TRACTAMENT DE SENYALS PER L'AJUT A LA … · Tractament de senyals per l’ajut a la diagnosi de...

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.


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.


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.


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.


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


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


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


viii

9.3. Altrescostos...........................................................................................................60

9.4. Pressupostfinal......................................................................................................61

10. BIBLIOGRAFIA__________________________________________________63

11. ANNEXA:MANUALD’USUARI______________________________________1

12. ANNEXB:CODISPROGRAMACIÓ____________________________________4


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


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



Taula15.Tauladeresultats ______________________________________________________ 40

Taula16.Tauladeresultats______________________________________________________ 41















xi



















Taula48.Impactesenl’anàlisiambiental____________________________________________ 57

Taula49.Costosd’enginyeriadelprojecte___________________________________________ 59

Taula50.Costosinformàticsdelprojecte____________________________________________ 60

Taula51.Altrescostosdelprojecte________________________________________________ 60

Taula52.Pressupostfinaldelprojecte______________________________________________ 61


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.


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


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.


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


6

gravació dels roncs de 51 pacients, i finalment s’implementen uns algoritmes de classificació per

avaluarquinseriaelmètodemésadequatperaquesttipusd’estudi.


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


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.


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].


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


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].


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].


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


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])


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


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


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.


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).


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


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.


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]:


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.


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


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.


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


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])


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.


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.


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


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


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,


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.


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).


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]]


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


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.


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.


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


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


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.


41


pacientsen2severitatdeseveritatsegons l’índexd’apnea-hipopnea(IAH), l’algoritmedeclassificació

quemillorsresultatsharetornatéselRandomForst.Senselanecessitatd’usarelGridSearchenaquest

algoritme,s’aconsegueixunaexactituddel0,78.Lamatriudeconfusióindicaquenomésgeneraun5%

de falsos positius, detectant pacients

malaltscomasans.


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]


7clusters,2classes,AHI RandomForest

Acc: 0.78


[110]




Acc: 0.72


[47]


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


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.


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


8clusters,4classes,AHI RandomForest

Valorrquadràtic: 0.001




43


elspacientsen3grupsdeseveritatsegonsl’índexd’apnea-hipopnea(IAH),l’algortimederegressió

quemillorsresultatsharetornatasigutelAdaBoostambunnombred’estimadorsescollitpelGrid

Searchde10.El valor rquadràticesnegatiupel comportamentno linealde la regressió i s’acosta

bastanta1.L’errorquadràticmigésmoltalt.


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.


ModelRegressió: Model: {'criterion':

'mse'}





ModelRegressió: Model: {'n_estimators':

10}




7clusters,2classes,AHI DecissionTree AdaBoost

ModelRegressió: {'criterion':'mse'} {'n_estimators':5}


44

Iteració2:

Classificaciósegonsl’índexAHI:


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.



Acc: 0.56


[01002]

[01401]

[01000]



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



45

ModelClassificació: {'C':0.001,'gamma':0.1,

'kernel':'rbf'}

Acc: 0.61 0.67


[004]

[0011]

[021]

[022]



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


[016]

[02]

[016]

[11]



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.



Acc: 0.56


[01002]

[01401]

[00010]

[00014]



els pacients en 2 grups de severitat segons l’índex d’apnea-hipopnea (IAH), l’algoritmequemillor

treballaéselAdaBoostquedonaunaexactituddel94%iambcapfalspositiu.


46


Acc: 0.94



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,


Acc: 0.89 0.89


[115]

[02]



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


[004]



47


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,


Acc: 0.62 0.73


[004]

[0011]

[201]

[013]


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'}





48


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).


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).


severitat segons l’índex d’apnea-hipopnea (IA), l’algorisme de regressió que millors resultats ha


ModelRegressió: {'n_estimators':5}




9clusters,3classes,HI AdaBoost






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




Algorisme: DecissionTree


Acc: 0.72


[56]


Algorisme: AdaBoost




50


Ajustant la separaciódeclassesenuna fronteraa33%elsdosalgoritmesque treballenmillor sónel

SVMielRandomForestcoms’observaalataula38.ElSVMelsdetectaatotscomaseversielRandom

Forestdosdelsseverselsdetectacomasans.


ajustatésl’Adaboostambunnúmerod’estimadorsde25.


Ajustant la separaciódeclassesenuna fronteraa66%elsdosalgoritmesque treballenmillor sónel

SVMcoms’observaalataula40.Ambunaaltaexactitudperònotreballabéjaqueelserrorselsdetecta

moltspacientscomafalsospositius.



Algorisme: SVM RandomForest

ModelClassificació: {'C':0.001,'gamma':0.1,'kernel':'rbf'}

Acc: 0.67 0.67


[012]

[24]

[210]


Algorisme: AdaBoost






51


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.


ajustatéselAdaBoost,ambunnombred’estimadorsescollitde5.

Algoritme: SVM

ModelClassificació: {'C':0.001,'degree':2,

'kernel':'poly'}

Acc: 0.78


[42]


Algorisme: DecissionTree

ModelRegressió: {'criterion':'mse'}




Algorisme: SVM(66%)

Acc: 0.5


[231]

[213]



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







Acc: 0.44


[032]

[230]


8clusters,3classes,AHI SVM

ModelRegressió: {'C':0.01,'kernel':

'linear'}





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]


8clusters,3classes,AHI SVM DecissionTree

ModelRegressió: {'C':0.01,'kernel':

'linear'}

{'criterion':'mse'}

Valorrquadràtic: -0.095 -1.029

Errorquadràticmig: 671.954 1245.216



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


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.


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.


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


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


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€.


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


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.


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]


64

TRACTAMENT DE SENYALS PER L'AJUT A LA … · Tractament de senyals per l’ajut a la diagnosi de...

Documents

Transcript of TRACTAMENT DE SENYALS PER L'AJUT A LA … · Tractament de senyals per l’ajut a la diagnosi de...