La apnea obstructiva del sueño (AOS) representa un problema de salud importante. Si bien la polisomnografía (PSG) sigue siendo el estándar de oro, su naturaleza intensiva en recursos ha alentado la exploración de otros enfoques alternativos. La mayoría de ellos se basaron en el análisis de la variabilidad de la frecuencia cardíaca (VFC), pero solo unos pocos de ellos han presentado un enfoque basado en la recurrencia. El presente artículo aborda esta brecha mediante la integración de redes neuronales convolucionales (CNN) con el análisis de recurrencia de la VFC. Empleando tres bases de datos diferentes y disponibles públicamente del repositorio oficial de PhysioNet (Apnea-ECG, MIT-BIH y UCD-DB), el método presentado pudo exponer patrones ocultos dentro de la matriz de distancia del espacio de fase de la VFC, que es discernible en un nivel apropiado de abstracción a través de CNN.

--------------------------------------------------

Obstructive sleep apnea (OSA) represents a major health problem. While polysomnography (PSG) remains the gold standard, its resource-intensive nature has encouraged the exploration of other alternative approaches. Most of them were based on heart rate variability (HRV) analysis, but only a few of them have presented a recurrence-based approach. The present paper addresses this gap by integrating convolutional neural networks (CNN) with HRV recurrence analysis. Employing three different and publicly available databases from the official PhysioNet repository (Apnea-ECG, MIT-BIH, and UCD-DB), the presented method was able to expose hidden patterns within the phase-space distance matrix of HRV, which is discernible at an appropriate level of abstraction via CNN.

#apneaobstructivadelsueño #otorrinonaringologia #obstructivesleepapnea #otorhinolaryngology #aos #neuralnetworks #deeplearning #redesneuronales #aprendizajeprofundo

Enlace/Link: https://www.mdpi.com/2076-3417...