DETECÇÃO DE DISTÚRBIOS DO SONO EM DADOS DE POLISSONOGRAFIA ATRAVÉS DE APRENDIZADO DE MÁQUINA

Abstract

Sleep quality is crucial for the recovery of physiological, neurological and biological functions. Individuals deprived of sleep may suffer from various negative health impacts, with sleep apnea being one of the most common disorders that disturb the sleep. Polysomnography is the primary diagnostic method for sleep disorders and is performed in a specialized clinics. With the evolution of the Internet of Things, wearable devices have become capable of collecting data for sleep analysis, creating new perspectives in the field of health and computer science. This study aims to explore the application of machine learning in the detection of sleep disorders, assisting in the polysomnography diagnosis. In this way, four machine learning algorithms were evaluated using data from a real polysomnography database, derived from thirteen physiological signals. Furthermore, the impact of reducing the number of signals on the algorithms performance was also analized, with the purpose of assessing the possible of use wearable devices for capturing these signals. The results pointed to the Random Forest algorithm as the most promising algorithm, showing satisfactory performance even with a reduced number of signals.

A qualidade do sono é crucial para a recuperação das funções biológicas, neurológicas e psicológicas. Indivíduos privados de sono podem sofrer de diversos impactos negativos na saúde, sendo a apneia do sono um dos distúrbios mais comuns à perturbar o sono. A polissonografia é o principal método de diagnósticos de distúrbios do sono e é realizado em clínicas especializadas. Com a evolução Internet das Coisas, dispositivos vestíveis tornaram-se capazes de coletar dados para a análise do sono, fomentando novas perspectivas no campo de saúde e da ciência da computação. Este estudo se propõe a então a explorar a aplicação de aprendizado de máquina na detecção de distúrbios do sono, auxiliando no diagnóstico da polissonografia. Dessa forma quatro algoritmos de aprendizado de máquina foram avaliados com os dados provenientes de uma base de dados reais de polissonografia, advindos de treze sinais fisiológicos. Além disso, também investigou-se o impacto da redução do número de sinais no desempenho dos algoritmos, onde o objetivo era avaliar a possível utilização de dispositivos vestíveis para captação desses sinais. Os resultados apontaram o algoritmo Random Forest como o mais promissor, apresentando performance satisfatória mesmo com o uso de um número reduzido de sinais.