RESUMO Apneia é uma Desordem do Sono caracterizada pela interrupção ou redução do fluxo de ar por pelo menos 10 segundos. Seu diagnóstico é realizado principalmente com a Polissonografia, exame composto por uma série de sinais como o Eletrocardiograma (ECG), Electroencefalograma (EEG) e Saturação do Oxigênio (SpO 2). A maioria dos exames para o diagnóstico da apneia são desconfortáveis e caros, incentivando a busca por métodos alternativos tanto para a redução do custo, quanto para o aumento do bem-estar do paciente. Neste trabalho, foi utilizado apenas dados advindos do SpO 2 de 25 pacientes do St Vincent’s University Hospital, Dublin, para extrair parâmetros e alimentar uma Rede Neural, que realiza a classificação de pacientes com apneia. Os resultados confirmam que o método apresentado pode ser usado como uma ferramenta auxiliar no diagnóstico.

ABSTRACT Apnea is a Sleep Disorder Syndrome characterized by an interruption or reduction of air flow for at least 10 seconds. Polysomnography is a test used to apnea diagnosis. Several signals, including Electrocardiogram (ECG), Electroencephalogram (EEG) and Oxygen Saturation (SpO 2) are obtained in this diagnostic test. Since most tests for apnea are uncomfortable to the patients, there is an increase search for alternative methods to reduce cost and improve patient well-being. In this work, we use only SpO 2 data from 25 patients of the St Vincent’s University Hospital, Dublin, to extract parameters connected to a Neural Network to classify patients with apnea or non-apnea. Results confirm that our alternative method can be used as an auxiliary tool for diagnosis by using exclusively SpO 2 signal.

RESUMO Biomarcadores são medidas biológicas que ajudam a rastrear e compreender a progressão fisiopatológica de várias doenças. A combinação de diferentes modalidades de biomarcadores muitas vezes permite uma classificação de diagnóstico preciso. Na doença de Alzheimer (DA), os biomarcadores são indispensáveis para identificar indivíduos cognitivamente normais destinados a desenvolver sintomas de demência. No entanto, usando combinações de biomarcadores canônicas DA estudos têm mostrado repetidamente que as taxas de classificação são baixas quando diferenciando entre indivíduos controle, comprometimento cognitivo leve e DA. Além disso, na avaliação de múltiplas combinações de biomarcadores os classificadores enfrentam dificuldade tais como falta de dados e dados desbalanceados. Uma vez que o número de combinações biomarcadores é fatorial então usamos wrappers para evitar as múltiplas comparações. Neste trabalho comparamos a capacidade de três técnicas wrapper de selecção de caracteristicas na obtenção de combinações de biomarcadores ao maximizar taxas de classificação. Além disso, como critério para os wrappers usamos o classificador k-vizinhos mais próximos com preprosessamento de balanço de dados, sobreamostragem aleatória e sobamostragem (SMOTE). Em geral nossa análise mostra como as combinações de biomarcadores são afetadas pela estratégia de equilíbrio de dados. Mostramos que os biomarcadores não-definidores de classe e não-cognitivos têm menos precisão do que as medidas cognitivas para classificar AD. A nossa abordagem supera em média os classificadores máquina de vetores de suporte e k-vizinhos mais próximos ponderado com 94,34±3,91% de precisão para biomarcadores que definem a classe.

ABSTRACT Biomarkers are characteristics that are objectively measured and evaluated as an indicator of normal biological processes, pathogenic processes or pharmacological responses to a therapeutic intervention. The combination of different biomarker modalities often allows an accurate diagnosis classification. In Alzheimer’s disease (AD), biomarkers are indispensable to identify cognitively normal individuals destined to develop dementia symptoms. However, using the combination of canonical AD biomarkers, studies have repeatedly shown poor classification rates to differentiate between AD, mild cognitive impairment and control individuals. Furthermore, the design of classifiers to access multiple biomarker combinations includes issues such as imbalance classes and missing data. Due to the number of biomarkers combinations wrappers are used to avoid multiple comparisons. Here, we compare the ability of three wrappers feature selection methods to obtain biomarker combinations which maximize classification rates. Also, as the criterion to the wrappers feature selection we use the k-nearest neighbor classifier with balance aids, random undersampling and SMOTE oversampling. Overall, our analyses showed how biomarkers combinations affect the classifier precision and how imbalance strategy improve it. We show that non-defining and non-cognitive biomarkers have less precision than cognitive measures when classifying AD. Our approach surpasses in average the support vector machine and the weighted k-nearest neighbor classifiers and reaches 94.34 ± 3.91% of precision reproducing class definitions.