análisis de la interacción cardiorrespiratoria utilizando técnicas no lineales en procesamiento...

8/16/2019 Análisis de la interacción cardiorrespiratoria utilizando técnicas no lineales en procesamiento de datos en pacientes…

1/7

Análisis de la interacción cardiorrespiratoriautilizando técnicas no lineales en procesamiento de

datos en pacientes sometidos a la prueba de tubo en t

Jose Ignacio Trapero VillarrealUniversidad Autónoma de Bucaramanga

Bucaramanga/Colombia trapero!unab"edu"co"

Carlos Julio Arizmendi #ereira#ro$esor Titular% &acultad Ingenier'a &isicomecánicaline

Bucaramanga/Colombiacarizmendi!unab"edu"co

Beatriz &abiola (iraldo)ept" o$ *+AII% Universitat #olit,cnica de Catalun-a

Barcelona/*spa.a beatriz"giraldo!upc"edu

La estimación del momento óptimo de retirar la ventilación

asistida de un paciente en pacientes en cuidado intensivo sigue

siendo fundamental en la práctica clínica. En este trabajo se

estudia el patrón respiratorio a partir de la señales

cardiorrespiratoria de pacientes en proceso de extubación

teniendo en cuenta las siguientes etapas, para el procesamiento de

los datos se utilizara el remuestreo de la señales, y la tcnica

proveniente de la teoría del caos !"inámica simbólica#, y la

clasificación del mismo con el objetivo de identificar patrones

como posible xito en el proceso. $e analizaron %&' pacientes

clasificados en tres grupos xito, fracaso y reintubado, en el cual

se enfrentaron dos casos xito vs fracaso, la predicción al final

para el grupo xito vs fracaso fue ().*+, para ,utilizando como

clasificador las má-uinas de soporte vectorial tambin se utilizóel análisis discriminante lineal

Palabras clave—proceso de extubación, dinámica simbólica,

remuestreo

I" IT01)UCCI2

*n la actualidad% es indispensable intentar el mantenimiento dela vida del paciente agudo - grave sin contar con la a-uda dela ventilación mecánica 3V45% tanto más cuando la patolog'aen sus casos e6tremo el paciente cuenta con Insu$iciencia0espiratoria Aguda I0A escoger el momento óptimo de retirar la ventilación mecánica depende muc7o de la etapa deevolución del paciente% de esta manera e6iste la posibilidad de8ue debido a esto tenga 8ue ser reintubado por no escoger elmomento óptimo de la descone6ión% este es un aspecto 8ue no

puede $altar cuando de des7abituación se 7abla" +on m9ltipleslas etiolog'as del $allo en el destete - una mala decisión enrelación al momento de iniciar el mismo% no debe ser identi$icada como causa de destete $allido todo ello imponeuna sobre carga en la inspiración de los pacientes 8ue se estánliberando de la V4 8ue muc7as veces el paciente no puede

vencer - aparece entonces la $atiga muscular las causa deldestete $allido se deben desbalance ente la carga ventilatoria -la Bomba respiratoria% &actores e6tra pulmonares% para obtener in$ormación más relevante se utilizara el análisis no lineal desistemas dinámico 3)inámica simbólica5 para la etapa demodulación - evaluación se propone utilizar el análisisdiscriminante lineal - las 4a8uinas de soporte vectorial% paraestablecer nuevos 'ndices basados en la se.al respiratoria 8uenos permitan determinar con un ma-or n9mero de aciertos elmomento adecuado para retirar la ventilación mecánica a un

paciente"

II" 4AT*0IA:*+ ; 4*T1)1+

A. Base de tados

*l estudio se realizó con la base de datos denominada


2/7

muestreo de HG Ez 3tareta de ad8uisición ationalInstruments dACardG?*5" KDL

B. Dinamica Simbolica

:a )inámica +imbólica 3)+5 7a mostrado ser un método deanálisis 8ue aporta in$ormación importante para caracterizar lacompleidad de la V0C" *stá basada en la trans$ormación deuna se.al en una secuencia de s'mbolos 8ue toman valores deun al$abeto% eliminando la in$ormación detallada - conservandoen la nueva serie la in$ormación cl'nicamente 9til presente en lase.al cardiaca% pero no disponible ni observable directamente"KL

:a principal idea de la dinámica simbólica consiste en dividir en McontornosN el espacio en el cual una se.al puede $luctuar KL" Cada contorno estará representado por un s'mbolo" *lconunto de todos los s'mbolos 8ue representan los contornosen los 8ue se divide una se.al se denomina al$abeto" Al realizar esta conversión% se puede construir una secuencia de s'mbolosa partir de una serie temporal o cual8uier otro tipo de secuenciainicial@ este proceso recibe el nombre de MsimbolizaciónN

:o anterior% se puede e6presar $ormalmente de la siguiente

manera K?L As9mase la serie temporal { xn }n=0∞ enU ϵ R % - A= { A0 , A1 ,… , A k −1 } sea una partición

de U 8ue satis$ace U =¿i=0¿k −1 A i % - A i A j=∅ , ∀ i ≠ j " +i cada región A i se denota por un

s'mbolo θ( Ai) % entonces la serie temporal original puedeser reescrita como una secuencia simbólica simplementedeterminando la región A i 8ue inclu-e cada valor

individual xn " *n la &igura D se muestra unarepresentación visual de lo 8ue acaba de decirse"

ig. %. )ivision en secuencias de simbolos seg9n lavariavilidad de la se.al" &uente KL

*n ella% se trans$orma una se.al x % en una secuencia de

s'mbolos s ( x) % de un al$abeto A={0,1,2,3 } % decuatro s'mbolos AOPG%D%%Q" #ara 7acerlo se emplea laecuación D "*sta trans$ormación de una se.al 6 en s'mbolosconsidera tres niveles dados% donde μ se re$iere a la mediade la se.al - a es un parámetro especial al 8ue sueleasignársele un valor de G"D K?L" *s importante mencionar 8ue

pe8ue.os cambios en los valores de R - μ S no in$luencian

la partición en $orma considerable% siendo al$a un valor constante entre G - D"

{

1 si (1+α ) μ


3/7

parea de variables 8ue arroan el meor resultado" *ste proceso se repite 7asta acabar todas las variables%seleccionando cada vez el conunto de variables con el 8ue seobtuvo la meor clasi$icación K>L" *l resultado de la aplicacióndel FS es una organización de las variables de la más a lamenos relevante para el problema de clasi$icación" Al guardar los porcentaes de clasi$icación con cada conunto devariables% es posible seleccionar el conunto de variables 8ue

meor se adapta al problema de clasi$icación"

• Moving Window with Variance Analsis!MWVA"

*l método de la 4


4/7

Con el propósito de obtener 'ndices 8ue meoren el momentoóptimo de destete se emplea la )+% en donde se utiliza latrans$ormación de la serie en un al$abeto de ? palabrasconsecutiva con palabras de longitud O - un valor de tauOG%esto nos dar'a un total de ? palabras por cada serie estudiada"se procede a escoger el valor de al$a 8ue nos permita tener todas las palabras con una $recuencia de ocurrencia ma-o 8ue

G% en la $igura H podremos observar la $recuencia de apariciónde cada una de las ? palabras de al$abeto" :a tabla numero Dse puede ilustrar los valores de al$a - un tauOG para cada seriecardiorrespiratoria% estos valores $ueron escoidos teniendo la$recuencia de aparicion de cada palabra - como atra medida el

porcentae de clasi$icacion" *n el ee de las 6 tenemos lacantidad de pacientes% en el ee de las - tenemos la $recuenciade aparicion de cada palabra% en el ee de las z las ? palabrasde cada paciente"

ig. &. &recuencia de aparicion de cada palabra del al$abeto

&uente autor

0abla %. Valor de al$a 8ue meor caracteriza cada serietempora

$eries 1lfa 2lasificación

&v G%GD WG%WX

00 G%DD D%W?X

T* G%DW W%DX

TI G%D> W%??X

T1 G%D> W%?HX

TT G%D WD%DDX

VI G%GH WD%GX

VT G%DW WG%WX

+e procederá a unirtodas las series para proceder 7acer larespectiva clasi$icación de los datos% )ebido a la grancardinalidad del sistema% se procederá a realizar una reducción

de la dimensionalidad mediante la implementación de lastécnicas FS& MWVA& el proceso para la clasi$icacio se tieneen cuanta ? etapas"

• *tapa D Clasi$iacion de los datos

+e utilizara esta etapa para tener un porcentaes de

clasi$icación base de comparación% a partir de esta porcentaesse utilizaran técnicas de miner'a de datos para eliminar variables irrelevantes del sistema debido a 8ue soncombinaciones lineales de otras variables del sistemas%también se eliminaran variables 8ue contienen arte$actos - por lo tanto desmeoran el porcentae de clasi$icación" *n lassiguientes tablas % ? se ilustraran los resultados% el casoestudiado acontinucaion es Y6ito vs &racaso"

• Y6ito vs &racaso

0abla ). Clasi$iacion de la clase é6ito vs $racaso

Clasi$icadores #orcentae de clasi$icaciónZ)esviación estándar

:)A G"DX Z "?X

+V4 >"DXZD"WD

• *tapa 0educcion de la dimensionalidad

)ebido al gran aumento de la dimensionalidad se procede autilizar la regresión &s con tal de evaluar los 'ndices 8ueaporten muc7a más relevancia a l X de clasi$icación% para laselección de los meores 'ndices se procederá a utilizar las

técnicas 3:)A% +V45" *n el siguiente resultado podemosobservar 8ue a medida 8ue se aumenta el n9mero de variablesla clasi$icación empieza a decaer% el tiempo de cómputo $ue deD?? 7oras para la técnica :)A para las +V4 WG 7oras" #arala generalización del modelo se procede a utilizar crossvalidatiion '%old (& - DHG iteraciones lo cual el procesocorrió ?GG veces lo cual nos da una ma-or con$iabilidad parael clasi$icador" *n la $igura se pude ver amodo de eemplo lareduccion de la dimensionalidad utilizando la tecnica %orward

selection.


5/7

0 50 100 150 200 250 300 350 4000.76

0.78

0.8

0.82

0.84

0.86

0.88

0.9

0.92

0.94

X: 81

Y: 0.9037

Numero de variables

% A c u r a c y

Acuracy

Standard Deviation +

Standard Deviation -

ig. 3. Variables seleccionada por el clasi$icador +V4 &uenteautor

en las tablas H se pueden observar los resultados de lasclasi$icacion de las nuevas caracterizticas utilizando comoclasi$icador +V4% :)A

• Y6ito vs &racaso

0abla '. Clasi$iacion de la clase é6ito vs $racasoClasi$icadore

s#orcentae de clasi$icación

Z)esviación estándar Variables

:)A H"HDX Z D"DWX 44

+V4 >G"ZD"H 81

• *tapa moving window with variance analsis

Con el $in de meorar el porcentae clasi$icación se utiliza

tecina 34


6/7

incremento en la energ'a acumulad" #rocederá a seleccionar las variables designadas por el criterio para el cual se aplica unclasi$icador para evaluar los datos obtenidos" *n la tabla H se

podran ilustrar los resultados

0abla &. Clasi$iacion de la clase é6ito vs $racasoClasi$icadore

s

#orcentae de clasi$icación

Z)esviación estándar Variables:)A WD"X Z D"X 170

+V4 W?"X Z G"GDD>X 170

• *tapa ? 4 taoOG% T1 al$aOG"D>taoOG% TT al$aOG"D> taoOG% VI al$aOG"GH taoOG% VT al$aOG"DWtaoOG% $ueron los 8ue meor caracterizaron la dinámica nolineal del sistema"

#ara la unión de todas las series temporales lo cual nos arroóH variables se obtuvieron los siguientes resultados Y6ito vs&racaso >"DX% al utilizar la reducción de dimensionalidadaplicado la regresión &s meora los porcentaes declasi$icación con todas la variables% se obtuvo un porcentae declasi$icación de >G"X para Y6ito vs &racaso" +im embargoeste método tiene un costo computacional mu- alto 3G d'as desimulación5"

Al utilizar la técnica 4


7/7

S$ectrosco$ 2sing Wavelet and 3eural 3etworks& GDG"KWL (" Betancourt% as Ma0uinas de So$orte Vectorial

!SVM"& #erira"KL J" A" #" &ranca% An4lisis e inter$retaci5n de se6ales

cardiorres$iratorias $ara determinar el momento 5$timo

de descone7i5n de un $aciente asistido medianteventilaci5n.

K>L J" )" 1rtiz V% J" C" Arizmendi # - E" (onzales A%

Analisis de la interacci8n entre el $atr8n res$iratorio la %recuencia cardiaca en $acientes asistidos mediante

ventilaci8n mec/nica $ara la estimaci8n del momento

8$timo en la e7tubaci8n. KDGL C" J" Arizmendi #ereira% Signal 9rocessing #echni0ues

For Brain #umour Diagnosis From Magnetic Resonance

S$ectrosco$ Data& Barcelona% 1ctubre"

análisis de la interacción cardiorrespiratoria utilizando técnicas no lineales en procesamiento...

Documents