WO2013098435A1

WO2013098435A1 - Sistema de análisis de trastornos del sueño a partir de imágenes

Info

Publication number: WO2013098435A1
Application number: PCT/ES2012/000317
Authority: WO
Inventors: Luis Alfonso HERNÁNDEZ GÓMEZ; Rubén FERNÁNDEZ POZO; José Luis BLANCO MURILLO
Original assignee: Universidad Politécnica de Madrid
Priority date: 2011-12-30
Filing date: 2012-12-18
Publication date: 2013-07-04
Also published as: ES2386668A1

Abstract

La presente invención consiste en un sistema para valorar cuantitativamente la presencia del síndrome de apnea del sueño (SAHS) a partir de imágenes de la cara y el cuello de una persona. Está basada en un procedimiento de procesado de imágenes digitales que comprende: seleccionar imágenes de una persona; obtener una representación paramétrica que refleje las características de cara y cuello; extraer las características más discriminativas asociadas al SAHS; entrenar un modelo matemático que represente dichas características extraídas; construir un proceso de clasificación o regresión que a partir del modelo anterior y un conjunto de imágenes de una persona proporcione una puntuación correlacionada con la posible incidencia del SAHS en esa persona; y determinar en base a la puntuación anterior una aproximación numérica a la valoración diagnóstica que ofrece el índice de apnea-hipopnea (IAH).

Description

SISTEMA DE ANÁLISIS DE TRASTORNOS DEL SUEÑO A PARTIR DE IMÁGENES

SECTOR TÉCNICO

La invención se encuadra en el sector técnico de dispositivos médicos para diagnóstico y tratamiento de trastornos del sueño. Más concretamente en el relativo a los problemas asociados al síndrome de la apnea del sueño (SAHS). Presenta relación directa con técnicas no-invasivas de detección de patologías. ANTECEDENTES DE LA INVENCIÓN

El síndrome de apneas-hipopneas (SAHS) consiste en la aparición de episodios recurrentes, con una duración de al menos 10 segundos, de limitación al paso del aire durante el sueño. El SAHS es consecuencia de una alteración anatómico-funcional de la vía aérea superior (VAS) que conduce a su colapso, provocando descensos de la saturación de oxihemoglobina (SaO2) y microdespertares. La limitación del paso de aire puede suponer tanto lo que se denomina apnea, cese (reducción mayor del 90 %) de la señal respiratoria, como una reducción parcial de la señal respiratoria, hablándose en este caso de hipopnea.

En España, el SAHS afecta aproximadamente a un 9% de la población, estimándose que en torno a dos millones de personas pueden padecerlo en su forma más severa, estando diagnosticado tan sólo entre un 5-10 % de estos casos. El SAHS da lugar a un sueño no reparador, somnolencia diurna excesiva y predispone a padecer hipertensión arterial, diabetes, trastornos neuropsiquiátricos y enfermedades cardio y neurovasculares. Además según diversos estudios, es causa del 30% de los accidentes laborales y siniestros en las carreteras. La severidad de un SAHS viene dada por el índice de apnea-hipopnea (IAH), que es el número de apneas más el de hipopneas por hora de sueño; aunque hay que destacar que no existe un consenso uniforme sobre el número de eventos/hora de apnea-hipopnea (IAH) necesarios para hacer un diagnóstico de SAHS. Por ejemplo, la valoración diagnóstica de IAH no es uniforme, siendo diferente para una persona de mediana edad que para una persona anciana. Frecuentemente asociado al ronquido, la somnolencia diurna es en realidad su más claro indicador. Sin embargo, el diagnóstico clínico de referencia es la Polisomnografía convencional (PSG) que se realiza mediante el internamiento en una unidad del sueño hospitalaria del paciente, y consiste en el registro simultáneo, mediante varios sensores acoplados al cuerpo del paciente, de variables neurofisiológicas y cardio-respiratorias que permitan evaluar la cantidad y calidad del sueño. Este registro debe tener una duración no menor a 6,5 horas incluyendo por lo menos 180 minutos de sueño, y requiere la presencia de personal técnico que supervise directamente todo el proceso. La PSG es por tanto un proceso incómodo para el paciente y costoso, estimándose en la actualidad un rango de 300-400€ por prueba (Alvarez, M.L.A.; Santos, J.T.; Guevara, J.C.; Martínez, M.G.; Pascual, L.R.; Bañuelos, J.L.V. y Cabello, A.M. -2008- "Fiabilidad de la poligrafía respiratoria domiciliaria para el diagnóstico del síndrome de apneas-hipopneas durante el sueño". Análisis de costes. Arch Bronconeumol, 44(1), pp. 22-28.).

Es por este motivo, y considerando la demanda creciente de diagnósticos, por lo que las unidades de sueño de muchos centros hospitalarios presentan un servicio costoso y con unas inaceptables listas de espera. Todo ello ha ido impulsando la búsqueda de técnicas diagnósticas alternativas o complementarias a las actuales, como los estudios polisomnográficos en el propio domicilio del paciente, o la introducción de sistemas simplificados respecto a la PSG tradicional, como la Poligrafía Respiratoria (PR) o las pruebas oximétricas, que en algunos casos pueden utilizarse como técnicas para la selección o filtrado (screening) de casos más graves que requieran un diagnóstico más urgente. En este sentido, se citan tres ejemplos de técnicas alternativas de diagnóstico a las de referencia que han sido patentadas con anterioridad: La patente U.S. No. 4982738, "Diagnostic apnea monitor system" , publicada el 8 de enero de 1991 , que revela un sistema de diagnóstico de la apnea basado en la grabación de sonidos asociados al ronquido y respiración del paciente, junto a su ritmo cardíaco mientras duerme; La patente U.S. No. 6580944, "Method and apparatus for diagnosing sleep breathing disorders while a patient in awake", publicada el 17 de junio de 2003, que revela un aparato y método para el diagnóstico de trastornos respiratorios del sueño u otras disfunciones respiratorias mientras el paciente está despierto; La patente internacional, con Registro Oficina Española de Patentes No. W07000253, "Sistema para la determinación y monitorización de los índices de desaturaciones y tasa respiratoria instantánea", publicada el 26 de abril de 2007, que revela un sistema basado en la extracción de componentes de la señal de saturación de oxígeno en sangre para detectar eventos respiratorios y determinar valores como tasa respiratoria y sus desviaciones (taquiapnea/bradiapnea) e índices de desaturaciones. Permitiendo así la monitorización y ayuda al diagnóstico de trastornos respiratorios para su uso en anestesias, cuidados intensivos y emergencias sanitarias, y ayuda al diagnóstico del SAHS.

Es en este marco de escasez de recursos y de demanda creciente de diagnósticos alternativos del SAHS donde se propone esta invención, consistente en un sistema que a partir de, al menos dos (de frente y de perfil), imágenes digitales del paciente que recojan su cara y cuello (estando despierto) y mediante la utilización de técnicas de procesamiento de imágenes, proporcione una estimación precisa del índice de apnea-hipopnea (IAH). Valoración que puede ser empleada tanto en procesos de screening de personas que van a ser sometidas a diagnóstico de SAHS, como apoyo o complemento de otras técnicas de diagnóstico.

En relación a las técnicas de procesado digital de imágenes utilizadas, especificamos los procedimientos empleados en esta invención que son aquellos utilizados en el campo del reconocimiento biométrico de caras para diferentes aplicaciones tales como sistemas de vigilancia, seguridad, búsqueda de contenidos multimedia, medición de audiencias, etc. (véase, por ejemplo, la patente U.S. No. RE36041 , "Face recognition system", publicada el 1 de diciembre de 1999). La precisión de este tipo de sistemas depende principalmente de la capacidad para extraer características discriminativas de las imágenes y de incorporar técnicas de clasificación de patrones que también posean una alta capacidad de discriminación (un ejemplo podría verse en la patente U.S. No. 7054468, "Face recognition using kernel fisheríaces", publicada el 30 de mayo de 2006). De forma general, las características sobre las que se aplican dichas técnicas pueden ser de dos tipos: 1) la imagen de la cara completa utilizada como atributo de clasificación después de haberla recortado, normalizado en tamaño e iluminación, o 2) las basadas en la extracción de un conjunto de elementos o medidas discriminantes de la imagen facial. Además de la utilización de técnicas de reconocimiento de caras para la identificación de una persona específica, existen también aplicaciones orientadas a su uso en sistemas de clasificación sobre un determinado grupo o población de personas que compartan alguna característica común.

La estructura craneoencefálica de los pacientes de SAHS ha sido utilizada desde varios años atrás para determinar las medidas de las estructuras faciales de las personas que padecen dicho síndrome (Seto H.B.; Gotsopoulos, H.¡ Sims M.R.; y Cistulli, P.A. -2001- "Maxillary orphology in obstructive sleep apnoea síndrome." European Journal of Orthodontics 23, pp 703-714). Pero los medios de diagnóstico del factor anatómico, que permiten una evaluación muy precisa de la vía aérea superior, son costosos y principalmente radiológicos: como la Tomografía Axial Computarizada (TAC) o la Resonancia Nuclear Magnética (RNM). También entre las pautas de exploración de pacientes con sospecha de SAHS, recogido en (Puertas, F.J.; Pin, G.; Cano, J.M. y Durán, J. -2005- "Consenso Nacional sobre el síndrome de apneas-hipopneas del sueño SAHS. Grupo Español del Sueño" . Arch. Bronconeumología, 41 (4), pp. 3-110), se contempla el "...examen visual del paciente valorando el morfotipo (obesidad, cuello corto por ejemplo) y la constitución facial, especialmente discordancias maxilomandibulares, malas mordidas, y alteraciones mandibulares". Existen por tanto bases suficientes para afirmar que la existencia de rasgos anatómicos específicos en los pacientes de SAHS deberá reflejarse, de alguna manera, en las imágenes (tanto de frente como de perfil) que recojan la forma de su cara y cuello. En la presente invención no se pretende determinar cuáles son dichos rasgos específicos, sino, bajo la hipótesis de su existencia, plantear la aplicación de técnicas de reconocimiento de caras, similares a las que se utilizan en sistemas biométricos, para la detección de dichos rasgos y poder diferenciar entre personas sanas y pacientes con SAHS.

DESCRIPCIÓN DE LA INVENCIÓN

La presente invención versa acerca de un sistema que integra técnicas de procesamiento de imágenes digitales y clasificación de patrones, para proporcionar una puntuación correlacionada con el índice IAH que representa una valoración cuantitativa que sirva de apoyo al diagnóstico del SAHS. Además, esta puntuación puede ser combinada, a través de la amplia variedad de técnicas de fusión de puntuaciones existentes, con otras medidas que ya se utilizan o se pudiesen utilizar en un futuro en el diagnóstico del SAHS. Así, por ejemplo, la puntuación ofrecida por el sistema objeto de la presente invención podría combinarse tanto con medidas del historial clínico del paciente, como su índice de Masa Corporal (IMC) o el Perímetro Cervical, como con otras puntuaciones obtenidas mediante procedimientos y sistemas similares al presentado en esta invención que trabajen con otras señales biométricas, como por ejemplo la señal de voz del paciente.

La invención propone un sistema de análisis de trastornos del sueño a partir de imágenes. Entre los módulos se incluye:

- un módulo de medición que mide, a partir de al menos dos imágenes que contengan cara y cuello del paciente, con una de ellas una imagen de perfil y con otra de ellas una imagen frontal, una pluralidad de características discriminativas. - Un módulo de comparación que normaliza y compara una pluralidad de medidas realizadas con un conjunto de medidas normalizadas almacenadas en una base de datos correspondientes a una pluralidad de individuos diagnosticados con trastornos del sueño y sin trastornos del sueño.

- Un módulo de asignación que asigna un índice cuantitativo del grado de trastorno del sueño según la comparación realizada en el paso anterior.

BREVE DESCRIPCIÓN DE LOS DIBUJOS

Figura 1.- Representación esquemática y simplificada del sistema objeto de esta invención basado en la captura y procesamiento de imágenes de cuello y cara de una persona para proporcionar una medida correlacionada con el índice IAH.

Figura 2.- Diagrama que ilustra el procedimiento de análisis de imágenes para obtener una valoración cuantitativa del SAHS.

Figura 3.- Diagrama que ilustra el proceso de entrenamiento de patrones que utilice el sistema objeto de esta invención. Figura 4.- Representación de un ejemplo de medidas utilizadas en el módulo de extracción de características relacionadas con la Tabla 1.

DESCRIPCIÓN DE UNA REALIZACIÓN PREFERIDA

La presente invención se ilustra adicionalmente mediante un modo de realización basado en un método de detección y extracción de características de las imágenes, y en el uso de un clasificador Naive Bayes. Este modo de realización tiene como único objetivo demostrar la presente invención y no pretende ser limitativo de su alcance. La Figura 1 muestra una representación esquemática y simplificada del sistema objeto de esta invención. El sistema incluye un dispositivo de captura de imágenes 100 que obtiene la imagen de cara y cuello del usuario situado enfrente de él 103 y la imagen de cara y cuello de perfil 104. Un dispositivo con capacidad de procesado 101 , como por ejemplo un ordenador, procesa las imágenes capturadas y proporciona una información sobre la presencia de SAHS 102 en el usuario. Hay que indicar, no obstante, que podría excluirse el dispositivo de captura de imagen del procedimiento ya que, por ejemplo, el sistema podría trabajar sobre imágenes previamente capturadas accesibles a través de algún sistema de almacenamiento multimedia o Internet.

El sistema solo requiere la captura de, al menos, dos imágenes, una de frente y otra de perfil que recojan, cada una de ellas, la cara y el cuello del paciente. Las imágenes se capturan a una distancia razonable, con una resolución igual o mayor a 5 mega píxeles y con un ángulo visual suficientemente estrecho. Es también importante que la imagen no esté borrosa, ya que se reduciría la resolución efectiva de la imagen. Finalmente, es importante comprobar (por ejemplo utilizando histogramas) que se ha alcanzado una profundidad eficaz de píxeles de al menos 8 bits. Estas fotografías del paciente podrían capturarse tanto en una visita a la consulta hospitalaria, como en remoto (por ejemplo, en el domicilio del paciente) utilizando la cámara de su teléfono móvil o de un ordenador personal. La alta calidad y el bajo coste con el que las cámaras digitales permiten la captura de imágenes, junto al importante avance y precisión que en los últimos años han experimentado las técnicas de procesamiento de imágenes y clasificación de patrones, hacen que la presente invención represente una alternativa eficiente y eficaz como apoyo a los procesos de diagnóstico del SAHS.

De forma general, las técnicas de reconocimiento de caras constan de dos módulos principales:

1. Un módulo de extracción de características

2. Un módulo de clasificación de patrones

El módulo de extracción de características tiene como misión obtener, a partir de una imagen, un vector de valores que describan diferentes características de la cara, sobre el que, posteriormente, actúa el módulo de clasificación de patrones. Existen diferentes de técnicas de extracción de características, como, por ejemplo:

1) Las basadas en el uso de un vector que represente a la imagen completa, después de haberla recortado previamente y normalizado en tamaño e iluminación.

2) Las basadas en representar cada imagen como una combinación lineal de un conjunto de imágenes base (eigenfaces o autocaras). De forma que cada imagen quedará representada por un vector de características que contiene los pesos de la combinación lineal de autocaras que genera dicha imagen.

3) O las basadas en la extracción de un conjunto de puntos o medidas (distancias, ángulos) obtenidas automáticamente de la imagen. Independientemente de la técnica de extracción de características que se utilice, el resultado del módulo de extracción de características será un vector de valores V = (V_1t V₂, V_N) sobre el que actuará el módulo de clasificación de patrones. En esta realización preferida utilizamos una técnica de extracción de un conjunto de puntos y medidas (del tercer grupo), pero podría emplearse cualquier otra técnica de extracción de características.

Estas medidas pueden obtenerse automáticamente de diferentes formas, como por ejemplo mediante la localización automática de la cara y el cuello del sujeto a través de un algoritmo que, en primer lugar, realiza una detección de la posición de los ojos, boca y nariz. A continuación, se le aplica un algoritmo de detección de bordes, que permite localizar los puntos del contorno de la cara (en la imagen frontal) y del perfil (en la imagen lateral). A partir de estas informaciones se pueden obtener las medidas que compondrán el vector de valores sobre el que actuará el módulo de clasificación de patrones.

Más concretamente, y como ejemplo de un conjunto de medidas que podemos emplear, podemos ver en la Tabla 1 las distancias, ángulos y área que podrían conformar el vector de características utilizado en esta realización preferida. Medidas que además se ilustran en la Figura 4.

Tabla 1 : Medidas del vector de características utilizado. A continuación, y a modo de resumen, se describe gráficamente el procedimiento de extracción de características de las imágenes que realiza el sistema con referencia a la Figura 2. Se obtienen las imágenes de entrada (etapa 203), al menos una de frente 201 y otra de perfil 202, de un usuario para su análisis. Después se localiza automáticamente la cara y cuello (etapa 204) en cada imagen y se extrae el vector de N características V = ( , V₂, VN) compuesto por las medidas recogidas en la Tabla I (etapa 205), siendo N el número de medidas utilizado. Una vez obtenido dicho vector de características, la invención se basa en que, este vector de dimensión N ocupará una posición en un espacio N-dimensional diferente, dependiendo de la presencia o no del SAHS en una persona. Por tanto, sobre el vector de características obtenido 205 se podrá aplicar un módulo de clasificación de patrones (etapa 206) que a partir de dicho vector proporcione una puntuación correlacionada con la valoración diagnóstica que ofrece el índice de apnea-hipopnea (IAH).

Para este fin pueden utilizarse una amplia variedad de técnicas de clasificación de patrones, como por ejemplo, las basadas en Análisis Discriminante, Clasificadores Bayesianos, Redes Neuronales, Técnicas de Regresión, etc. En cualquier caso, sea cual fuere la técnica de clasificación de patrones que se utilice, será necesario considerar dos etapas:

1. La etapa de entrenamiento del clasificador: en la que a partir de unos datos de ejemplo o entrenamiento se obtendrán los parámetros o patrones del clasificador.

2. La etapa de clasificación, en la cual se presentará al clasificador un vector de características y éste proporcionará un resultado de clasificación. En esta realización preferida utilizamos la técnica conocida como clasificador Naive Bayes. El clasificador de patrones Naives (etapa 206), permite obtener la probabilidad P de que la variable clase C tome un valor determinado (en nuestro caso, un valor correlacionado con el índice de apnea-hipopnea - IAH) condicionada a los valores del vector de características V = (V V₂, V_N) (en nuestro caso, por ejemplo, las medidas recogidas en la Tabla 1 - etapa 205):

P= P(C/ V_1T V₂, V_N)

El resultado del módulo de clasificación de patrones, C estimado, será el valor de C que maximice la probabilidad anterior:

Cjestimado = argmax_c {PfC/ V^ V₂, VN)}

Como se indicó anteriormente, el clasificador Naive Bayes tiene ser entrenado previamente y disponer de los parámetros o patrones 207 que le permitan realizar el cálculo de esta probabilidad. Así, se describe el proceso de entrenamiento con referencia a la Figura 3. En este caso particular los patrones necesarios a entrenar serán:

1. Las probabilidades de cada variable V, condicionadas a cada valor posible de la variable clase C: P(V/C) para /^' = 1,.., N.

2. Las probabilidades a priori de cada valor de C: P(C). A partir de estas probabilidades obtenidas en la fase de entrenamiento, el clasificador de patrones podrá calcular, utilizando el Teorema de Bayes, para un vector de características determinado, la probabilidad prob(C/ V₁, V₂, V_N) necesaria para el cálculo del Cjestimado, tal y como se describió anteriormente. El entrenamiento consiste, en primer lugar, en tomar una base de datos 301 con un conjunto de imágenes de cara y cuello, de frente y de perfil, de una suficiente pluralidad de individuos, tanto de personas que no padezcan SAHS como de personas que hayan sido diagnosticadas con la enfermedad. Como se detallará más adelante, por cada persona en esta base de datos se dispondrá de un vector de características V = (V_1T V₂, VN) y un índice IAH asociado o la indicación de que corresponden a una persona que no padece SAHS (variable C). El conjunto total de vectores e índices de IAH de todas las personas en la base de datos se utilizará para estimar las probabilidades P(V/C) para /^' = 1,.., N y las probabilidades P(C) que constituyen los patrones del clasificador. El conjunto de pacientes de SAHS que contenga la base de datos 301 deberá contar también con la mayor variabilidad posible en el índice IAH.

Un módulo de procesado de la base de datos (etapa 302) obtiene cada una de las imágenes de la base de datos 301 y aplica las mismas técnicas de detección de cara y cuello (etapa 204) y extracción de características discriminativas (etapa 205) descritas anteriormente para el procedimiento de análisis de imágenes que realiza el sistema (Figura 2). De esta forma se genera una base de datos de vectores de características 303 (con las medidas recogidas en la Tabla 1). Por tanto, habrá un vector de características por cada par de imágenes (de frente y perfil) asociadas a cada persona representada en la base de datos. Sobre la base de datos de vectores de características y utilizando la información de qué personas no padecen SAHS e índices IAH de pacientes de SAHS, se lleva a cabo un proceso de entrenamiento (etapa 304) que generará los patrones 207 del clasificador Naive Bayes, tal y como se detalló anteriormente. Se podría utilizar otro tipo de esquemas de clasificación de patrones diferentes al clasificador Naive Bayes. En este caso el proceso de entrenamiento de patrones (etapa 304) utilizaría los procedimientos existentes correspondientes a la técnica de clasificación de patrones (Redes Neuronales, Métodos de Regresión etc.) que vaya a utilizarse (etapa 206) para la obtención de la puntuación SAHS 102.

El proceso de entrenamiento (etapa 304) también podrá incorporar técnicas ya existentes que permitan la selección de un subconjunto óptimo de las características discriminativas 205 almacenadas en la base de datos de imágenes parametrizadas 303 (Como por ejemplo, mediante un algoritmo de selección secuencial hacia adelante - SFS. Este proceso de selección de características se podrá realizar de forma simultánea a la etapa de generación de los patrones 207 (etapa 304), o bien como una etapa previa.

Al resultado del proceso anterior puede incorporase, tal como comentamos anteriormente, utilizando técnicas de (etapa 208), otras características relacionadas con el SAHS 209 que estén disponibles para el proceso de diagnóstico (edad, IMC, perímetro cervical, medidas sobre otras señales biométricas, etc.). El resultado final será una puntuación valorativa del SAHS 102 que esté correlacionada con el índice IAH de usuario al que corresponden las imágenes analizadas.

A continuación se muestran resultados de los experimentos llevados a cabo que describen esta realización preferida. Para ello se ha utilizado una base de datos de imágenes de 69 personas, 37 diagnosticadas con SAHS con un IAH mayor de 30 (SAHS), y el resto, 32, tienen un IAH menor que 10 (Control). De cada persona se ha dispuesto de dos imágenes, una de frente y otra de perfil, que recogen su cara y cuello. Las características extraídas de las imágenes corresponden a las medidas recogidas en la Tabla I y representadas en la Figura 4. A partir de esta información, y haciendo uso de la información sobre el IAH de cada sujeto de la base de datos, se realizó el entrenamiento del clasificador Naive Bayes y la validación del clasificador entrenado utilizando una estrategia típica de validación cruzada conocida como "leave-one-ouf. En la Tabla 2 se muestran los resultados de clasificación obtenidos con este procedimiento, indicándose los porcentajes de sujetos de control y con SAHS que fueron correctamente clasificados. Se puede ver que se obtiene una prometedora tasa de clasificación cercana al 95 %.

Tasas de Grupo Control Grupo SAHS Total

Clasificación

87,5 % (28/32) 100 % (37/37) 94,2 % (65/69) Correcta % Tabla 2. Tasas de Clasificación Correcta obtenidas con el procedimiento de análisis de las imágenes de cara y cuello

APLICACIÓN INDUSTRIAL

La aplicación industrial de la presente invención se situaría en el espacio de productos que aplican técnicas diagnósticas de SAHS alternativos a la costosa polisomnografía convencional (PSG), que hoy en día representa el diagnóstico clínico de referencia. Más específicamente, la invención tendría aplicación como técnica para la selección o filtrado (screening) de casos más graves que requieran un diagnóstico más urgente.

Asimismo, la presente invención tendría aplicación industrial como un módulo integrado con otros sistemas simplificados respecto a la PSG tradicional, como la Poligrafía Respiratoria (PR), pruebas oximétricas, o pruebas sobre otras señales biométricas como la voz, que, conjuntamente pudieran combinarse para ofrecer un valor predictivo más preciso del IAH. Referencias Numéricas

100 Dispositivo de captura de imágenes.

102 Módulo de asignación para cuantificar SAHS.

103 Imagen de cara y cuello de frente.

104 Imagen de cara y cuello de perfil.

101 Dispositivo de procesado.

201 Imagen de usuario de frente.

202 Imagen de usuario de perfil.

203 Obtención imágenes de entrada.

204 Localización de cara y cuello.

205 Extracción de características discriminativas.

206 Clasificación de patrones.

207 Parámetros o patrones. Fusión de información.

Información relacionada con SAHS. BBDD de imágenes.

Módulo de procesado de la BBDD 301 BBDD de características discriminativas. Entrenamiento de patrones 207.

Claims

REIVINDICACIONES

1.- Sistema de análisis de trastornos del sueño a partir de imágenes caracterizado por que comprende los siguientes módulos:

- un módulo de medición (204,205) configurado para medir, a partir de al menos dos imágenes que contengan cara y cuello del paciente, con una de ellas una imagen de perfil (104) y con otra de ellas una imagen frontal (103), una pluralidad de características discriminativas seleccionables entre al menos las siguientes medidas realizadas en la imagen frontal (103):

distancia entre los ojos,

distancia entre las cavidades del oído,

longitud de la mandíbula,

longitud del cuello,

ángulo formado entre la recta que une los oídos y la recta que une el oído derecho y el punto medio de la barbilla,

ángulo formado entre la recta que une los oídos y la recta que une el oído izquierdo y el punto medio de la barbilla,

ángulo formado entre la recta que une los oídos y el punto medio de la barbilla;

y entre al menos las siguientes medidas realizadas en la imagen de perfil (104): distancia entre la cavidad del oído y el punto medio de la barbilla, distancia entre la cavidad del oído y el punto superior de la nariz, distancia entre la cavidad del oído y el cuello,

ángulo formado entre la recta que une oído y el punto superior de la nariz y la recta que une el oído y el punto medio de la barbilla, ángulo formado entre la recta que une el oído y el punto medio de la barbilla y la recta que une el cuello y el punto medio de la barbilla, área formada por el grosor del cuello;

- un módulo de comparación (206) configurado para normalizar y comparar una pluralidad de medidas realizadas con un conjunto de medidas normalizadas almacenadas en una base de datos (207,303) correspondientes a una pluralidad de individuos diagnosticados con trastornos del sueño y sin trastornos del sueño,

- un módulo de asignación configurado (102) para asignar un índice cuantitativo del grado de trastorno del sueño según la comparación realizada en el paso anterior.

2. - Sistema de acuerdo con la reivindicación 1 , caracterizado por que comprende un módulo de escritura configurado para escribir en una base de datos (303) información acerca de las medidas realizadas en las imágenes del paciente.

3. - Sistema de acuerdo con la reivindicación 1 ó 2, caracterizado por que comprende un módulo de entrenamiento (304) para generar patrones (207) de acuerdo con un esquema de clasificación.

4. - Sistema de acuerdo con la reivindicación 3, caracterizado por que el esquema de clasificación implementado se selecciona entre al menos uno de los siguientes:

- Análisis Discriminante,

- Clasificadores Bayesianos,

- Red Neuronal,

- Modelo de Regresión,

- Naive Bayes.

5.- Sistema de acuerdo con la reivindicación 3 ó 4, caracterizado por que el módulo de comparación (206) está configurado además para construir a partir de las características medidas, un vector de valores y por que el módulo de asignación (102) está configurado además para asignar una puntuación correlacionada con el índice de apnea-hipopnea (IAH).

6.- Sistema de acuerdo con una cualquiera de las reivindicaciones anteriores, caracterizado por que comprende además un módulo de obtención de imágenes (203) configurado para captar imágenes del paciente.