Programa del congreso
Resúmenes y datos de las sesiones para este congreso. Seleccione una fecha o ubicación para mostrar solo las sesiones en ese día o ubicación. Seleccione una sola sesión para obtener una vista detallada (con resúmenes y descargas, si están disponibles).
|
Resumen diario |
| Sesión | |
|
Mi-S2.1-GIB I: Premios SEIB-Fenin (I) Lugar: Salón de Actos Presidente de la sesión: Elisabete Aramendi Ecenarro Presidente de la sesión: Juan Carlos Antony García Presidente de la sesión: Pablo Laguna Presentación de trabajos seleccionados para el Premio SEIB-FENIN para estudiantes del Grado en Ingeniería Biomédica. | |
    | |
15:44 - 15:55
StageECG: un enfoque deep learning para detectar las fases del sueño a partir del ECG nocturno de niños con sospecha de apnea obstructiva 1: Grupo de Ingeniería Biomédica, Universidad de Valladolid; 2: CIBER de Bioingeniería, Biomateriales y Nanomedicina (CIBER-BBN); 3: Joan C. Edwards School of Medicine, Marshall University La apnea obstructiva del sueño pediátrica (AOS) es un trastorno respiratorio relacionado con un mayor riesgo cardiovascular para los niños afectados. En este contexto, la clasificación precisa de las fases del sueño es esencial para su diagnóstico. Sin embargo, este proceso suele realizarse manualmente por especialistas clínicos, lo que implica una elevada carga de trabajo, subjetividad y dependencia del nivel de experiencia. Como alternativa, proponemos un método basado en el uso de convolutional neural networks (CNN) para la clasificación automática de dichas fases. En este sentido, el electrocardiograma (ECG) representa una alternativa menos incómoda que el electroencefalograma habitual y facilita la evaluación del riesgo cardiovascular asociado a la AOS. Por ello, se han utilizado 1.610 ECGs nocturnos de la base de datos pública Childhood Adenotonsillectomy Trial para desarrollar y evaluar un modelo CNN de predicción de las cinco fases del sueño: W, N1, N2, N3 y sueño REM. Además, a partir de la clasificación del modelo, se estimaron métricas clave como el tiempo total de sueño y el tiempo despierto tras comenzar el sueño, a fin de completar el análisis de su aplicabilidad clínica. El modelo propuesto logró un rendimiento superior al de enfoques previos basados en ECG, o señales cardíacas derivadas, alcanzando una exactitud y kappa de Cohen en 5 clases del 78,00 % y del 0.70 en el conjunto de test, respectivamente.
| |