El modelo de IA alcanza un 87% de precisión en la clasificación de fases del sueño en adultos mayores mediante ondas cerebrales

La clasificación de las etapas del sueño es fundamental para diagnosticar trastornos del sueño, pero el análisis manual tradicional realizado por técnicos es lento y subjetivo. Aunque los modelos de inteligencia artificial han mostrado ser prometedores para la clasificación automática del sueño, la mayoría no tiene en cuenta las diferencias relacionadas con la edad en los patrones de sueño, en particular la reducción en la duración del sueño profundo que hace a los adultos mayores más susceptibles a los trastornos del sueño.

Investigadores de la Universidad de Tecnología de Henan desarrollaron RICM-SleepNet, un modelo de aprendizaje profundo especializado en la clasificación de las etapas del sueño en adultos mayores de 60 años. Utilizaron datos de 20 sujetos (10 jóvenes y 10 mayores) del conjunto de datos expandido Sleep-EDF, analizando ondas cerebrales (EEG) y movimientos oculares (EOG) durante el sueño. El equipo convirtió estas señales en mapas de características tiempo-frecuencia en 3D mediante transformadas wavelet continuas, creando un conjunto de datos de más de 48.000 imágenes.

El modelo RICM-SleepNet alcanzó una precisión del 87,66% en la clasificación de cinco etapas del sueño (vigilia, etapas de sueño ligero N1 y N2, sueño profundo N3 y sueño REM) en adultos mayores, con un valor kappa de 0,8492 que indica una concordancia excelente. Esto superó significativamente a seis modelos de referencia, incluido ResNet50, que sirvió como base para su arquitectura mejorada. El modelo incorpora módulos Inception para la extracción de características a múltiples escalas, mecanismos de atención para centrarse en las características relevantes y conexiones multiescala para aprovechar mejor la información en las distintas etapas del procesamiento.

Las pruebas comparativas revelaron que todos los modelos CNN tuvieron un peor desempeño en los conjuntos de datos de adultos mayores que en los de poblaciones más jóvenes, lo que confirma los desafíos relacionados con la edad en la clasificación de las etapas del sueño. Los investigadores determinaron que la entrada de tres canales (dos canales EEG más EOG) proporcionó el rendimiento óptimo. El análisis estadístico mediante la prueba de Kruskal-Wallis confirmó el rendimiento superior del modelo con alta significancia (p=0,0014).

Este trabajo aborda una brecha crítica en la tecnología de la medicina del sueño al centrarse específicamente en las características únicas del sueño de la población envejecida. El modelo podría mejorar la eficiencia y la precisión del diagnóstico clínico de los trastornos del sueño en adultos mayores, aunque se necesita una validación adicional en entornos clínicos antes de su implementación generalizada.