A ausência de alterações de estado no ciclo sono-vigília de recém-nascidos (NB), durante período de uma hora, indi ca possível disfunção neurológica e necessidade de investi gação mais aprofundada. Com vistas a contribuir para este processo, Redes Neurais Artificiais (RNA) de treina mento não-supervionado foram desenvolvidas para reco nhecimento e classificação dos estados de sono ativo (SA), sono quieto (SQ) e vigília (VIG). As RNA foram estruturadas com a topologia de Mapa Auto-organizável de Características (MAOC) objetivando reconhecer e sepa rar padrões com base no aprendizado competitivo entre os neurônios. No desenvolvimento e avaliação das RNA, 16 sinais fisiológicos de dez NB a termo foram utilizados. Como entradas dos MAOC, um projetado com 61 e outro com 27, parâmetros espectrais de potência média relativa nas faixas de freqüência características de cada um dos sinais polissonográficos (Eletroencefalograma-EEG, Eletromiograma-EMG, Eletroculograma-EOG, Eletrocar diograma-ECG e ventilação) foram empregados. O MAOC de 61 parâmetros de entrada resultou em 77% de acurácia (AC), tendo como pior índice de desempenho a sensibili dade (S) de SQ (25%), embora S para VIG (79%) e SA (92%) tenha sido bem mais elevada. Para o MAOC de 27 entradas, AC diminuiu para 64%, sendo S para SQ ainda baixa (37%). Esses MAOC apresentam pior desempenho em comparação ao de RNA de treinamento supervisiona do, indicando ser esse último tipo de rede mais adequado do que os MAOC na classificação de estados do ciclo sono– vigília de NB. Embora o MAOC possua inerentemente a capacidade de estabelecer uma rotulagem por meio dos agrupamentos resultantes, essa rede não parece ter sido capaz de capturar as características dos estados de SA, SQ e VIG, refletidas pelos parâmetros extraídos dos 16 sinais polissonográficos.

variables. The SOM of 61 input parameters resulted in an accu racy (AC) of 77%, being the sensitivity (S) for SQ (25%) the worst performance index, although S for VIG (79%) and SA (92%) has been much higher. For the SOM with 27 input param eters, AC decreased to 64% and S for SQ still remained very low (37%). In comparison with ANN supervised learning, the SOM showed much lower performance indicating that the first is more adequate to classify the neonatal sleep-wake states. In spite of the SOM has itself the capability to label different clusters, it seems that it has not adequately captured the characteristics of SA, SQ and VIG states, reflected through the parameters extracted from the 16 polysomnographic signals.