Detecção e Previsão da Apneia Obstrutiva do Sono através da Variabilidade da Frequência Cardíaca
Nome: JÔNATAS DE LIRA ROCHA
Data de publicação: 28/07/2023
Banca:
Nome | Papel |
---|---|
EVANDRO OTTONI TEATINI SALLES | Presidente |
GABRIEL TOZATTO ZAGO | Examinador Externo |
PATRICK MARQUES CIARELLI | Examinador Interno |
RODRIGO VAREJÃO ANDREÃO | Coorientador |
Resumo: A apneia obstrutiva do sono (AOS), caracterizada por pausas temporárias na respiração durante o sono apresenta um desafio significativo na área da saúde. Esta pesquisa aborda a complexidade da AOS, explorando não apenas suas manifestações clínicas, mas também investigando os detalhes dos sinais biomédicos associados, como Eletrocardiograma (ECG) e Variabilidade da Frequência Cardíaca (VFC). Ao incorporar técnicas de aprendizado de máquina, busca-se aprimorar o diagnóstico e a previsão da AOS, oferecendo uma visão mais completa na compreensão e tratamento desse desafio médico multifacetado. No processo de
detecção, empregamos classificadores como Support Vector Machine (SVM), k-Nearest Neighbors (KNN) e Neural Network (NN). Os resultados indicam que o NN se destacou nos treinamentos, alcançando uma acurácia de 84,9%, enquanto nos testes o SVM registrou 82,9%. O NN demonstrou eficácia com 73,7% de especificidade na detecção de respiração normal, contrastando com a sensibilidade de 94,7% do SVM na detecção de apneia. Apesar do desempenho ligeiramente inferior nos testes, o KNN manteve níveis equivalentes de especificidade em relação ao SVM. Na fase de previsão, a implementação de redes neurais Nonlinear AutoRegressive with eXogenous inputs (NARX) atingiu 95% de acurácia no treinamento e 94,37% nos testes. A sensibilidade de 94,74% e a especificidade de 93,94% nos testes destacaram a eficácia dessa abordagem na previsão de momentos de apneia e respiração normal. Esses resultados são valiosos para o avanço na detecção e previsão da apneia do sono, sublinhando a eficácia das técnicas de aprendizado de máquina e redes neurais neste cenário clínico desafiador.