¿Qué es una solución de etapas del sueño por EEG?
La solución conecta adquisición de EEG y EOG/EMG opcionales con calidad, división de datos, revisión de etiquetas, entrenamiento, inferencia, visualización y pruebas de despliegue en una cadena versionada. Wake, N1, N2, N3 y REM pueden ser objetivos, pero la capacidad real se confirma solo con datos y pruebas acordadas.
Arquitectura de extremo a extremo
El dispositivo y el modelo no se evalúan aislados; la relación entre señal, etiqueta, software, entorno y aceptación sigue siendo trazable.
| Nivel | Contenido principal | Puntos por confirmar |
|---|---|---|
| Señales | EEG, EOG, EMG, movimiento, respiración y SpO2 opcionales | Canales, posición, referencia, uso y sincronía |
| Adquisición | Protección, AFE, ADC, control, memoria y comunicación | Banda, ruido, saturación, pérdidas y energía |
| Calidad | Contacto, saturación, red, artefactos y pérdidas | Reglas, datos brutos, exclusiones y versión |
| Etiquetas | Etapas por especialista o sistema de referencia | Norma, acuerdo, cambios y división por persona |
| Modelo | Preproceso, entrenamiento, inferencia, confianza y versión | Entradas, recursos, actualización y reproducción |
| Aplicación | Grabación, reproducción, etapas, revisión, edición y exportación | Acceso, auditoría, formato y API |
| Verificación | Prueba independiente, matriz de confusión, métricas y fallos | Muestra, métrica, umbral y protocolo |
Señales y hardware
Canales, posiciones, EOG/EMG, muestreo, memoria y forma de uso se derivan del método de etiquetas y del dispositivo objetivo. Reducir entradas exige reentrenar o volver a verificar.
El hardware incluye protección, AFE, ADC, control, energía, comunicación, memoria, contacto y tiempo de eventos.
Software de adquisición y revisión
Puede integrar configuración, curvas, grabación nocturna, eventos, tramos malos, etiquetas, comparación entre resultado automático y referencia, historial de edición y exportación. Datos brutos, procesados, etiquetas y modelo permanecen vinculados.
Desarrollo del modelo
El entrenamiento empieza tras fijar señales, ventanas, preproceso, esquema de etiquetas, división por participante y recursos objetivo. Una misma persona no debe mezclarse indebidamente entre entrenamiento y prueba independiente.
Datos públicos ayudan con rutas o baselines, pero pueden diferir en dispositivo, derivaciones, población y etiquetado. La evaluación final requiere datos del dispositivo y escenario objetivo.
Métricas
Además de exactitud global, se evalúan precisión y recall por etapa, Macro-F1, Kappa, matriz de confusión, resultados por persona o dispositivo y comportamiento con datos malos o canales ausentes. Métricas y umbrales se fijan en el protocolo.
Despliegue
Se puede usar análisis offline, casi en tiempo real en PC, móvil o edge, API controlada o modo híbrido. Se evalúan latencia, cómputo, batería, red, privacidad, actualización y mantenimiento.
Entrega y aceptación
El alcance puede contener requisitos, arquitectura, documentos de hardware, firmware, aplicaciones, diccionario de datos, etiquetas, modelo, interfaz de inferencia, scripts, resultados y límites.
En la aceptación se registran versiones de dispositivo, firmware, modelo, datos, entorno y reglas de exclusión.
Límite médico
La salida durante el desarrollo sirve para investigación, análisis o validación funcional y no sustituye automáticamente la valoración médica o el diagnóstico. El uso clínico sigue requisitos regulatorios, de calidad, riesgo, verificación y registro.
Servicios relacionados
Para la cadena EEG, consulte desarrollo de sensores y adquisición EEG. Para movimiento, PPG, SpO2, respiración o presión, consulte desarrollo de sensores y sistemas de monitorización del sueño.
FAQ
¿EEG, EOG y EMG deben recogerse juntos?
Las entradas se definen por finalidad, etiquetas, límites de uso y métricas. Reducir señales exige reentrenamiento o nueva verificación.
¿Se pueden generar Wake, N1, N2, N3 y REM?
Las cinco etapas pueden ser objetivo, pero etiquetas, datos, divisiones, reglas de calidad y métricas deben fijarse y probarse con datos reales.
¿Pueden entrenarse directamente datos PSG existentes?
Primero se revisan derechos, desidentificación, integridad, derivaciones, muestreo, acuerdo, población y exclusiones.
¿Cómo se evalúa el modelo?
Una prueba independiente por participante usa matriz de confusión, métricas por etapa, Macro-F1, Kappa y condiciones; se registran versiones de datos, dispositivo y modelo.
¿Puede ejecutarse en tiempo real en el dispositivo?
Depende del cómputo, memoria, batería, latencia y formato; el build del dispositivo objetivo necesita regresión.
¿El resultado puede ser diagnóstico?
Un resultado de desarrollo no es diagnóstico automático. El uso clínico requiere una ruta específica de finalidad, regulación, calidad, verificación y registro.