Predição e Classificação de eventos apneicos utilizando uma rede híbrida CNN-LSTM aplicada com ferramentas estatísticas

• Processo: 25/19661-4
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de janeiro de 2026
• Data de Término da vigência: 31 de dezembro de 2026
• Área de conhecimento: Engenharias - Engenharia Biomédica
• Pesquisador responsável: Carlos Dias Maciel
• Beneficiário: Alexandre Moreira dos Santos Delfino
• Instituição Sede: Faculdade de Engenharia (FEG). Universidade Estadual Paulista (UNESP). Campus de Guaratinguetá. Guaratinguetá , SP, Brasil
• Assunto(s): Apneia do sono Inteligência artificial Polissonografia
• Palavra(s)-Chave do Pesquisador: Apnéia do Sono | Cnn-Lstm | correlação cruzada | Independência Condicional | Inteligência Artificial | polissonografia | Processamento de sinais fisiológicos

Resumo

A apneia do sono é um distúrbio prevalente com sérios impactos cardiovasculares e cognitivos. O diagnóstico padrão, baseado na análise manual da polissonografia (PSG), é um processo caro, demorado e de acesso restrito, o que dificulta a triagem em larga escala. Modelos de inteligência artificial existentes para automação do diagnóstico frequentemente assumem a sincronicidade dos sinais fisiológicos, ignorando os atrasos temporais entre a obstrução do fluxo aéreo (sinal FLOW), o esforço respiratório (sinal RIP) e a subsequente queda na saturação de oxigênio (SpO2). Esta lacuna pode limitar a precisão e a interpretabilidade dos modelos. Para solucionar este problema, este projeto propõe uma metodologia inovadora que integra duas etapas: primeiro, a quantificação destes atrasos fisiológicos através de ferramentas estatísticas, como a correlação cruzada; segundo, a utilização explícita destes atrasos como features em uma rede neural híbrida (CNN-LSTM). Utilizando uma base de dados clínicos da FMRP-USP, espera-se que o modelo proposto, enriquecido com esta informação temporal, demonstre uma performance superior na detecção e classificação dos diferentes tipos de apneia (obstrutiva, central e mista). O resultado tem o potencial de levar a ferramentas de diagnóstico mais rápidas, acessíveis e alinhadas à fisiopatologia do distúrbio. (AU)