Estudiar el sueño reparador es sorprendentemente difícil. El estándar de referencia, la polisomnografía, requiere que un paciente pase una noche en un laboratorio con electrodos pegados al cuero cabelludo, la cara, el pecho y las piernas, además de correas alrededor del torso y un oxímetro de pulso en el dedo. La configuración es costosa, incómoda y poco práctica para el tipo de monitoreo regular que los trastornos del sueño realmente necesitan.
Los investigadores han estado buscando una alternativa más simple durante años: un solo canal de EEG, registrado desde unos pocos electrodos en la frente o detrás de la oreja, combinado con un algoritmo que pueda determinar las etapas del sueño por sí solo. El desafío es que un solo canal captura mucha menos información que el montaje clínico completo, y los patrones eléctricos del cerebro durante el sueño son sutiles y fáciles de confundir.
Un equipo de la Universidad Tarbiat Modares en Teherán y la Universidad Estatal de Michigan ha publicado un método que acerca la clasificación del sueño de un solo canal a la utilidad clínica. Su enfoque, descrito en Scientific Reports, combina una transformación tiempo-frecuencia especializada llamada SynchroSqueezed Transform con un pipeline de aprendizaje profundo de tres etapas para alcanzar un 83% de precisión general en un conjunto de datos de referencia estándar.
De ondas brutas a imágenes nítidas
El primer problema que enfrenta cualquier método de clasificación del sueño de un solo canal es cómo representar la señal EEG bruta. Una grabación de 30 segundos es una oscilación ruidosa de cambios de voltaje a lo largo del tiempo. La información significativa para la clasificación del sueño reside en qué frecuencias están presentes y cómo su potencia cambia durante la noche — las ondas delta lentas del sueño profundo, los husos del sueño de la etapa 2, los ritmos alfa y beta rápidos de la vigilia.
La forma estándar de extraer esta información es un espectrograma, que divide la señal en ventanas cortas y calcula las frecuencias presentes en cada una. Pero los espectrogramas tienen una compensación fundamental: una mejor resolución temporal significa peor resolución de frecuencia, y viceversa. La SynchroSqueezed Transform utilizada por Aram y sus colegas evita esta limitación reasignando la energía espectral a crestas más nítidas y concentradas en el plano tiempo-frecuencia. El resultado es una imagen mucho más clara de cómo evolucionan los ritmos cerebrales con el tiempo, con menos borrosidad entre frecuencias cercanas.
El equipo dividió cada época de 30 segundos en segmentos de 256 muestras — aproximadamente 2.56 segundos a la tasa de muestreo de 100 Hz del conjunto de datos Sleep-EDF que utilizaron. Introdujeron estos segmentos cortos en una red neuronal convolucional en la primera etapa de lo que llaman un pipeline de aprendizaje de representación secuencial.
Aprendiendo a ver la diferencia
Entrenar una red neuronal profunda desde cero en una tarea tan compleja como la clasificación del sueño es difícil, especialmente con los datos limitados de un solo canal de EEG. Los investigadores abordaron esto con una estrategia de tres etapas que se asemeja a cómo un especialista podría aprender: primero comprender los conceptos básicos de los patrones EEG, luego aprender a distinguir entre las etapas del sueño y finalmente aprender cómo las etapas se suceden en el tiempo.
La primera etapa es un preentrenamiento supervisado directo. La CNN aprende a clasificar los microsegmentos de 2.56 segundos en etapas del sueño, construyendo una base de extractores de características útiles. Pero la innovación clave del equipo llega en la segunda etapa: el aprendizaje contrastivo.
El aprendizaje contrastivo funciona enseñando a la red a acercar las representaciones de señales similares mientras separa las representaciones de señales diferentes. Los investigadores aplicaron esto a nivel de época — la ventana completa de 30 segundos — creando pares positivos de la misma etapa del sueño y pares negativos de etapas diferentes. Este paso agudiza la capacidad del codificador para separar las etapas del sueño en el espacio abstracto donde la red representa las señales EEG, incluso antes de ver la estructura temporal de una noche completa.
La tercera etapa es donde la red aprende a pensar en secuencias. El codificador preentrenado procesa la época completa de 3000 muestras usando una estrategia distribuida en el tiempo, lo que significa que se desliza a través de la señal en fragmentos y produce una secuencia de vectores de características. Estos vectores se introducen en dos Unidades Recurrentes Cerradas apiladas — un tipo de red neuronal recurrente especializada en aprender patrones que se despliegan en el tiempo. Las GRU capturan la dependencia entre épocas consecutivas: el hecho de que la etapa 2 del sueño generalmente precede al sueño de ondas lentas, que el REM sigue una progresión específica a través del ciclo, que despertarse en medio de la etapa 3 es poco probable.
83% y lo que significa
El método alcanzó un 83% de precisión general en el conjunto de datos Sleep-EDF, una colección ampliamente utilizada de grabaciones EEG nocturnas de sujetos sanos. El rendimiento varió según la etapa del sueño. La vigilia y el sueño REM se clasificaron con mayor precisión. Las etapas más profundas del sueño no REM — la etapa 3, a veces llamada sueño de ondas lentas o sueño delta — mostraron una mayor confusión, como suele ocurrir en la clasificación automatizada del sueño.
Ochenta y tres por ciento no es perfecto, y no reemplazaría un polisomnograma clínico para diagnosticar trastornos complejos del sueño. Pero es competitivo con el estado del arte para métodos de un solo canal, y proviene de un pipeline que combina técnicas existentes de una manera novedosa. El uso del aprendizaje contrastivo para mejorar la separabilidad de las características antes del modelado secuencial es una distinción de los enfoques anteriores que entrenan toda la red de principio a fin.
Del laboratorio al dormitorio
Un solo canal de EEG se puede registrar con una configuración mínima — un parche adhesivo detrás de la oreja, una diadema, un pequeño dispositivo portátil. Sin necesidad de técnico, sin necesidad de pasar la noche. Para pacientes con sospecha de apnea del sueño, la evaluación inicial podría realizarse en casa durante varias noches, produciendo una imagen más representativa que una sola noche en un laboratorio desconocido. Automatizar la puntuación manual que los especialistas del sueño realizan actualmente también podría liberar recursos clínicos en entornos donde los evaluadores capacitados son escasos.
Lo que aún no puede hacer
El conjunto de datos Sleep-EDF, aunque estándar, contiene grabaciones de solo un número modesto de sujetos sanos sin trastornos del sueño importantes. Se desconoce si el método se generaliza a pacientes con afecciones como insomnio o narcolepsia. El algoritmo también se basa exclusivamente en EEG, perdiendo los canales de tono muscular y movimiento ocular que la polisomnografía utiliza para distinguir el REM de la vigilia. Agregar esas señales probablemente mejoraría la precisión, pero también aumentaría la complejidad de la configuración. El método tampoco ha sido probado en hardware EEG de consumo de bajo costo ni en entornos domésticos no controlados.
En resumen
La clasificación automatizada del sueño a partir de un solo canal ha sido un objetivo durante años. La combinación del preprocesamiento con SynchroSqueezed Transform con redes recurrentes preentrenadas contrastivamente representa un avance metodológico genuino, aunque el 83% de precisión deja margen de mejora. El enfoque acerca al campo un paso más hacia el objetivo de una monitorización del sueño confiable, cómoda y en el hogar que funcione sin un laboratorio del sueño.
Source: Aram, S., Ghassemi, M.M. & Mohammadzadeh Asl, B. Single-channel EEG sleep stage classification using synchrosqueezed transform and sequential representation learning. Sci Rep 16, 42477395 (2026). https://doi.org/10.1038/s41598-026-62832-5
Traducido por Alessandra