” proposat
recentmenta la literatura,quenonoméscomptabilitzaelnombred’apnees ihipopnees, sinóque
tambétéencompteladuradailaseveritatdecadascunad’ellesatravésdeladessaturaciód’oxigen
[35].
Figura21.Fluxd’aire,saturaciód’oxigenensang(SpO2),movimentdel’abdomen([35])
Amb dades exportades de l’anàlisi de PSG, observades a la figura 21, el paràmetre de gravetat
d'obstrucció que es compon de la suma dels productes d'apnea i duració i hipopnea àrees de
dessaturaciórelacionadesnormalitzadesambel totalanalitzat temps, talcomespotobservara la
formula3[35].
(3)
Aquestconceptesquedend’escritsalataula11:
ApDurn Duradad'unesdevenimentd'apneaindividualensegons.
HypDurn Duradad'unesdevenimentd'hipopneaindividualenssegons.
DesArea Àread’unadessaturació.Espotobservaralafigura21.
IndexTime Duraciódeltempsanalitzatensegons.
L Nombred’esdevenimentsanalitzats.
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
39
Taula11.Conceptesformula4
Comquenoexisteixenestudissobreaquestíndex,escreenelsgrupsdemostresamblesfronteres
delataula12.
Lleu Sever Moltsever2classes 50% 50%
2classes 66% 33%
2classes 33% 66%
3classes 33% 33% 33%Taula12.Reparticiódelspacientsenclasses
Iteració4:
Aquestaésunarepeticiódelaiteració2peròamblavariacióenelvalordelesfronteresalformarles
classesdeseveritat,coms’observaalataula13.
Sa Lleu Moderat Sever2classes IAH<20 IAH>20
3classes IAH<20 20<IAH<40 IAH>40
4classes IAH<5 5<IAH<20 20<IAH<40 IAH>40Taula13.Reparticiódelspacientsenclasses
Iteració5:
Aquestaésunarepeticiódelaiteració2peròambnomésamblavariacióenelvalordelafronteraala
separacióendosclassescol·locant-laa40,coms’observaalafigura14.
Sa Sever2classes IAH<40 >40
Taula14.Reparticiódelspacientsenclasses
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
40
6. AnàlisisderesultatsEn aquest capítol s’exposen els resultats aconseguits en les diferent iteracions que ha anat prenent
l’estudi 3 en anar avançant en el desenvolupament del projecte i en necessitar millorar, ajustar o
estudiarcertesparts.
De la gran quantitat de dades de resultat que surten per a cada iteració d’estudi, esmostra només
l’algoritmedeclassificacióiregressióméssignificatiuperacadacombinacióestudiada.
Es pot donar que el millor resultat per la regressió i la classificació no es produeixi en el mateix
algoritme. Per això esmostra en primer lloc elsmillors resultats en els algoritmes de classificació i,
després,enelsderegressió,avaluant-lossegonslesmesuresdebondatdefinidesalcapítolanterior.
Iteració1:
Classificació:
Talcoms’observaalataula15,perunmodelcreatdeterminant8grupsdiferentsderoncs,separatsels
pacientsentresclassesdeseveritatsegonsl’índexd’apnea-hipopnea(IAH),l’algoritmedeclassificació
quemillorsresultatsharetornatésl’Adaboost.ElGridSearchhaseleccionatunmodelambunnúmero
de5estimadorsaconseguintunaexactituddel0,5.Lamatriudeconfusiónoésgairebonaperquèun
20%defalsospositius,diagnosticantpacientsmalaltscomasans.
8clusters,3classes,AHI AdaBoost
ModelClassificació: {'n_estimators':5}
Acc: 0.5
MatriuConfusió: [122]
[141]
[034]Taula15.Tauladeresultats
Talcoms’observaalataula16,perunmodelcreatdeterminant8grupsdiferentsderoncs,separatsels
pacientsen2classesdeseveritatsegonsl’índexd’apnea-hipopnea(IAH),l’algoritmedeclassificacióque
millors resultats ha retornat és el Decission Tree. ElGrid Search ha seleccionat un criteri “gini” per
aquestmodel,aconseguintunaexactituddel0,72.Lamatriudeconfusióindicaquegeneraun20%de
falsospositius,detectantpacientsmalaltscomasans.
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
41
Talcoms’observaalataula17,perunmodelcreatdeterminant7grupsdiferentsderoncs,separatsels
pacientsen2severitatdeseveritatsegons l’índexd’apnea-hipopnea(IAH), l’algoritmedeclassificació
quemillorsresultatsharetornatéselRandomForst.Senselanecessitatd’usarelGridSearchenaquest
algoritme,s’aconsegueixunaexactituddel0,78.Lamatriudeconfusióindicaquenomésgeneraun5%
de falsos positius, detectant pacients
malaltscomasans.
Talcoms’observaalataula18,perunmodelcreatdeterminant9grupsdiferentsderoncs,separatsels
pacientsen2classesdeseveritatsegonsl’índexd’apnea-hipopnea(IAH),l’algoritmedeclassificacióque
millors resultats ha retornat és el Decission Tree. ElGrid Search ha seleccionat un criteri “gini” per
aquestmodel,aconseguintunaexactituddel0,72.Lamatriudeconfusióindicaquegeneraun20%de
falsospositius,detectantpacientsmalaltscomasans.
Taula18.Tauladeresultats
8clusters,2classes,AHI DecissionTree
ModelClassificació: {'criterion':'gini'}
Acc: 0.72
MatriudeConfusió: [61]
[47]
Taula16.Tauladeresultats
7clusters,2classes,AHI RandomForest
Acc: 0.78
MatriuConfusió: [43]
[110]
Taula17.Tauladeresultats
9clusters,2classes,AHI DecissionTree
ModelClassificació: {'criterion':'gini'}
Acc: 0.72
MatriuConfusió: [61]
[47]
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
42
Regressió:
Talcoms’observaalataula19,perunmodelcreatdeterminant9grupsdiferentsderoncs,separats
els pacients en 2 severitat de severitat segons l’índex d’apnea-hipopnea (IAH), l’algortime de
regressióquemillorsresultatsharetornatasigutelSVMambunmodelescollitpelGridSearchde
C=100,coeficientgammade0,0001ielcoeficientkernelel“rbf”.Elvalorrquadràticesnegatiupel
comportamentnolinealdelaregressióis’acostabastanta0.L’errorquadràticmigésdelsmenors
Talcoms’observaalataula20,perunmodelcreatdeterminant8grupsdiferentsderoncs,separats
elspacientsen4classedeseveritatsegonsl’índexd’apnea-hipopnea(IAH),l’algortimederegressió
que millors resultats ha retornat a sigut el Random Forest. El valor r quadràtic es negatiu pel
comportamentdelaregressióis’acostabastanta0.L’errorquadràticmignoésmoltelevat.
Talcoms’observaalataula21,perunmodelcreatdeterminant7grupsdiferentsderoncs,separats
elspacientsen4grupsdeseveritatsegonsl’índexd’apnea-hipopnea(IAH),l’algortimederegressió
quemillorsresultatsharetornatasigutelDecissionTreeambunmodelescollitpelGridSearchel
criteri “mse”.El valor rquadràticesnegatiupel comportamentno linealde la regressió i s’acosta
bastanta1.L’errorquadràticmigésmoltalt.
8clusters,5classes,AHI SVM
ModelRegressió: {'C': 100, 'gamma':
0.0001,'kernel':'rbf'}
Valorrquadràtic: -0.056
Errorquadràticmig: 784.290
Taula19.Tauladeresultats
8clusters,4classes,AHI RandomForest
Valorrquadràtic: 0.001
Errorquadràticmig: 741.809
Taula20.Tauladeresultats
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
43
Talcoms’observaalataula22,perunmodelcreatdeterminant7grupsdiferentsderoncs,separats
elspacientsen3grupsdeseveritatsegonsl’índexd’apnea-hipopnea(IAH),l’algortimederegressió
quemillorsresultatsharetornatasigutelAdaBoostambunnombred’estimadorsescollitpelGrid
Searchde10.El valor rquadràticesnegatiupel comportamentno linealde la regressió i s’acosta
bastanta1.L’errorquadràticmigésmoltalt.
Talcoms’observaalataula23,perunmodelcreatdeterminant7grupsdiferentsderoncs,separats
elspacientsen2grupsdeseveritatsegonsl’índexd’apnea-hipopnea(IAH),l’algorismederegressió
quemillorsresultatsharetornatasigutelAdaBoostambunnombred’estimadorsescollitpelGrid
Search de 5 i el Decission Tree amb un criteri “mse”. El valor r quadràtic es negatiu pel
comportamentnolinealdelaregressióis’acostenbastanta1.L’errorquadràticmigésmoltalt.
7clusters,4classes,AHI DecissionTree
ModelRegressió: Model: {'criterion':
'mse'}
Valorrquadràtic: -0.997
Errorquadràticmig: 1482.998
Taula21.Tauladeresultats
7clusters,3classes,AHI AdaBoost
ModelRegressió: Model: {'n_estimators':
10}
Valorrquadràtic: -0.944
Errorquadràticmig: 1443.866
Taula22.Tauladeresultats
7clusters,2classes,AHI DecissionTree AdaBoost
ModelRegressió: {'criterion':'mse'} {'n_estimators':5}
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
44
Iteració2:
Classificaciósegonsl’índexAHI:
Talcoms’observaalataula24,perunmodelcreatdeterminant8grupsdiferentsderoncs,separats
els pacients en 5 grups de severitat segons l’índex d’apnea-hipopnea (IAH), l’algoritme de
classificacióquemillorsresultatsharetornatés l’Adaboost.ElGridSearchhaseleccionatunmodel
amb un número de 100 estimadors aconseguint una exactitud del 0,56. Lamatriu de confusió es
proubonaperelgrannumerodeclassesjaquenomésun10%defalsospositius,detectantpacients
malaltscomasans.
8clusters,5classes,AHI AdaBoost
ModelClassificació: {'n_estimators':100}
Acc: 0.56
MatriuConfusió: [00012]
[01002]
[01401]
[01000]
[00005]Taula24.Tauladeresultats
Talcoms’observaalataula25,perunmodelcreatdeterminant8grupsdiferentsderoncs,separatsels
pacientsen3grupsdeseveritatsegons l’índexd’apnea-hipopnea(IAH),elsalgoritmesdeclassificació
quemillorsresultatsharetornatéselSVMielRandomForest.ElGridSearchhaseleccionatunmodel
ambunaCde0,001,l’estimadorgammade0,1il’estimadorkernel“rbf”aconseguintunaexactituddel
0,61i0,67respectivament.LamatriudeconfusiónoesbonajaqueambelSVMelsdetectaatotscom
malats.
8clusters,3classes,AHI SVM RandomForest
Valorrquadràtic: -0.963 -0.970
Errorquadràticmig: 1457.675 1463.202
Taula23.Tauladeresultats
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
45
ModelClassificació: {'C':0.001,'gamma':0.1,
'kernel':'rbf'}
Acc: 0.61 0.67
MatriuConfusió: [003]
[004]
[0011]
[021]
[022]
[0110]Taula25.Tauladeresultats
Talcoms’observaalataula26,perunmodelcreatdeterminant8grupsdiferentsderoncs,separatsels
pacientsen3grupsdeseveritatsegonsl’índexd’apnea-hipopnea(IAH),l’algortimequemillortreballa
éselK-Neighborsquedonaunaexactituddel89%inomesambun5%defalspositiu.
8clusters,2classes,AHI SVM RandomForest KNeighbors
ModelClassificació: {'C':0.001,'gamma':
0.1,'kernel':'rbf'}
{'n_neighbors':1,
'weights':'uniform'}
Acc: 0.89 0.89 0.89
MatriuConfusió: [02]
[016]
[02]
[016]
[11]
[115]Taula26.Tauladeresultats
Talcoms’observaalataula27,perunmodelcreatdeterminant9grupsdiferentsderoncs,separats
els pacients en 5 grups de severitat segons l’índex d’apnea-hipopnea (IAH), l’algoritme de
classificacióquemillorsresultatsharetornatésl’Adaboost.ElGridSearchhaseleccionatunmodel
amb un número de 100 estimadors aconseguint una exactitud del 0,56. Lamatriu de confusió es
proubonaperelgrannumerodeclassesjaquenomésun10%defalsospositius,detectantpacients
malaltscomasans.
9clusters,5classes,AHI AdaBoost
ModelClassificació: {'n_estimators':5}
Acc: 0.56
MatriuConfusió: [01002]
[01002]
[01401]
[00010]
[00014]
Taula27.Tauladeresultats
Talcoms’observaalataula28,perunmodelcreatdeterminant9grupsdiferentsderoncs,separats
els pacients en 2 grups de severitat segons l’índex d’apnea-hipopnea (IAH), l’algoritmequemillor
treballaéselAdaBoostquedonaunaexactituddel94%iambcapfalspositiu.
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
46
9clusters,2classes,AHI AdaBoost
Acc: 0.94
MatriuConfusió: [11]
[016]Taula28.Tauladeresultats
Classificacióperal’índexHI:
Unmodelcreatdeterminant8grupsdiferentsderoncs,separatselspacientsen2grupsdeseveritat
segonsl’índexd’apnea-hipopnea(HI),elsalgoritmesdeclassificacióquemillorsresultatsharetornat
ésK-Neighbors i el Random Forest. ElGrid Search ha seleccionat unmodel amb un número de 1
d’estimadors vehí i un es uniforme, aconseguint una exactitud del 0,89. Lamatriu de confusió es
proubonaperelgrannumerodeclasses jaquenomésun5%defalsospositius,pelK-Neighbors i
queelsdetectaatotscomamalaltsalRandomForest(taula29).
8clusters,2classesHI KNeighbors RandomForest
ModelClassificació: {'n_neighbors': 1,
'weights':'uniform'}
Acc: 0.89 0.89
MatriuConfusió: [11]
[115]
[02]
[016]Taula29.Tauladeresultats
Unmodelcreatdeterminant9grupsdiferentsderoncs,separatselspacientsen3grupsdeseveritat
segonsl’índexd’apnea-hipopnea(HI),elsalgoritmesdeclassificacióquemillorsresultatsharetornatés
SVM. El Grid Search ha seleccionat un model amb un número de 0,001 per C, 0,1 per “gamma”,
aconseguintunaexactituddel0,61.Lamatriudeconfusiónoésbona,elsdetectatotscomamalalts
(taula30).
9clusters,3classesHI SVM
ModelClassificació: {'C':0.001,'gamma':0.1,
'kernel':'rbf'}
Acc: 0.61
MatriuConfusió: [003]
[004]
[0011]Taula30.Tauladeresultats
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
47
Unmodelcreatdeterminant7grupsdiferentsderoncs,separatselspacientsen3grupsdeseveritat
segons l’índexhipopnea (HI), els algoritmesde classificacióquemillors resultats ha retornat ésK-
Neighbors i el Random Forest. El Grid Search ha seleccionat un model amb un número de 11
estimadors vehí i un es uniforme, aconseguint una exactitud del 0,62 i 0,73 respectivament. La
matriu de confusió es prou bona per el gran numero de classes ja que només un 5% de falsos
positiuspelRandomForest,mentreelK-Neighborselsdetectaatotscomamalalts(taula31).
7clusters,3classesHI KNeighbors RandomForest
ModelClassificació: {'n_neighbors': 11,
'weights':'uniform'}
Acc: 0.62 0.73
MatriuConfusió: [003]
[004]
[0011]
[201]
[013]
[0110]Taula31.Tauladeresultats
Regressió:
Per unmodel creat determinant 9 grups diferents de roncs, separats els pacients en 5 grups de
severitat segons l’índex d’apnea-hipopnea (IAH), l’algorsime de regressió quemillors resultats ha
retornatasigutelK-Neighborsambunnombred’estimadorsescollitpelGridSearchde3veïns.El
valorrquadràticesnegatiupelcomportamentnolinealdelaregressióis’acostenmolta0.L’error
quadràticmigésmoltalt(taula32).
9clusters,5classes,AHI
KNeighbors
ModelRegressió: {'n_neighbors':3,
'weights':'distance'}
Valorrquadràtic: -0.001
Errorquadràticmig: 758.163
Taula32.Tauladeresultats
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
48
Per unmodel creat determinant 7 grups diferents de roncs, separats els pacients en 4 grups de
severitat segons l’índex d’apnea-hipopnea (IAH), l’algortime de regressió quemillors resultats ha
retornat a sigutelAdaBoost ambunnombred’estimadorsescollit pelGrid Searchde5. El valor r
quadràtic es negatiu pel comportament no lineal de la regressió i s’acosten molt a 0. L’error
quadràticmignoésmoltalt(taula33).
Per unmodel creat determinant 9 grups diferents de roncs, separats els pacients en 3 grups de
severitat segons l’índex d’apnea-hipopnea (IH), l’algorisme de regressió que millors resultats ha
retornatasigutelAdaBoostambunnombred’estimadorsescollitpelGridSearchde10.Elvalorr
quadràtic es negatiu pel comportament no lineal de la regressió i s’acosten molt a 0. L’error
quadràticmigésdelsméspetits(taula34).
Per unmodel creat determinant 9 grups diferents de roncs, separats els pacients en 3 grups de
severitat segons l’índex d’apnea-hipopnea (IA), l’algorisme de regressió que millors resultats ha
7clusters,4classes,AHI AdaBoost
ModelRegressió: {'n_estimators':5}
Valorrquadràtic: -0.005
Errorquadràticmig: 878.999
Taula33.Tauladeresultats
9clusters,3classes,HI AdaBoost
ModelRegressió: {'n_estimators':10}
Valorrquadràtic: -0.003
Errorquadràticmig: 203.375
Taula34.Tauladeresultats
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
49
retornatasigutelRandomForest.Elvalorrquadràtics’acostamolta0.L’errorquadràticmigésdels
méspetits(taula35).
Iteració3:
2classesambfronteraal50%:
Comobservemalataula36,pera2classesseparadesperunllindaral50%l’algoritmequetreballa
millor és el SVM on l’eina GridSearch ha seleccionat un model de classificació amb els criteris
“criterion”igini”ambunaexactituddel72%.
Per la regressió, tot i no ser bons resultats com s’observa ala taula 37, elmodel quemillor s’ha
ajustatésl’Adaboostambunnúmerod’estimadorsde25.
9clusters,3classes,AI RandomForest
Valorrquadràtic: 0.004
Errorquadràticmig: 203.608
Taula35.Tauladeresultats
Algorisme: DecissionTree
ModelClassificació: {'criterion':'gini'}
Acc: 0.72
MatriuConfusió: [70]
[56]
Taula36.Tauladeresultats
Algorisme: AdaBoost
ModelRegressió: {'n_estimators':25}
Valorrquadràtic: 0.206
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
50
2classesambfronteraal33%:
Ajustant la separaciódeclassesenuna fronteraa33%elsdosalgoritmesque treballenmillor sónel
SVMielRandomForestcoms’observaalataula38.ElSVMelsdetectaatotscomaseversielRandom
Forestdosdelsseverselsdetectacomasans.
Per la regressió, tot i no ser bons resultats com s’observa ala taula 39, elmodel quemillor s’ha
ajustatésl’Adaboostambunnúmerod’estimadorsde25.
2classesambfronteraal66%:
Ajustant la separaciódeclassesenuna fronteraa66%elsdosalgoritmesque treballenmillor sónel
SVMcoms’observaalataula40.Ambunaaltaexactitudperònotreballabéjaqueelserrorselsdetecta
moltspacientscomafalsospositius.
Errorquadràticmig: 1435.287
Taula37.Tauladeresultats
Algorisme: SVM RandomForest
ModelClassificació: {'C':0.001,'gamma':0.1,'kernel':'rbf'}
Acc: 0.67 0.67
MatriuConfusió: [06]
[012]
[24]
[210]
Taula38.Tauladeresultats
Algorisme: AdaBoost
ModelRegressió: {'n_estimators':10}
Valorrquadràtic: -0.046
Errorquadràticmig: 1890.447
Taula39.Tauladeresultats
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
51
Per la regressió, tot i no ser bons resultats com s’observa ala taula 41, elmodel quemillor s’ha
ajustatéselDecissionTree,ambuncriteriescollit“mse”.
3classesambfronteraal33-66%:
De la iteració amb dos fronteres al 33 i 66% creant tres grups de severitat, cap algorisme ha donat
resultatsconsiderablesapartdelRandomForest,talcoms’observaalataula42.
Per la regressió, tot i no ser bons resultats com s’observa ala taula 43, elmodel quemillor s’ha
ajustatéselAdaBoost,ambunnombred’estimadorsescollitde5.
Algoritme: SVM
ModelClassificació: {'C':0.001,'degree':2,
'kernel':'poly'}
Acc: 0.78
MatriuConfusió: [120]
[42]
Taula40.Tauladeresultats
Algorisme: DecissionTree
ModelRegressió: {'criterion':'mse'}
Valorrquadràtic: -0.026
Errorquadràticmig: 1854.627
Taula41.Tauladeresultats
Algorisme: SVM(66%)
Acc: 0.5
MatriuConfusió: [321]
[231]
[213]
Taula42.Tauladeresultats
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
52
Iteració4:
Peralnouajustamentdelllindarsdelesfronteresdeclassesdelataula12,elsresultatsperlapartde
classificaciótotinoserdestacablescomparatsambelsobtingutsfinsalmoment,sónelsques’observa
alataula44,elmodelquemillors’haajustatéselDecissionTree,totinosergairedestacable.
Els resultats per la part de regressió tot i no ser destacables comparats amb els obtinguts fins al
moment,sónelsques’observaalataula45,elmodelquemillors’haajustatéselSVM,totinosergaire
destacable.
Algorisme: AdaBoost
ModelRegressió: {'n_estimators':5}
Valorrquadràtic: -0.059
Errorquadràticmig: 1914.700
Taula43.Tauladeresultats
8clusters,3classes,AHI DecissionTree
ModelClassificació: {'criterion':'gini'}
Acc: 0.44
MatriuConfusió: [512]
[032]
[230]
Taula44.Tauladeresultats
8clusters,3classes,AHI SVM
ModelRegressió: {'C':0.01,'kernel':
'linear'}
Valorrquadràtic: -0.094
Errorquadràticmig: 671.954
Taula45.Tauladeresultats
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
53
Iteració5:
En aquesta última iteració on ajusto el llindar de severitat a 40 apneas-hipopnees per hora, com
s’observa a la taula13, els resultatsper la classificacióquemillor s’ajusten sónelDecissionTree i el
AdaBoostqueaconsegueixproubonaexactitud,coms’observaalataula46.
Per la regressió, com s’observa ala taula 47, elsmillors resultats els ha
aconseguit l’algorismeSVM ielDecissionTree,ambresultatsnogairesignificatiuscomparatsamb
elsobtingutsfinsara.
8clsuters,2classes,AHI DecissionTree AdaBoost
ModelClassificació: {'criterion':'entropy'} {'n_estimators':5}
Acc: 0.78 0.73
MatriuConfusió: [[72]
[27]]
[81]
[45]
Taula46.Tauladeresultats
8clusters,3classes,AHI SVM DecissionTree
ModelRegressió: {'C':0.01,'kernel':
'linear'}
{'criterion':'mse'}
Valorrquadràtic: -0.095 -1.029
Errorquadràticmig: 671.954 1245.216
Taula47.Tauladeresultats
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
54
7. ConclusionsSegonselsobjectiusestablertsal’inicidelprojectesepodentreureconclusionssobredospunts.
• Avaluarlapossibilitatdecrearunmarcd’estudiapartirdelagranquantitatidiversificacióde
lesmostres
• Avaluarelsresultatsaconseguitsperlaimplementaciód’aquestdisseny
Enprimer lloc, respecteelprimerpuntque fa referènciaa la implementacióde l’estudi1 i2,espot
concloureques’haassolitl’objectiudecrearundissenycapaçd’identificarlapresenciadelSAOS,totila
dificultatinicialdelformatdelesdades.Launiódedostipusdedadesperacadaundelspacients,les
primerescorresponentsalsroncsenunformatd’unagranquantitatdevalorscorresponentsadiferents
característiquesd’aquestesmostresilaclassedeseveritatdecadapacient,amblaimplementacióiús
deleseinesdescritesenaquestamemòria,s’hapogutdissenyarunmodelviableautilitzar.
Respecte el segon punt, de l’estudi 3 es conclou que els resultats obtinguts no es poden considerar
significatius. No es possible considerar cap combinació de les iteracions com a completament
satisfactòria,perlapobresaenelsresultats.
Aquests resultats de baixa qualitat es poden relacionar amb dos conceptes globalment coneguts, la
“maledicció de la dimensionalitat”, i el teorema de “Not free lunch theorem” o per la falta de
característiquesolabaixaqualitatsd’elles.
• Not free lunch theorem [36]à Aquest teorema afirma que no hi ha capmodel concret que
funcionimillorperatotselsproblemes.Leshipòtesisd'ungranmodelperaunproblemano
podencontenir-seperunaltreproblema,pertant,éscomúenl'aprenentatgeautomàticprovar
diversosmodelsitrobarunquefuncionimillorperacadaproblemaconcret.
• MaledicciódeladimensionalitatàEnelsestudisd’aprenentatgeautomàticambpercentatges
deprecisióelevatsestenenunaquantitatdemostresaestudiarimmensamentgrancomparat
amb la cinquantena de pacients de què disposa aquest estudi. Amb aquest aspecte es pot
relacionarlapobresaenlaqualitatdelsresultats.
Permoltitreballarenmoltsalgoritmesdiferentsiperadiferentíndexdeclassificacióicaracterístiques
diferents,elsresultatsdeldarrerestudi(Estudi3),nos’hapogutarribaradeterminarunacombinació
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
55
adequadaperidentificarlaseveritatdelSAOSambunaprecisióelevada,jasiguiperlafaltademostres
degutaladificultatd’adquiriraquestsregistresenpacients,operlamalarepresentaciódelespoques
dadesdelesqueesdisposa.
7.1. Perspectivesfutures
Enquantaaccions futuresen relacióamillorarels resultatsd’aquestestudiesconsideraconvenient
treballarsobreelssegüentspunts:
- Destinar recursos a ampliar el nombre de subjectes d’estudi. Si es pogués optar a realitzar
l’estudi ambmoltsmés pacients, incrementant considerablement el número demostres, els
resultats serienmés acurats ja que estaríem combatent el problema de lamaledicció de la
dimensionalitat.
- Augmentarelnombred’algorismesdeclassificació,provant-ned’altresexistents.
- Millorar la representació de les característiques de les dades de partida, per buscar una
exactitudmésbonaenelsresultats.
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
56
8. Anàlisidel’impacteambientalUnanàlisidel’impacteambientalpermetavaluarl’efected’unprojecteenelmediambient,ésadir,per
predirivalorarlesconseqüènciesquecomporten.
A lataula48esmostrenels impactesespeculatsde l’aplicaciód’aquestestudi,quetécomaobjectiu
principalmillorarladetecciódelsSAOS:
Professional Pacient Ciència
IMPACTE1 Reducciódeltempsde
dedicació
Reducciódelnombrede
provessotmeses
Reduccióenl’úsde
recursos
IMPACTE2 Eficàciaenladetecciódel
diagnòstic
Reducciódeltempsd’espera Precisióenel
diagnòstic
Taula48.Impactesenl’anàlisiambiental
Aquestsdosimpactesdescritsestanrelacionatsentreells.
Quanesparlad’unareduccióenl’úsderecursos,esrefereixenmillorarl’actualprocedimentd’einesi
algoritmesinformàticsdelaPSGactual,amblaintenciódereduirelnombredeproves,elcostd’ellesi
l’úsd’especialistesquetambésignificauncertcost,il’impactad’aquestrecursosenelmedi.
Aixídoncs,aquestaseriaunapossibleexplicaciódel’impacteambientalqueprodueixaquestestudi.
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
57
9. Pressuposti/oAnàlisiEconòmicaL’anàlisieconòmicpreténdefinirel costde realitzaciódelprojecte.Això inclouel tempsempleatper
partdel’estudiantielstutorscorresponents, lesdespesesdedesplaçament,elmaterialnecessariper
duratermelapartpràctica,elsrecursoshumansid’altresrecursos.
Perelcàlculdelpressupostenrelacióaleshoresdedicadesdel’estudiant,s’haconsideratunamitjana
de3horesimitjadiàriestreballadesdurant7mesos,queequivala735horesentotal.Enladirecciódel
TreballFideGrau,s’hatingutencompteleshoresdededicaciódelsdostutors.
El pressupost s’ha realitzat tenint en compte els costos d’enginyeria, els costos informàtics i altres
costos:
9.1. Costosd’enginyeria
El cost d’enginyeria representa les hores invertides en la realització d’aquest projecte per part de
l’estudiant idelscol·laboradors,enaquestcasel tutor, JordiSolàSoler ielco-tutor,GerardEscudero
Bakx.
MOTIU Horesinvertides(h) Cost(€/h) Total(€)
HonorarisEstudiant 735 10 7.350
HonorarisTutor 50 50 2.500
Honoraris
Co-Tutor
50 50 2.500
TOTAL 12.350
Taula49.Costosd’enginyeriadelprojecte
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
58
9.2. Costosinformàtics
Enaquestscostoss’hi inclouentotselsprogrames,softwaresiprocessadordetextutilitzatsiamésa
més,l’accésainternet.
MOTIU Quantitat Cost Total(€)
MicrosoftOffice 7mesos 6€/mes 42
Python 7mesos Gratuït -
WaikatoEnvirontmentforKnowledgeAnalysis
(WEKA)
Version3.8.1
7mesos Gratuït -
Red(WIFI) 7mesos 20€/mes 140
TOTAL 182
Taula50.Costosinformàticsdelprojecte
9.3. Altrescostos
Finalment,hihaaltrescostosrelacionatsambelmaterialutilitzatenlapreparaciódel’entregaenmà
delprojectecomn’éslaimpressió,enquadernació,CD-ROMilacaixadeprojectes.Tambéestenenen
compteelsdesplaçamentsrequeritsdurantelprojecte.
MOTIU Detalls Cost(€) Total(€)
Material
Impressió 20 20
Enquadernació 2,5 2,5
CD-ROMicaixadeprojectes 3 3
Desplaçaments Númerodetrajectes:10 2€/trajecte 20
TOTAL 45,5
Taula51.Altrescostosdelprojecte
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
59
9.4. Pressupostfinal
Tipusdecost Total(€)
Costosd’enginyeria 12.350
Costosinformàtics 182
Altrescostos 45,5
TOTAL 12.577,5
Taula52.Pressupostfinaldelprojecte
Aixídoncs,s’obtéfinalmentd’aquestprojectederecercauncostorientatiude12.577,5€.
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
61
10. Bibliografia[1] P.Lloberes,J.Durán-Cantolla,M.Á.Martínez-García,J.M.Marín,A.Ferrer,J.Corral,J.F.Masa,
O.Parra,M.L.Alonso-Álvarez,andJ.Terán-Santos,“Diagnósticoytratamientodelsíndromede
apneas-hipopneasdelsueño,”Arch.Bronconeumol.,vol.47,no.3,pp.143–156,Mar.2011.
[2] R.HenryOlivi,“Apneadelsueño:cuadroclínicoyestudiodiagnóstico,”Rev.MédicaClínicaLas
Condes,vol.24,no.3,pp.359–373,May2013.
[3] S.A.P., E. M. (2015). Estudio concluye que el oxígeno podría ayudar a combatir el cáncer |
Emol.com. [Online]. Available:
http://www.emol.com/noticias/tecnologia/2015/03/05/706635/estudio-oxigeno-puede-ayudar-
a-combatir-el-cancer.html.[Accessed:03-Mar-2017].
[4] Dra.LucilaAndradeA.,“Relacionentreproblemashabitualesdelsueñocondeficitatencionaly
trastornosconductualesenniños”.(2013).RevistaMédicaClínicaLasCondes,24(3),494–500.
[5] Lirón. “Tratamiento roncopatía y la apnea del sueño. Retrieved” [Online]. Avaliable:
<http://liron.es/cansancio-lo-largo-del-dia/ronquido-descriptivo/.[Accessed:3-Mar-2017]
[6] Ronquido y apnea del sueño | Clínica Beltrán. [Online]. Available:
http://www.clinicaotorrino.es/informacion-pacientes-patologias/patologia-general-
orl/ronquido-apnea-del-sueno/.[Accessed:03-Mar-2017].
[7] r. Alfredo Santamaría C, Dr. David Astudillo O, “Vía aérea superior, ronquido e implicancias
clínicas”.(2013).RevistaMédicaClínicaLasCondes,24(3),350–357.
[8] D. Ferre, “Síndrome de apnea del sueño,” 2016. [Online]. Available:
http://doctorferre.com/index.php?option=com_content&view=article&id=63&Itemid=80.
[Accessed:10-Mar-2017].
[9] PekerY.,HednerJ.,NorumJ.,KraicziH.,CarlsonJ.”Increased incidenceofcardiovasculardisease
in middle-agedmen with obstructive sleep apnea: a 7-year follow-up”,Am J Respir Crit Care
Med,166(2002),pp.159-165
[10] GottliebD.J.,YenokyanG.,NewmanA.B.,O’ConnorG.T.,PunjabiN.M.,QuanS.F.,et
al.”Prospectivestudyofobstructivesleepapneaandincidentcoronaryheartdiseaseandheart
failure:thesleephearthealthstudy“Circulation,122(2010),pp.352-360
[11] GozalD.,Kheirandish-GozalL.,BhattacharjeeR.,SpruytK.Neurocognitive and endothelial
dysfunctioninchildrenwithobstructivesleepapnea”,Pediatrics,126(2010),pp.1161-1167
[12] CanessaN.,CastronovoV.,CappaS.F.,AloiaM.S.,MarelliS.,FaliniA.,et al.”Obstructive Sleep
Apnea:BrainStructuralChangesandNeurocognitiveFunctionbeforeandafterTreatment”,AmJ
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
62
RespirCritCareMed,183(2011),pp.1419-1426
[13] LevyP.,BonsignoreM.R.,EckelJ.Sleep,”Sleep-disordered breathing and metabolic
consequences”,EurRespirJ,34(2009),pp.243-260
[14] Friedman,M."Apneadelsueñoyroncopatíatratamientomédicoyquirúrgico",Elsevier(2009).
[15] DuranJ.,EsnaolaS.,RubioR.,IztuetaA. ”Obstructive sleepapnea-hypopneaand relatedclinical
features in a population-based sample of subjects aged 30 to 70 yr”,Am J Respir Crit Care
Med,163(2001),pp.685-689
[16] YoungT.,PeppardP.E.,GottliebD.J.”Epidemiology of obstructive sleep apnea: a population
healthperspective”,AmJRespirCritCareMed,165(2002),pp.1217-1239
[17] R.HenryOlivi,“Apneadelsueño:cuadroclínicoyestudiodiagnóstico,”Rev.MédicaClínicaLas
Condes,vol.24,no.3,pp.359–373,May2013.
[18] GuilleminaultC.,PertinenM.(Eds.),Obstructive sleep apnea syndrome: clinical research and
treatment,RavenPress,NewYork,NY(1990),pp.25-36
[19] Robert Bourke, Vicki Anderson, Joel S.C. Yang, et cols. Cognitive and academic functions are
impaired inchildrenwithallseveritiesofsleepdisorderedbreathing.SleepMedicine12(2011)
489-496.
[20] ChervinR.D.Sleepiness, fatigue, tiredness, and lack of energy in obstructive sleep apnea
Chest,118(2000),pp.372-379
[21] KingshottR.N.,SimeP.J.,EnglemanH.M.,DouglasN.J.”Self assessment of daytime sleepiness:
patientversuspartner”,Thorax,50(1995),pp.994
[22] Dra. Ligia Berdeja Murillo, Dr. Jorge Jorquera, "Medicina Interna" 2017 [Online]. Available:
publicacionesmedicina.uc.cl/TemasMedicinaInterna/apnea.html.[Accessed:19-Apr-2017].
[23] Ricardo Moya, “K-means en Python y Scikit-learn,” 2016. [Online]. Available:
https://jarroba.com/k-means-python-scikit-learn-ejemplos.[Accessed:20-apr-2017].
[24] TruckdriverdiscussesCPAPproblems|Sleepapnea.[Online].Available:fleetowner.com/driver-
management-resource-center/how-fix-common-cpap-problems.[Accessed:3-Mar-2017].
[25] Michie,D.,Spiegelhalter,D. J.,&Taylor,C.C. (1994).MachineLearning,NeuralandStatistical
Classification.EllisHorwood.
[26] FizJ.A.,JanéR.,Solà-SolerJ.,AbadJ.,GarcíaM.Á.,MoreraJ.,(2010).Continuousanalysisand
monitoring of snores and their relationship to the apnea-hypopnea index. The Laryngoscope,
120(4),854–862.
[27] K. Gibert, L. J. Oliva, I. Pinyol, and M. Sànchez-Marrè, “El bagging en casos no supervisats.
ImplementacióaGESCONDAperalgoritmesdeclustering,”2006.
Tractament de senyals per l’ajut a la diagnosi de l’apnea del son
63
[28] Introduction to Support Vector Machines. [Online]. Available:
http://docs.opencv.org/2.4/doc/tutorials/ml/introduction_to_svm/introduction_to_svm.html.[Accessed:20-Apr-2017].
[29] Machine Learning and Data Mining: 13 Nearest Neighbor. [Online]. Available:
https://www.slideshare.net/pierluca.lanzi/machine-learning-and-data-mining-13-nearest-
neighbor-and-bayesian-classifiers.[Accessed:20-Apr-2017].
[30] Aprendizaje Inductivo: Árboles de Decisión. [Online], Avaliable:
http://www.cs.us.es/~fsancho/?e=104.[Accessed:20-Apr-2017]
[31] Random Forest Template for TIBCO. [Online]. Avaliable:
https://community.tibco.com/wiki/random-forest-template-tibco-spotfirer-wiki-page.
[Accessed:20-Apr-2017]
[32] Model selection GridSearch. Scikit-learn. (n.d.). [Online]. Avaliable: http://scikit-
learn.org/stable/modules/generated/sklearn.model_selection.GridSearchCV.html. [Accessed:
19-Apr-2017]
[33] Waikato Environment for Knowledge Analysis [Online]. Avaliable:
<http://www.cs.waikato.ac.nz/ml/weka/>.[Accessed:8-Apr-2017]
[34] PythonSoftwareFundation[Online]1991.Avaliable:<https://www.python.org/>[Accessed:8-
Apr-2017]
[35] Muraja-Murro, A. (n.d.). The severity of individual obstruction events is related to increased
mortalityrateinsevereobstructivesleepapnea.JSleepRes.,(2013),pp663-669
[36] Wolpert, D. H., & Macready, W. G. (1997). No Free Lunch Theorems for Optimization. IEEE
TRANSACTIONS ON EVOLUTIONARY COMPUTATION. [Online]. Avaliable:
https://ti.arc.nasa.gov/m/profile/dhw/papers/78.pdf.[Accessed:13-Maig-2017]