Professional Documents
Culture Documents
Enero 2004
Polisomnografa
Existen hasta 77 tipos de desrdenes del sueo, siendo el
ms habitual la apnea.
Para su diagnstico se realizan registros polisomnogrficos.
Durante 8 horas de sueo
del paciente se registran
hasta 16 canales: EEG,
electromiograma,
electrooculograma, ritmo cardiaco,
oximetra, etc .
Canales EEG
Anlisis polisomnogrfico
Los registros polisomnogrficos se analizan en ventanas de
30 segundos denominadas pocas (tpicamente fs=50 Hz).
Para el diagnstico de distintos desrdenes del sueo, los
expertos (neurofisilogos):
Realizan un estadiaje del registro clasificando cada poca en
una de las 6 posibles fases del sueo: Vigilia, Fase I, Fase II,
Fase III, Fase IV, Fase REM.
Detectan ciertos eventos: complejos K, spindles, arousals,
que ayudan al estadiaje o son indicativos de algn desorden.
(fases 3 y 4)
(fases 1 y 2)
(vigilia)
(fase 2)
Ejemplo Vigilia
Ejemplo Fase I
Ejemplo Fase 2
Ejemplo Fase 4
Objetivo
Low-Delta: 0.5 - 2 Hz
High-Delta: 2 - 4 Hz
Theta: 3 -7 Hz
Alfa: 7 -13 Hz
Para el EOG:
Low-Delta: 0.5 - 2 Hz
Banda: 0 -0.5 Hz (mov. de ojos).
Blackman-Tukey
Para estimar el espectro:
30 seg.
EEG
BT ( ) =
M 1
w[ k ]r[ k ]e
k = ( M 1 )
j k
1
r[ k ] =
N
N k
x[ n ] x [ n + k ]
n=0
2
BT
k = FFT N ( w[ k ] r[ k ])
N
PB =[ f1 , f 2 ] =
(2k / N )
k = k1
N 1
BT
(2 k / N )
k=0
BT
Vector de caractersticas
Mediante el preprocesado anterior cada poca (30 seg.) es
caraterizada mediante un vector de 6 componentes.
x n = ( P1 ( n )
low-delta
EEG
P2 ( n )
P3 ( n )
high-delta
EEG
theta
EEG
P4 ( n )
alpha
EEG
P5 ( n )
low-delta
EOG
P6 ( n ) )
mov.
EOG
Complejos-K
Los complejos-K, aparecen fundamentalmente en la Fase II
y ocasionalmente en las III, IV.
Son ondas lentas formadas por una deflexin positiva
seguida de otra negativa.
Complejos-K
Un modelo matemtico para el complejo-K
a=110 V.
b=100 V.
B=210 V.
T=1 seg.
t1=0.43 seg.
t2=0.57 seg.
Deteccin de complejos-K
Suponiendo la forma de onda del complejo-K: h[n]
conocida, hay que resolver el siguiente problema de
deteccin para cada n
H 0 : x[ n ] = w [ n ],
n = 0 , K , N 1;
H 1 : x [ n ] = h [ n ] + w[ n ],
n = 0 ,K , N 1 .
f ( x | H1)
L( x ) =
>
f (x | H0)
PFA =
sujeto a
w[ n ] N ( 0, 2 )
1
2
N 1
1
x
[
n
]
h
[
n
]
2 2
n=0
N 1
( h[ n ])
n=0
>
Filtro adaptado
Un estadstico suficiente para la deteccin es
T ( x) =
N 1
'
= Q
2E
h
'=
2 E h Q 1 ( PFA )
2
new
2
old
1 N 1
( x[ n ]) 2
+ (1 )
N 1 n=0
Es vlido el modelo?
En la realidad la forma del complejo-K puede tener
duracin variable
T1
T2
B2
n = 0 , K , N 1;
H 1 : x [ n ] = Bh [ an ] + w [ n ],
n = 0, K , N 1 .
f ( x, B, a | H1)
>
f (x | H0)
Estimas ML obtenidas
asumiendo
que
existe complejo-K
h[ an ] = h ( at ) |t = nT
Para obtener el complejo-K remuestreado hacemos
P
a
Q
h[n ]
Aproximacin mediante un
nmero racional
c = / max( P , Q )
P
h [ n ] h[ an ]
Q
J (a ) =
N 1
2
(
)
x
[
n
]
h
[
an
]
n =0
a k +1 = a k + n ( x[ n ] h[ an ] )h ' [ an ]
n =0
donde
h[n ]
[ n ] [ n 1]
h '[ n ]
(
)
J ( B ) = x[ n ] Bh [ a n ]
n =0
La solucin es
N 1
B ML =
x[ n ]h[ a n ]
n =0
N 1
(
h
[
a
n
])
n =0
Fijar PFA
Estimar duracin y
amplitud del complejo
K
Filtro Adaptado
Clculo del
Umbral
Deteccin
GLRT
Otras cuestiones
A veces, los complejos-K pueden confundirse con ondas
delta.
El tiempo mnimo entre complejos-K es de 2 seg., mientras
que las ondas delta aparecen en rfagas.
postprocesado
Para reducir el gasto computacional, la deteccin se realiza
sobre 1 de cada N muestras (N=3 4).
Test 1
Test 2
Test 3
Pd
estimada
GLRT
Filtro adaptado
Pfa terica
Pd, Pfa
estimada
Pfa terica
Spindles
Adems de los complejos-K, tambin es interesante
detectar la presencia de otras formas de onda como los
spindles.
GLRT.
P2 ( n )
P3 ( n )
P4 ( n )
high-delta theta
EEG
EEG
alpha
EEG
P5 ( n )
P6 ( n )
low-delta mov.
EOG
EOG
Vigilia
H 2 : xn C2
Fase I
H 3 : xn C3
Fase II
H 4 : xn C4
Fase III
H 5 : xn C5
Fase IV
H 6 : xn C6
Fase REM
nK
nS
)T
n
n
Comp-K spindles
Clasificacin Bayesiana
Criterio MAP (Mximo a posteriori): elegir la clase j tal que
P (C j | x n ) > P (C i | x n )
i j
Aplicando Bayes
P (C j | x n ) =
f ( x n | C j ) P (C j )
f ( xn )
i j
P (C i )
conjunto
x ni C i
de
datos
etiquetado
por
n = 1, K , N i
N
Las prob. a priori se pueden estimar como P ( C i ) = i
N
Para estimar las fdps:
1.-Parzen
1
f ( x n | C i ) =
Ni
Ni
K
n =1
( x n x ni )
1
i =
Ni
Ni
x
n =1
i
n
1
1
1 ( x )
exp ( x n i ) T
2.- Asumir una f ( x n | C i ) =
i
n
i
M /2
2
(
2
i
Gaussiana
= 1
i
Ni
Ni
(x
n =1
i
n
i )( x ni i ) T
F-I
F-II
F-III
F-IV
REM
i = Pr ob ( x 1 C i )
Probabilidades de transicin
p ij = Pr ob ( x n C j | x n 1 C i )
Pdf de las observaciones para cada estado
f ( x n | Ci )
Podemos estimar todos los parmetros del modelo
= i , p ij , f ( x n | C i )
Trellis
Fase
n=1
n=2
n=3
C1
C2
C3
C4
C5
C6
Un camino C(1)C(2)C(n) a lo largo del Trellis tiene un coste
p(c | , x ) =
C (1) f ( x 1 | C (1)) p C (1) C ( 2 ) f ( x 2 | C ( 2 )) L p C ( n 1) C ( n ) f ( x n | C ( n ))
Segmentacin
El hipnograma es el camino de menor coste.
Solucin de fuerza bruta: calcular el coste de los 6N
posibles caminos: impracticable.
Afortunadamente, al ser el coste aditivo en cada transicin,
de P caminos distintos que acaben en el mismo nodo slo
es necesario retener el de mnimo coste.
Algoritmo de Viterbi
La solucin es la misma que el detector ptimo de
secuencias en com. digitales.
El
gasto
computacional
exponencialmente) con N.
crece
linealmente
(no
Algunos resultados
Sin incluir la dependencia temporal: Pd en torno al 68 %.
Algunos resultados
Incluyendo la dependencia temporal: Pd en torno al 83 %.
Conclusin
Estadiaje del sueo: un problema de anlisis de seales
biomdicas en el que se pueden aplicar un gran nmero de
tcnicas de tratamiento de seal bsicas:
Blackman-Tukey
Filtro adaptado,
GLRT
Clasif. Bayesiano
HMMs
Viterbi