# Title: OSA prediction methods SLR

# Abstract

Sleep apnea disease is a disease that affects about 1 billion people worldwide. It is distinguished in three types: Obstructive, Central and Mixed. As it is a disease associated with sleep, its detection is made more difficult by the fact that its symptoms are not very noticeable to the patient. With this, the actual number of diagnoses is much lower than expected. Without a diagnosis and, consequently, without proper treatment, the probability of developing cardiovascular diseases increases, and in more extreme cases it can lead to death.

The most used diagnostic method for apnea is Polysomnography. It is the exam that analyzes the patient's sleep through several electrocardiogram sensors, electromyogram, blood oxygenation, among others. As it is an examination that requires several sensors that are connected to the patient throughout his sleep, this is an uncomfortable examination and that requires some means, both of equipment and specialists, making it expensive in time and cost. In this context, new diagnostic methods are emerging. One of these methods involves using only electrocardiograms.

This document provides an overview of the effort made to find the best method using electrocardiograms, as well as proposing an approach with the use of a diagnostic device.

# Introduction
:::info
###### Eduardo
Sleep apnea disease is a disease that affects about 1 billion people worldwide. It is distinguished in three types: Obstructive, Central and Mixed. As it is a disease associated with sleep, its detection is made more difficult by the fact that its symptoms are not very noticeable to the patient. With this, the actual number of diagnoses is much lower than expected. Without a diagnosis and, consequently, without proper treatment, the probability of developing cardiovascular diseases increases, and in more extreme cases it can lead to death.

The most used diagnostic method for apnea is Polysomnography. It is the exam that analyzes the patient's sleep through several electrocardiogram sensors, electromyogram, blood oxygenation, among others. As it is an examination that requires several sensors that are connected to the patient throughout his sleep, this is an uncomfortable examination and that requires some means, both of equipment and specialists, making it expensive in time and cost. In this context, new diagnostic methods are emerging. One of these methods involves using only electrocardiograms.

This document provides an overview of the effort made to find the best method using electrocardiograms, as well as proposing an approach with the use of a diagnostic device.

#### Decrição do problema

Deste plano de tentativa de facilitação ao diagnóstico, como descrito anteriormente, encontra-se a \ac{SAS}. Esta é a doença mais comum ligada ao sono, e que afeta quase 1 bilhão de pessoas no mundo, segundo a \emph{International Sleep Experts}. Mais especificamente, caracteriza-se pela paragem na respiração durante o período de sono. Em casos mais graves, a paragem pode durar mais de 10 segundos. Dependendo da etiologia da doença, distinguem-se 3 tipos de \ac{SAS}: a obstrutiva, caracteriza-se pela obstrução parcial ou total do fluxo aéreo; a central, que corresponde a uma falta de comunicação do cérebro ao corpo para respirar \cite{centralSleep}; por fim a mista, que combina os sintomas tanto da obstrutiva como da central \cite{pombo2017classification}. Neste estudo, será focado essencialmente na \ac{AOS}.

Através do \ac{AHI}, são distinguidos vários patamares da doença. Nesta qualificação são contados o número de episódios de apneia por hora. Se o valor for abaixo de 5 a severidade é mínima ou inexistente; entre 5 e 15 - leve; entre 15 e 30 - moderada; e acima de 30 é considerado severo.

Como se trata de uma doença ligada ao sono, muitas vezes é difícil para o paciente aperceber-se de que sofre da mesma. Isto leva a que muitas pessoas não sejam diagnosticadas com a doença e por consequência não sejam tratadas, sendo esta uma doença subdiagnosticada. A curto prazo, um “não diagnóstico" pode levar a tensão arterial alta, batimento cardíaco acelerado, hipoxemia, e a longo termo problemas vasculares cerebrais e cardíacos, comprometimento do sistema imunitário, fadiga extrema, fraca concentração, tempos de reação baixos e em casos extremos até a própria morte \cite{article_19}.

Como exame para o diagnóstico é comumente usada a \ac{PSG}. Trata-se de um exame que avalia o sono de um paciente através de vários parâmetros como monitorização da atividade cerebral, atividade muscular e o movimento dos olhos \cite{fatimah2020detection}. Desta forma, o exame requer vários sensores que irão estar ligados ao paciente durante todo o seu período de sono, tornando-se incomodativo para o paciente. Adicionalmente, é necessário pessoal dedicado que monitorize continuamente o evoluir do exame identificando episódios de apneia \cite{fatimah2020detection}. Por consequência, este exame só pode ser realizado em clínicas especializadas, como Hospitais ou clínicas de sono \cite{centralSleep}. Contudo, por vezes, de modo a reduzir os custos certas clínicas realizam um teste de monitorização básico, o que diminui a qualidade do exame e dificulta o diagnóstico. Todos esses fatores tornam a PSG e consequentemente o diagnóstico da Apneia caro. Neste sentido é necessário desenvolver métodos eficazes que ajudem na redução deste custo.

Como alternativa a \ac{PSG} e de modo a automatizar a deteção e monitorização da apneia, têm surgidas várias propostas que englobam a monitorização do oxigênio no sangue (SpO2) \cite{SP02,SP02_2}, \ac{ECG}, EEG, entre outros tipos de \emph{inputs}.

O \ac{ECG} é uma das alternativas mais utilizadas pelas suas características morfológicas \cite{article_10} e por se tratar de um método não invasivo. Um \emph{milestone} para a sua utilização para o deteção da \ac{AOS} foi o \emph{Challenge} em 2000 \cite{challenge}, no qual foi disponibilizada a Base de dados \emph{Apnea-ECG}. Um dos pioneiros da sua utilização foi \emph{Raymond et al.} \cite{raymond2000screening}, extraindo o \ac{EDR} e o intervalo entre picos R do sinal \ac{ECG}.

:::
:::info
###### Rui
\par A apneia do sono é uma condição que ocorre através da respiração anormal durante o sono. O nome apneia surge devido às múltiplas pausas que acontecem durante o respirar. Estas pausas temporárias causam um lapso na respiração afetando consequentemente o sono do indivíduo, sendo este uma das necessidades fisiológicas mais importantes para o ser humano manter um estilo de vida mais ativo e saudável.
\par Estas apneias involuntárias causam distúrbios na oxigenação do corpo e uma diminuição da qualidade do sono, podendo proporcionar doenças cardiovasculares e cerebrovasculares.
Existem três tipos de apneia do sono:
\item \textbf{\ac{AOS}} - Ocorre quando os músculos da via aérea superior relaxam e bloqueiam a entrada de ar total ou parcialmente, causando episódios temporários de apneia.
\item\textbf{ \ac{ACS}} - É recorrente quando há um problema no sistema cerebral, que causa o mau funcionamento dos órgãos respiratórios, desenvolvendo uma respiração lenta.
\item \textbf{\ac{ASM}} - Consequência do desenvolvimento da \ac{AOS} e da \ac{ACS}
\end{itemize}

\par Em termos de prevalência, num contexto internacional a \ac{AOS} é a que apresenta maior incidência, estima-se que quase um bilião de adultos entre os 30 e os 69 anos possam ter \ac{AOS} \cite{1bil}. Em Portugal, representa o segundo distúrbio de sono mais prevalente, com valores que podem rondar os 10-40\% da população geral \cite{aps}.A \ac{AOS} é a desordem do sono mais comum com uma prevalência de 3-7\% nos homens adultos e 2-5\% nas mulheres adultas, sendo que 85\% dos pacientes não foram diagnosticados \cite{homesmulheres,unomas}.
\par A \ac{PSG} representa o exame mais utilizado para o diagnóstico da \ac{AOS}. Normalmente, os pacientes precisam de estar ligados a um vasto número de fios e eletrodos para adquirirem sinais de sono num hospital, sendo necessária a monitorização por um perito na área, num período de duas noites. Concluindo, este é um processo desconfortável, difícil de implementar e é bastante caro. Por essas razões a maior parte dos pacientes permanecem por diagnosticar \cite{outro,este}
:::

:::warning
##### Final portuguese - alterei algumas coisa ao longo do texto
A apneia do sono é uma doença que afeta cerca de 1 bilião de adultos em todo o mundo, com idades entre os 30 e 69 anos. Carateriraza-se pela interrupção da respiração durante o sono, que pode ser de até 10 segundos. Dependendo da etiologia da doença, distinguem-se 3 tipos sendo a obstrutiva causa pela obstrução do canal respiratório por consequência do relaxamento do músculos da via aérea superior; a central pelo descoordenação entre o sistema nervoso central e o sistema respiratório; e a mista que envolve a mistura de sintomas das duas referidas anteriormente.

#### -------- parte nova --------

Como método de classificação do grau de serevidade da apnea do sono existe o Apnea–hypopnea index. Este mede o número de episódios de apneia por hora. Se o valor for abaixo de 5 a severidade é mínima ou inexistente; entre 5 e 15 - leve; entre 15 e 30 - moderada; e acima de 30 é considerado severo.

#### ----------------

A interrupção da respiração durante o sono leva o coração a fazer um esforço adicional para balenciar a carga negativa de oxigénio no sistema. Como consequência desse factor, a apneia do sono está ligada a uma grande probabilidade se desenvolvimento de doenças cardiovasculares.

Outro factor que aumenta a probabilidade de desenvolvimento de doenças associas é a subdiagonosticação, ou seja, o número de diagnósticos é inferior ao número expectável de pessoas que sofram da doença. Isto deve-se ao facto de que sendo uma doença associada ao sono, a sua deteção dos sintomas por parte dos pacientes é pouco perceptível.

O exame mais utilizado para o diagonóstico da apneia do sono é a polisonografia. Este faz uso de vários sensor de electrocardiograma, electromiograma, blood oxygenation, entre outros para a recolha dos diferentes biosinais, com o objetivo de mede a qualidade do sono do paciente, através da sua análise posterior. Devido à sua complexidade e ao números de sensores necessários para a realização do exame, este torna-se dispendioso tanto em tempo como em custo, pois na maioria das vezes o paciente tem de se deslocar a clínicas ou hospitais do sono. Adicionalmente o exame requer a monotorização por parte de pessoal expecializado, que analisandam os sinais no decorrer do exame. A acrecentar a estes requisitos, ainda existe o desconforto do paciente que terá de dormir com os vários sensores ligados ao seu corpo e fora do seu espaço de conforto. Todos esses fatores tornam a PSG e consequentemente o diagnóstico da Apneia caro e complexo. Neste sentido é necessário desenvolver métodos eficazes que ajudem na redução deste custo.

#### -------- parte nova --------
Existem evidências que as características morfológicassinal do sinal ECG é afetado pela apneia. Observando as caraterísticas ideias é possível identidicar episodios de apneia atrávés do sinal ECG. Neste ambito, em 2000 foi prosposto um desafio (\cite{challenge}) para a deteção de \ac{AOS} com a sua utilização. Neste desafio foi disponibilizada uma base de dados com dados ECG de pacientes com diagonóstico para a apnea. Nesses dados constam anotações para a identificação do episodios. Apartir deste desafio surgiram vários esforços para desenvolver um método de deteção da apnea com ECG, de modo a constituir-se um altenativa à PSG, principalmente por ser um método não invasivo. Um dos pioneiros da sua utilização foi \emph{Raymond et al.} \cite{raymond2000screening}, extraindo o \ac{EDR} e o intervalo entre picos R do sinal \ac{ECG}.
###
:a: Tenta juntar esta parte com o que já temos, pois já falamos que existe um esforço extra do coração para tentar compensar a falta de oxigénio.* (:+1: okapa)

:::
:::success
##### Final english

:::

## Machine Learning
:::info
**PT**

Através do sinal ECG é possível destacar algumas características que evidenciam a presença de um episódio de OSA. Essas características podem ser observadas por uma pessoa especializada ou em alternativa podem ser expostas a um modelo computacional treinado que as consiga identificar. É com este âmbito que surge a ML na deteção e/ou predição de OSA.

Desde de 2000 com a proposta do desafio, como recurso à ML, vários autores tentam encontrar a melhor forma/modelo para identificar episódios de apneia.

Revisão anterior já foram conduzidas tentando encontrar os melhores modelos assim com apresentado por Mendonça et al, que review os modelos que surgiram entre 2002 e 2017. Nesta review constam-se não só modelos baseados no ECG, como também baseados em oximetria, respiração, som e modelos híbridos com a combinação de varios inputs. Isto torna o review bastante abrangente mas pouco especifica. Além disso, apesar de ser uma review recente, ainda existe um intrevalo de 3 anos até 2020, onde surgiu mais desenvolvimento na área. Faust et all fez uma revisão de modelos baseados em ECG no intrelavo entre 2002-2015.

Tendo em conta o crescimento computacional é espectável que número de novos modelos na área tenha aumentado consideravelmente. Com este fundamento esta review tentará encontrar os novos e melhores modelos dos últimos 10 anos para a deteção e/ou predição da OSA. Além disto, não foi encontrada qualquer referência a modelos preditivos para a OSA.

:::
:::warning
**ENG**
:::

## Deep Learning
:::info
**PT**
Do livro grokking Deep Learning
Deep Learning é uma subcategoria do machine learning, mais propriamente um subconjunto de métodos de métodos de machine learning que através de algoritmos inspirados no cérebro humano, como as redes neuronais artificiais, pretendear solucionar tarefas práticas nas mais diversas áreas, como visão computacional, processamento da linguagem natural e no reconhecimento de discurso. Em suma, é uma área computacional que se dedica ao desenvolvimento e estudo de máquinas que podem aprender.
:::
:::warning
**ENG**
:::
Deep Learning is a subcategory of machine learning, more precisely a subset of methods in machine learning methods that through algorithms inspired by the human brain, such as artificial neural networks, aim to solve tasks in the most diverse areas, such as computer vision, language processing natural and speech recognition. In short, it is a computational area that is dedicated to the development and study of machines that can learn.

## Our contribuit

Visto que o desenvolvimento na área da Machine Learning e sucessivamente da Deep Learning tem aumentando nos ultimos anos, o desenvolvimento de modelos preditivos de OSA, com recurso a estes campos, também têm um crescimento proporsional.

Como não é claro quais os melhores modelos e qual a melhor abordagem dos últimos anos, existe a necessidade de desenvolver uma revisão sistemática.
Esta SLR tem como objetivo preencher essa lacuna, demonstrando a) quais os modelos com melhores resultado, b) a forma como eles são aplicados e em ultima estância c) perceber qual a melhor solução, ML ou DL.

# Methods
## Search strategy
:::info
###### Eduardo
Como método de inclusão, foram incluídos os artigos que preenchessem os critérios seguintes: (1) Não ter um público-alvo geograficamente localizado ou de alguma forma específico; (2) Basear-se em sistemas de computação; (3) O artigo terá que ser escrito na língua inglesa; (4) Os participantes do estudo em causa, não podem estar sob efeito de medicamentos e/ou drogas durante a recolhas dos dados do \ac{ECG}; (5) Os participantes podem pertencer a uma faixa etária, tendo obrigatoriamente diagnóstico para apneia obstrutiva do sono; (6) Deverá estar explícito ou o valor precisão ou sensibilidade ou especificidade ao qual chegaram; (7) Deverá ser do tipo \emph{Journal} ou \emph{Conference}.

Para a ajuda na seleção dos artigos perante os critérios apresentados, foi utilizada a ferramenta \emph{Web} colaborativa de ajuda à \ac{SLR}, \emph{Rayyan}\cite{rayyan}.

\subsection{Estratégia de pesquisa}
Para a extração da literatura relacionada a métodos de predição ou/e deteção da apneia do sono utilizando \ac{ECG}, foram utilizadas as seguintes base de dados: \emph{ScienceDirect} \cite{sciencedirect}, \emph{Springer} \cite{springer}, \emph{IEEE Xplore} \cite{IEEE}, \emph{Scopus} \cite{scopus}, \emph{WebOfScience} \cite{webofknowledge} e \emph{ACM Digital Library} \cite{acm}. Adicionalmente, apenas os estudos dentro uma janela temporal entre 1 de Janeiro de 2011 até 27 de Junho de 2020 e que cumprissem o critérios de inclusão (\ref{Estado:Metodos:Criterios}), foram incluídos para este estudo. A última \emph{query} a estas bases de dados foi feita a 10 de Novembro de 2020.

A palavras-chave utilizadas nesta pesquisa foram:

("ECG" OR “electrocardio” or “electrocardiogram”) AND ("OSA" OR "obstructive sleep apnea” OR "apnea” OR "apnoea") AND ("prediction" OR "predictive" OR "foresee" or “detect” or “diagnosis” OR “diagnostic”)
:::
:::info
###### Rui
\par Os motores de busca usados são considerados os mais comuns na área da Ciência da Computação que inclui o IEEE Xplore\cite{IEEEXplore}, Scopus\cite{Scopus}, Science Direct\cite{ScienceDirect}, Springer\cite{Springer}, ACM\cite{ACM} e Web Of Science\cite{WebOfScience}. As pesquisas foram limitadas para um período de dez anos de forma a recolher as publicações mais recentes relevantes com o tema da dissertação. Foi estipulado um período de 10 anos, considerando assim desde a 00h00 do dia 1 de Janeiro de 2011 até às 23h50 de 27 de Julho de 2020.
Para efetuar a pesquisa nos motores de busca sobre o tema desta dissertação, foi dividido o título do tema proposto em várias palavras-chave: ("ECG" OR “\textit{electrocardio}” or “\textit{electrocardiogram}”) AND ("OSA" OR "\textit{obstructive sleep apnea}”) AND ("\textit{prediction}" OR "\textit{predictive}" OR "\textit{foresee}").

\par Após revisão dos artigos selecionados conclui-se que dos 19 artigos apenas 2 integram a previsão. Para obter um maior número de artigos, a seleção dos mesmos foi redefinida de forma a englobar mais artigos e que incluíssem a detecção, então, desta forma as palavras chaves passaram a ser: ("ECG" OR “\textit{electrocardio}” or “\textit{electrocardiogram}”) AND ("OSA" OR "\textit{obstructive sleep apnea}” OR "\textit{apnea}” OR "\textit{apnoea}") AND ("\textit{prediction}" OR "\textit{predictive}" OR "\textit{foresee}" or “\textit{detect}” or “\textit{diagnosis}” or “\textit{diagnostic}”)
:::
:::warning
##### Final portuguese
:::
:::success
##### Final english
:::

## Study selection
:::info
###### Eduardo
Na extração das características do estudo foram definidas categorias, para extrair dados importantes para análise dos modelos propostos. Essa categorias seguem-se:

\item Informações do estudo: ano de publicação;
\item \emph{Input}: O tipo de sinal \emph{ECG} utilizado no estudo, assim o seu \emph{dataset} e número de registos utilizados;
%\item Tratamento do sinal: ;
\item Métodos:o método de pré-processamento do sinal \ac{ECG}, método de \emph{features extraction} e \emph{features selection} e o respetivo classificador para a \ac{AOS};
\item Performance: qual o método utilizado para avaliar o \emph{output} que valores de performance os autores;
\item \emph{Output}: o tipo de output que os utilizadores chegaram.
:::

:::info
###### Rui
:::
:::warning
##### Final portuguese
:::
:::success
##### Final english
:::
## Extraction of study carachteristics
:::info
###### Eduardo
:::
:::info
###### Rui

:::
:::warning
##### Final portuguese
:::
:::success
##### Final english
:::
## Research questions
:::info
###### Eduardo
As questões de pesquisa, em inglês \emph{Research Questions}, foram originalmente pensadas em inglês, daí a sua representação:

- (RQ1) Why are detection and predictive models needed for Obstructive Sleep Apnea (OSA)?}
- (RQ2) How is ECG applied for detection and predicting OSA?
- (RQ3) What are the databases for OSA detection and prediction?
- (RQ4) What are the methods/techniques/models for recorded or real-time ECG based OSA detection and prediction?
- (RQ5) What are the parameters used for assessing the performance of OSA detection and prediction?
:::
:::info
###### Rui
Foram definidas perguntas para esta revisão, as quais permitem compreender melhor a necessidade de haver modelos preditivos de apneia do sono usando ECG:
\begin{itemize}
\item (RQ1) Porque é que os modelos de deteção e/ou predição são necessários para a \ac{AOS}?
\item (RQ2) Como é que o \ac{ECG} é aplicado para deteção e/ou predição de \ac{AOS}?
\item (RQ3) Quais as bases de dados usadas para deteção e/ou predição de \ac{AOS}?
\item (RQ4) Quais são os métodos/técnicas/modelos para \ac{ECG} gravados ou em tempo-real para deteção e/ou predição de \ac{AOS}?
\item (RQ5) Quais os parâmetros usados para avaliar o desempenho da deteção e/ou predição de \ac{AOS}?
:::
:::warning
##### Final portuguese
:::
:::success
##### Final english
:::
## Eligibility criteria
:::info
###### Eduardo
Como método de inclusão, foram incluídos os artigos que preenchessem os critérios seguintes: (1) Não ter um público-alvo geograficamente localizado ou de alguma forma específico; (2) Basear-se em sistemas de computação; (3) O artigo terá que ser escrito na língua inglesa; (4) Os participantes do estudo em causa, não podem estar sob efeito de medicamentos e/ou drogas durante a recolhas dos dados do \ac{ECG}; (5) Os participantes podem pertencer a uma faixa etária, tendo obrigatoriamente diagnóstico para apneia obstrutiva do sono; (6) Deverá estar explícito ou o valor precisão ou sensibilidade ou especificidade ao qual chegaram; (7) Deverá ser do tipo \emph{Journal} ou \emph{Conference}.
:::
:::info
###### Rui
Para seleção dos artigos foram definidos critérios de exclusão e inclusão. Os artigos devem cumprir os seguintes requisitos: têm de respeitar o período de dez anos, baseados em sistemas computacionais, artigos escritos em inglês e que incluam dados sobre a classificação dos sistemas usados. A população não tem de ter localização geográfica específica. Não existe uma faixa etária específica na população alvo dos artigos, desde que seja possível avaliar o diagnóstico de apneia obstrutiva do sono. Os pacientes não podem estar sujeitos a medicação durante a coleção dos eletrocardiogramas. Os artigos têm de ser do tipo \textit{Journal} ou \textit{Conference}.
:::
:::warning
##### Final portuguese
:::
:::success
##### Final english
As an inclusion methods, the studies should perform the following inclusion criteira. The studies were published between
:::
# Results

:::info
###### Eduardo
De todas as bases de dados, a que resultou em um maior número de publicações pelas \emph{queries} foi a \emph{ScienceDirect} com 1096, seguindo se a \emph{Springer} com 607, a \emph{ACM Digital Library} com 111. Finalmente, 39, 20 e 11 com a \emph{Scopus}, \emph{WebOfScience} e \emph{IEEE Xplore}, respetivamente. A soma destes resultados resultou em 1884 publicações, que após retirar os duplicados converteram-se em 1837 registos únicos.

Após a análise do título e resumo, e seguindo os critérios de inclusão descritos anteriormente, foram incluídos para elegibilidade 41 publicações de texto completo. Por revisão do texto completo desta publicações foram excluídos 20 por não cumprirem os critérios inicialmente propostos. Foram incluídos, por fim, 23 publicações, duas delas por referência duma das publicações originais 21.

Como razões de exclusão de 20 dos 41 para elegibilidade, encontram-se 4 excluídos por não utilizarem \ac{ECG} para a predição/detecção da \ac{AOS}, 9 por não fazer predição/deteção da \ac{AOS}, 2 por se revelarem \emph{background articles}, 1 por apresentar pouca informação ou informação incompleta, 1 por ter data de publicação anterior a 2011, 1 por ter um público especifico, 1 por não apresentar métricas de acordo com o critérios e 1 por não especificar o classificador utilizado.

O diagrama, baseado no \ac{PRISMA}, que acompanha a informação descrita nesta secção encontra-se esquematizada na figura
:::

## Eligibility of the studies
:::info
###### Eduardo
Perante os critérios de inclusão, existem alguns artigos que foram incluídos que não os cumprem na sua totalidade. Segue-se uma clarificação do porquê da sua inclusão.

No estudo \cite{article_19} é apresentado um algoritmo de extracção de regras personalizadas \emph{IF-THEN} por paciente. O algoritmo e posteriormente as regras extraídas são utilizadas para construir um perfil de paciente. Este perfil tem o intuito de tentar descobrir as características morfológicas do \ac{ECG} que fazem antever a ocorrência de um episódio de apneia. O estudo em causa, não segue o normal fluxo normal de outro estudos, onde são extraídas e selecionadas \emph{features}. No entanto, revela-se ser um abordagem promissora para a previsão de eventos de apneia, mesmo que esta seja feito caso a caso. A sua inclusão deve-se a estes factos, assim com os estudos \cite{article_19_add_1} e \cite{article_19_add_2} que foram adicionados por referência do estudo \cite{article_19} por se revelarem precedentes deste.

O foco do estudo \cite{article_10} é determinar o grau de \ac{AOS} para ajustar adequadamente o tratamento mais eficiente e específico da apneia, o \emph{continuous positive airway pressure}. Por consequente, o propósito não é a predição ou deteção de apneia. Contudo, o estudo segue o normal fluxo de preparação de dados, extração e seleção de \emph{features} e a utilização de um classificador. Perante esta característica o estudo foi incluído para revisão.

No estudo \cite{article_14} além da utilização de sinais \ac{ECG}, também são utilizados sinais de eletromiografia e de eletroencefalografia. Ainda que o foco não esteja a utilização do \ac{ECG} e seja uma combinação dos três sinais, estes são testados individual, em combinação de dois-a-dois e só por fim os três em conjunto. A sua inclusão deve-se à sua teste individualizado.

A mesma situação acontece no estudo \cite{article_15}, onde além do sinal \ac{ECG} é também utilizado o um sensor de aceleração de 3 eixos.
:::
:::info
###### Rui
:::
:::warning
##### Final portuguese
:::
:::success
##### Final english
:::
## Prediction Methods
:::info
###### Eduardo
:::
:::info
###### Rui
:::
:::warning
##### Final portuguese
:::
:::success
##### Final english
:::

#### Estatísticas
Esta subsecção será apresentado alguns dados estatísticos resultantes da recolha de informação dos estudos incluídos.

Assim como é demonstrado pela tabela \ref{table:resultados1} a maioria do estudos incluídos têm data de 2019, o que corresponde a 39.1\% do total, correspondente a 9 estudos. Seguem-se os anos de 2011 e 2018 com 13\%, equivalente 3 estudos cada. As restantes datas apresentam valores abaixo de 10\% que equivale entre 1 a 2 estudos. A informação encontra-se graficamente representada na Figura \ref{fig:gráficoDatas}.

A soma do número de registos utilizados pelos autores dá um total de 815 registos, no entanto muitos deles têm a mesma origem. A maioria dos estudos utiliza entre 20 a 35 registos, ou seja, cerca 61\% da totalidade dos estudos.

Existem várias abordagens para tentar encontrar uma resolução ao problema. Dentro dessa abordagens podem-se observar pontos de distinção, com o modo como os sinais são utilizados, ou seja, existem autores que preferem fazer um analise segmento-a-segmento avaliando a possibilidade de existir evento de \ac{AOS} nesse segmento de sinal. Porém o registo pode ser avaliado como um todo, ou seja, como \emph{output} teremos se um sujeito têm probabilidade de ter \ac{AOS} ou não. No entanto a maioria do estudo recorre à analise segmentada, cerca de ≈70\%. Desta percentagem, 37,5\% faz duas abordagens em simultâneo. A restante parte utiliza o registo como um todo.

Existe uma prevalência da utilização de \ac{SVM} como classificador pelo autores. Aproximadamente 26\% dos estudos seleccionados utiliza de alguma forma o \ac{SVM} \cite{article_2,article_5,article_9,article_11,article_17,article_20}. As \ac{NN} são o segundo tipo de classificador mais utilizado com 21\% \cite{article_10,article_12,article_14,article_16,article_21}. Alguns autores optam por utilizar vários classificadores (≈17\%) para encontra o melhor deles, com o melhor resultado \cite{article_1,article_3,article_7,article_8}. Nestes casos ou o \ac{SVM} ou as \ac{NN} são utilizadas ou até ambas, em conjunto com outros algoritmos. Existem ainda 13\% que utilizaram uma forma de \emph{Decision Tree}, que correspondem a 3 estudos \cite{article_4,article_6,article_18}. Os restantes, utilizam outras formas de \ac{ML} como classificadores.

## Discussion

Como o objetivo que perceber o estado-da-arte dentro do tema de deteção de apnea com a utilização de \ac{ECG}, foi realizada uma \ac{SLR}. Nesta secção será apresentada uma discussão a cerca dos resultados apresentados anteriormente, resultantes da \ac{SLR}, tentado desta forma responder às \emph{Research Questions} propostas.

## Why are predictive models needed for Obstructive Sleep Apnea (OSA)?
:::info
###### Eduardo
Existe um consenso entre os autores para o problema a predição e/ou deteção da apneia. Os autores referem que a doença da apneia é uma doença que afeta cerca de 4\% da população mundial \cite{article_17, article_19}, que afeta mais homens que mulheres \cite{article_2, article_4, article_15}. Todos os autores referem pelo menos um problema associado à doença, desde problemas cardiovasculares até à própria morte do paciente, caso este não seja tratado.

Perante este problema a necessidade de diagnóstico é bastante valorizada. O modo de diagnóstico da doença mais utilizado é a \ac{PSG}, um exame que análise o sono do paciente através de vários sensores, entre eles o \ac{ECG}. Este é um exame dispendioso, que envolve a monitorização dos sinais ao longo de várias horas e por vezes vários dias. Além do número significativo necessário de equipamentos para o exame, o desconforto do paciente é outro fator tido em conta pelos autores. Sendo o exame realizado num ambiente desconhecido para o paciente e o grande número sensores ligados ao seu corpo durante o seu sono, tornam o exame desconfortável.

No sentido de contornar estes problemas, os autores propõem um forma que seja de algum modo menos dispendiosa em custo, mais confortável e que possivelmente possa ser feita em casa sem o auxílio de pessoal especializado.
:::
:::info
###### Rui
After analyzing the selected articles, most authors indicate that the need to use the models is due to the fact that apnea \ac{OSAS} causes breathing difficulties during sleep, which will have an impact on the quality of sleep, thus causing severe problems in the individual's quality of life. These difficulties include: daily fatigue, obesity, sexual impotence and/or depression. In the most extreme situations, this disease can cause cardiovascular and cerebrovascular problems, with sudden death being one of the consequences.

In addition to the risk factors present in apnea, there is a higher incidence of these in middle-aged adults, especially men. One of the aspects recorded in the articles is the difficulty of diagnosis, which is expensive and complex, and may become inaccessible to some people. Thus, the authors state that there is a large number of individuals with the disease who do not have a medical diagnosis, and these are consequences of the only form of diagnosis, the \ac{PSG}.

\ac{PSG} is the only way to detect \ac{AOS} with 100% efficiency, but as mentioned it is a long process carried out in an environment foreign to the patient. Usually, they go to a specialized center with a technician to support the entire process.
The diagnosis is carried out through the extraction of bio-signals through 22 wires connected to the patient's body. This action is considered, by the patient, exhausting and uncomfortable, being also exhaustive the computational process when receiving the various inputs

In summary, the authors concluded that it is necessary to develop a less expensive system for the detection of \ac{OSAS} and one that is more patient-friendly
:::
:::warning
##### Final portuguese

Existe um consenso entre os autores para o problema a predição e/ou deteção da apneia. Os autores referem que a doença da apneia é uma doença que afeta cerca de 4% da população mundial \cite{article_17, article_19}, que afeta mais homens que mulheres \cite{article_2, article_4, article_15}. Todos os autores referem pelo menos um problema associado à doença, desde problemas cardiovasculares até à própria morte do paciente, caso este não seja tratado.

:::
:::success
##### Final english
:::

## How is ECG applied for predicting OSA?
:::info
###### Eduardo
The use of \ac{ECG} signals in computational apnea detection is now widely used \cite{article_6}. This is because \ac{ECG} fills one of the big disadvantages of \ac{PSG}. \ac{ECG}, in this context, is a non-intrusive method of analysis \cite{article_5,article_7,article_8} that allows the collection of information that can serve various purposes.

Through the morphological analysis of the \ac{ECG} it is possible to extract \emph{(featutes)} features, such as \ac{HRV} and \ac{EDR}. The latter, highlighted by several authors, describes the patient's respiratory episodes. Through it, it is possible to reveal respiratory behaviors and, therefore, perceive apnea patterns \cite{article_2,article_8,article_10}. Additionally, the \ac{HRV}, relative to the intervals between the R-R peaks of the \ac{ECG}, can be used to detect apnea due to the alterations it causes in these intervals \cite{article_2}.

The author \cite{article_16} also highlights a third feature, the \ac{IHR}. The author shows that there are cyclical variations in this characteristic that describe \ac{AOS}.
:::
:::info
###### Rui
\ac{ECG} can be applied to the detection/prediction of \ac{AOS} as it is a non-invasive low cost bio-signal used for sleep disorders. Respiratory events can be detected by \ac{ECG} signals, as well as other respiratory movements such as bradycardia and tachycardia. These movements originate cyclical variations in the RR intervals, or \ac{HRV}, these being physiological forms related to apnea events. The authors indicate another method of the \ac{ECG}, done indirectly that allows taking information from the breath, the \ac{EDR}.
In order to obtain a better diagnosis, the \ac{HRV} and RR interval provide several parameters, namely: time domain, frequency components, delay in QT intervals and distribution of P waves.
In conclusion, the \ac{ECG} becomes an indispensable element in the diagnosis of \ac{OSAS} when compared to other signs, which is considered an asset and the best input for the prediction/detection models of sleep apnea in real time.
:::
:::warning
##### Final portuguese

:::
:::success
##### Final english
:::
## What are the databases for OSA prediction?
:::info
###### Eduardo
A maioria dos autores recorre a bases de dados proveniente de um plataforma \emph{web} bastante conhecida por disponibilizar conjuntos de dados clínicos e fisiológicos assim com \emph{software open-source} \cite{physiobank}. De entre as bases de dados existentes na plataforma, distinguem-se três dentro do contexto da \ac{AOS}:

- \emph{Apnea-ECG Database} \cite{ECG-DataBase}: É uma base de dados resultante de uma desafio lançado em 2000 pela \emph{Physionet} para a deteção da \ac{AOS} utilizando um \ac{ECG} de variação única \cite{article_1}. É composta por 70 registos, que forma divididos em 3 grupos (A,B,C) dependendo do tempo de duração do registos em conjunto com o \ac{AHI} do individuo e o tempo total de episódio de apneia. Destes três grupos resultam 35 registos. A restante metade dos registo é um \emph{set} de dados de teste. Esta base de dados, com algumas exclusões pontuais de alguns registos por alguns autores, foi utilizada em todos os estudos, com a excepção dos estudos \cite{article_15,article_14}. A sua larga utilização deve-se ao facto de existirem anotações no sinal, minuto-a-minuto anotadas por especialistas, que identificam os episódios de \ac{AOS}, assim como do complexo QRS.
- \emph{St. Vincent's University Hospital / University College Dublin Sleep Apnea Database}: Utilizada pelos autores \cite{article_7,article_14}, contêm dados de 25 \ac{PSG}. Em contraste com a base de dados anterior, o sinal \ac{ECG} resultada 3 variações. Esta base de dados não contem apenas dados de sinal \ac{ECG}. É possível encontrar registos de sinal electroencefalografia, eletromiografia, entre outros. Perante esta coleta de sinais, são também presentes um maior número de anotações como o estágio do sono e distinção entre os diferentes tipos de apneia do sono (obstrutiva, central, misto e hipopnéia);
- \emph{MIT-BIH Polysomnographic Database} \cite{MIT}: base de dados que contêm registo de \ac{PSG}'s de um laboratório do sono em \emph{Boston}. Foram gravadas com o intuito de ajudar no diagnóstico da \ac{AOS}. Contém anotações de batimento cardíaco, estágios de sono e episódios de apneia. É utilizado pelo autor doe estudo \cite{article_7}.

Todas as bases de dados mencionadas anteriormente então disponíveis em livre acesso pelo \emph{website} da \emph{Physionet} (https://www.physionet.org).

No estudo \cite{article_3} é utilizada uma outra base de dados, também disponibilizada pela plataforma \emph{Physionet}. A base de dados é composta por registos de sinal \ac{ECG}, com a particularidade de serem obtidos enquanto os sujeitos assistiam o filme \emph{Fantasia} da \emph{Disney} \cite{fantasia}.

Casos particulares de base de dados utilizadas ocorrem nos estudos \cite{article_9} e \cite{article_15}. No primeiro é utilizado um pequeno \emph{set} de 9 pacientes do laboratório hospital universitário de \emph{Necmettin Erbakan}. No segundo estudo, o autores desenvolveram um dispositivo capaz de obter sinais \ac{ECG} e dados de um acelerómetro. Com esse dispositivo criou uma \emph{dataset} com 20 registo.
:::

:::info
###### Rui
To train their predictive models using \ac{ECG}, the authors resorted to the use of one or several databases, most of which used only the CinC Challenge-2000, better known as Physionet Apnea-ECG. More than one database was used in three studies \cite{3,7,10} that used more than one database and another study used its own \cite{15}.

In the article \cite{7}, Fatimah, et al. (2020), the MIT-BIH Polysomnographic Database was used, which is composed of several polysomnographic data and thus taking advantage of \ac{ECG} recordings, embedded in these. A second \ac{PSG} database created by St. Vincent's University Hospital and University College Dublin was used for the same purpose of taking advantage of the \ac{ECG}s obtained. To complement these, the Physionet Apnea-ECG was used.
Yucelbas, et al. (2017)\cite{10} used the Physionet Apnea-ECG as well, as well as recordings of 9 subjects at the Necmettin Erbakan University Sleep Laboratory.

In the \cite{15} study, biosignals from 20 patients were extracted using an accelerometer with three electrocardiographic electrodes, these records being the only database used.

These results are exposed more explicitly in the \ref{first_table} table.
:::
:::warning
##### Final portuguese
:::
:::success
##### Final english
:::
## What are the methods/techniques/models for recorded or real-time ECG based OSA prediction?
:::info
###### Eduardo
:::
:::info
###### Rui
:::
:::warning
##### Final portuguese
:::
:::success
##### Final english
:::
## What are the parameters used for assessing the performance of OSA prediction?
:::info
###### Eduardo
Tendo em conta que quase todos os estudos utilizam a base de dados \emph{Apnea-ECG}, os autores recorrem à medir dos \emph{True Positives}, \emph{False Positives}, \emph{True Negative} e \emph{False Negative}, alguns chegam a representar as suas \emph{Confusion Matrix} \cite{article_1, article_12}. Com a sua utilização é medida posteriormente a precisão (ACC), sensibilidade (SENS) e especificidade (SPEC) do método proposto, que são dadas pelas seguintes equações:
:::

:::info
###### Rui
To evaluate the performance of \ac{AOS}, the authors of the studies used the main metrics for evaluating the classifiers, these being accuracy (correct number of predictions), sensitivity (measurement of the number of positives) and specifity (measurement of the number of positives). Obtaining these metrics is done with four parameters:
\item \ac{TP} - In the context of this dissertation it refers to the value obtained through the apnea forms that were correctly determined by the predictive model.
\item \ac{FP} - Value resulting from apnea forms that were not incorrectly determined.
\item \ac{FN} - Total value indicating that mild, moderate, and severe apnea were incorrectly determined.
\item \ac{TN} - Value obtained from the non-apnea cases that were correctly determined.
Apnea classifications are obtained through \ac{AHI}, which calculates the number of apneas per hour. Being defined as mild when there are 5 to 10 events per hour, moderate between 15 and 30 events per hour and severe apnea when the number of apneas per hour is greater than 30.
Other metrics such as F-score were used to calculate classifier precision using sensivity and precision (ratio of \ac{TP} and \ac{FP} in the total number of patients evaluated).
In the case of authors who used more than one classifier and for their performance, the metric \ac{AUC} was used to distinguish how they differ.
:::
:::warning
##### Final portuguese
:::
:::success
##### Final english
:::

# Conclusão
:::info
###### Eduardo
Graças o desafio proposto pela \emph{Physionet} em 2000 \cite{challenge}, com a disponibilização de dados de sinais \ac{ECG} à comunidade científica, abriu portas ao desenvolvimento de modelos de deteção da \ac{AOS} com o uso do biosinal. Essa valência ainda se reflete, hoje em dia, pela grande utilização da base de dados no contexto da \ac{AOS}.

É evidente que a demanda da criação modelos de predição ou deteção da \ac{AOS} é cada vez maior na comunidade científica. Este facto é refletido pela quantidade de artigos encontrados nos últimos três anos, em especificamente em 2019 onde residem a maioria dos estudos incluídos.

É também possível observar que não existe uma abordagem única para o problema. Diferentes autores, apesar de seguirem maioritariamente o mesmo fluxo de trabalho (Fig. \ref{fig:blockgram}), optam por utilizar diferentes algoritmos para as diferentes fases, na tentativa de alcançarem a melhor performance possível. Dentre os algoritmos utilizados destaca-se a utilização de \ac{ML}, com a exceção dos estudos \cite{article_1,article_11,article_12,article_21} que utilizam \ac{DL}.
Destaca-se a utilização de \ac{SVM} não só pela popularidade, com também pela sua performance nos resultados.
:::
:::info
###### Rui
:::
:::warning
##### Final portuguese
:::
:::success
##### Final english
:::

# Limitações

As limitações desta revisão sistemática são as seguintes:

- O artigos analisados nesta revisão são resultantes de uma espefica query a um determinado número de bases de dados selcionadas à prior. A acresentar a esta limitação, os critérios de inclusão e exclusão apresentados em ---. Uma mudança nesta váriaveis certamente sugir diferentes artigos não analisados nesta revisão.

- A revisão sistemática foca-se na predição de OSA com a utilização de ECG, no entanto existem outros inputs que outros autores utilização para o mesmo fim.

- A Sisdrome da Apnea do sono não restringue apenas à variante Obstrutiva, existindo mais dos tipos de apnea do sono: Central e Mista. Este revisão apenas se focou na obstrutiva.