anÁlisis de la interacciÓn cardiorrespiratoria ... - unab

ANÁLISIS DE LA INTERACCIÓN CARDIORRESPIRATORIA UTILIZANDO TÉCNICAS NO LINEALES EN

PROCESAMIENTO DE DATOS EN PACIENTES SOMETIDOS A LA PRUEBA DE TUBO EN T

Autor: Jose ignacio trapero

Director: Carlos Julio Arizmendi

Universidad Autónoma de Bucaramanga

Facultad Físico Mecánica

Ingeniería Mecatrónica

Objetivo General

➢Se realizará un análisis e interpretación de señales cardiorrespiratorias, enpacientes asistidos mediante Ventilación Mecánica, se utilizarán técnicasprovenientes del procesamiento de señales e inteligencia artificial paradeterminar el momento óptimo de desconexión mediante la prueba de tuboen t.

Objetivo Especifico

➢ Realizar un estudio preliminar de las señales respiratorias, cardiacas y de sus series temporales

pertenecientes a la base de datos WEANDB.

➢ Estudiar el Desarrollo de técnicas No lineales para el Procesamiento de Señales, Selección y/o

Extracción de Características y Clasificación.

➢ Estudiar técnicas y desarrollar algoritmos para realizar la clasificación de las variables más

relevantes del sistema, para la determinación del momento óptimo de la extubación.

➢ Estudiar técnicas provenientes del campo de procesamiento de señales (Dinámica Simbólica y

Transformada Wavelet) y desarrollar algoritmos que permita encontrar nuevos índices que

aporten mucha más información.

Ventilación Mecánica

➢ La ventilación mecánica (VM) es una opción terapéutica que tiene como objetivo

principal mejorar el intercambio gaseoso del paciente que la necesita, por medio de

respiración artificial efectuada por una máquina

Proceso De Destete

• El destete se define como la reducción gradual del soporte ventilatorio y sureemplazamiento o sustitución por la ventilación espontanea

• Destete exitoso:Cuando se mantiene la respiración espontánea más de 48h despuésde haber sido retirada la ventilación mecánica.

• En mas del 40% de los casos de destete el paciente debe ser reintubado

• 20% de fracaso en primer intento de destete en VM > 24H

Tomado de: Destete en una UCI polivalente, Incidencia y factores de riesgo de fracaso Valoración de índices predictivos

Planteamiento Del Problema

➢Tras el proceso de destete, uno de cada cuatro pacientes necesita ser nuevamenteentubado. Lo cual puede producir a largo plazo una infección respiratoria por laventilación, ocasionada por bacterias. Neumonía Asociada a Ventilación Mecánica,molestias provocadas al paciente, además de aumentar los costos del tratamientomedico.

Planteamiento Del Problema

➢ Por lo anterior se hace necesario plantear un algoritmo que sea capas de tomar losdatos en bruto (señales cardiorrespiratorias) y mediante técnicas de minería dedatos y de inteligencia artificial poder determinar el momento optimo de laextubación.

Etapas De Un Proyecto De Minería De Datos

Base de datos

Preprocesamiento

Procesamiento

Reducción de la dimensionalidad

Clasificación

Base de datos

➢ WEANDB recopila información de pacientes asistidos mediante ventilación mecánica enproceso de extubación. Dichos pacientes provienen de los departamentos de CuidadosIntensivos del Hospital de la Santa Creu i SantPau y del Hospital de Getafe, cumpliendocon los protocolos aprobados por los comités éticos y en colaboración con la UniversidadPolitécnica de Cataluña.

➢ La base de datos contiene dos registros:

Señal electrocardiográfica (ECG)

Señal de flujo respiratorio (FLU)

Ficheros

➢ RR Duracion del perdiodo cardiaco

➢ Fv Cantidad de ciclos respiratoria que se realizan en una unidad de tiempo

➢ TE Duracion del ciclo respiratorio

➢ TI Tiempo de aspiracion

➢ TO Volumen tidial

➢ VT Fracción inspiratoria

➢ TI Flujo inspirado medio

➢ VI Relacion entre el volumen tidal y el tiempo de inspiracion

Señales

0 200 400 600 800 1000 1200 1400 1600 18000

1000

2000

Tiempo [s]

RR

(a)

0 200 400 600 800 1000 1200 1400 1600 18000

500

1000

Tiempo [s]

RR

(b)

0 200 400 600 800 1000 1200 1400 1600 18000

500

1000

Tiempo [s]

RR

(c)

0 200 400 600 800 1000 1200 1400 1600 18000

0.1

0.2

Tiempo [s]

FV

(a)

0 200 400 600 800 1000 1200 1400 1600 18000

0.5

1

Tiempo [s]

FV

(b)

0 200 400 600 800 1000 1200 1400 1600 18000

0.05

0.1

Tiempo [s]

FV

(c)

Procesamiento: transformada Wavelet

➢Es un tipo especial de transformada matemática que representa una señal en términos de versiones trasladadas y dilatadas de una señal madre

𝐶𝑏,𝑎 ሻ𝑓(𝑡 = න−∞

∞

𝑓 𝑡 ∗ Ψ𝑏,𝑎 ∗ 𝑑𝑡

Procesamiento: Dinámica Simbólica

➢Está basada en la transformación de una señal en una secuencia de símbolos que toman valores de un alfabeto, eliminando la información detallada y conservando en la nueva serie la información clínicamente útil presente en la señal cardiaca, pero no disponible ni observable directamente.

➢La principal idea de la dinámica simbólica consiste en dividir en “contornos” el espacio en el cual una señal puede fluctuar . Cada contorno estará representado por un símbolo. El conjunto de todos los símbolos que representan los contornos en los que se divide una señal se denomina alfabeto. Al realizar esta conversión, se puede construir una secuencia de símbolos a partir de una serie temporal o cualquier otro tipo de secuencia inicial; este proceso recibe el nombre de “simbolización

Regiones

1 𝑠𝑖 1 + 𝛼 𝜇 < 𝑅𝑅𝑛 < ∞

0 𝑠𝑖 𝜇 < 𝑅𝑅𝑛 ≤ 1 + 𝛼 𝜇

2 𝑠𝑖 1 − 𝛼 𝜇 < 𝑅𝑅𝑛 ≤ 𝜇3 𝑠𝑖 0 < 𝑅𝑅𝑛 ≤ (1 − 𝛼ሻ𝜇

𝑛 = 1,2, …… .𝑁

Reducción De La Dimensionalidad IA

➢ Regresión por pasos

Es un modelo de regresión en el que la elección de las variables predictivas es lleva a cabo medianteun procedimiento automático.

a). Forward selection (FS)

Es un torneo en el que las variables compiten con su porcentaje de clasificación. En la primera etapa, se calculan los porcentajes de clasificación para cada variable. Entre los resultados obtenidos de la primera etapa, se selecciona la variable “ganadora” con el porcentaje de clasificación más alto.

Reducción De La Dimensionalidad IA

➢ Moving Window With Varriance Analysis(MWVA)

la técnicas de selección de características basadas en el ventaneo (moving tradicional y la MWVA) es coger eso grupos de datos ordenados y comparar la capacidad para diferenciar entre dos clases diferentes, la MWVA concidera la distancias entre los centrtoides de cada clase Y las distancia con respecto al mismo, Si se quiere que los datos se puedan separar fácilmente, la idea es que la distancia entre los centroides sea lo más grande posible, y que los datos estén lo menos dispersos posible

Ω 𝑤, 𝑖 =𝐵𝐺𝑉

𝑊𝐺𝑉1 +𝑊𝐺𝑉2

Clasificación :análisis discriminante lineal

➢ El Análisis Discriminante es una técnica estadística multivariante cuya finalidad es analizar si existendiferencias significativas entre grupos de objetos respecto a un conjunto de variables medidas sobrelos mismos para, en el caso de que existan, explicar en qué sentido se dan y facilitar procedimientosde clasificación sistemática de nuevas observaciones de origen desconocido en uno de los gruposanalizados.

Clasificación :Maquinas De Soporte Vectorial (MSV)

➢mapean los puntos de entrada a un espacio de características de unadimensión mayor, para luego encontrar el hiperplano que los separe ymaximice el margen entre las clases

Truco Kernel

➢ Puede suceder que los puntos no sean linealmente separable como se muestra en la

figura, cuando esto sucede existe la posibilidad de transformar los datos deun espacio

R a uno de mayo dimenciion en los que si puedan ser separados por un hiperplano

Validacion cruzada (Generalizacion del modelo)

Generalmente se dividen los datos 70% para hacer el entranamiento

30% para test

La estimación del error tiende a ser muy variable dependiendo de cuáles datos

quedan en la tabla de aprendizaje y cuáles en la tabla de testing

problemas

Validación Cruzada Dejando Uno Fuera (Leaveone out)

➢ La validación cruzada dejando uno fuera o Leave – one –out cross-validation(LOOCV) implica separar los datos de forma que para cada iteración tengamos un solo dato de prueba y todo el resto de los datos para entrenamiento

ventajas

➢ La estimación del error NO tiende a ser muy variable dependiendo de cuáles datos quedan en la tabla de aprendizaje y cuáles en la tabla de testing, es decir, la estimación del error es mucho más estable.

Validación cruzada usando K grupos

➢ En la validación cruzada de K iteraciones o K – fold cross – validation los datos se dividen en K subconjuntos (folds ) Uno de los subconjuntos se utiliza como datos de prueba y el resto(K-1) como datos de entrenamiento.

Búsquedas bibliográficas

Estudio de técnicas provenientes de la IA

Procesamiento de la señal

Transformada Wavelet Remuestreo del señal a 2 Hz

Dinámica Simbólica

Reducción de la dimensionalidad

(FS, MWVA)

Clasificación de los datos

Interpretación de resultados

Desarrollo del proyecto

Desarrollo del proyecto

➢Estudio estadistico

➢ diagrama de cajas Series Fv

0

0.5

1

1.5

2

2.5

3

3.5

4

4.5

Exitò Fracaso Reentubado

Serie FV

Transformada Wavelet

➢Mejores familias Wavelet

Mejor Familia Wavelet Para Cada Serie

Series F Madre Q1

FV Coif5' 0.192

RR Coif5' 0.064

TE Coif5' 0.197

TI Coif5' 0.196

TO Coif5' 0.202

VI Coif5' 0.195

TT Coif5' 0.198

VT Coif5' 0.195

Niveles De aproximación de la serie fv

0 100 200 300 400 500 600 700 8000

0.05

0.1

0.15

0.2

Tiempo [s]

FV

Clase Èxito

original

A1

0 100 200 300 400 500 600 700 8000

0.05

0.1

0.15

0.2

Tiempo [s]

FV

Clase Èxito

original

A2

0 100 200 300 400 500 600 700 800 900 10000

0.2

0.4

0.6

0.8

TTempo [s]

FV

Clase Fracaso

original

A1

0 100 200 300 400 500 600 700 800 900 10000

0.2

0.4

0.6

0.8

TTempo [s]

FV

Clase Fracaso

original

A2

Teorama del limite Central TLC

➢ Consiste en un conjunto de resultados del comportamiento de las distribuciones muéstrales, en el que sea firma bajo ciertas hipótesis, que la distribución de las medias de un número muy grande de muestra se aproxima a una distribución normal.

𝑍 =𝑋𝑖 − 𝜇

𝜎

√𝑛-4 -2 0 2 4

0

0.1

0.2

0.3

0.4

RR

Clase Èxito

TLC

-4 -2 0 2 4-4

-2

0

2

4

Standard Normal Quantiles

RR

Clase Èxito

Plot Q--Q

-5 0 50

0.1

0.2

0.3

0.4

RR

Clase Fracaso

TLC

-4 -2 0 2 4-4

-2

0

2

4

Standard Normal Quantiles

FV

Clase Fracaso

Plot Q--Q

Prueba T

Series Temporales Clase Éxito VS Clase

Fracaso

Serie Nivel 1 Nivel 2 Nivel 3 Nivel 4 Nivel 5 Nivel 6

FV 58.974 66.666 66.669 79.487 84.615 84.615

RR 71.487 79.487 84.615 89.743 89.743 89.743

TE 38.461 46.153 56.41 51.282 61.538 61.538

TI 15.384 20.384 30.384 35.897 53.894 58.897

TO 41.052 43.589 51.282 56.41 61.538 61.538

VI 56.41 61.538 64.102 74.354 79.487 79.487

TT 35.874 41.025 46.153 58.947 64.102 71.797

VT 61.538 61.538 64.102 69.23 69.23 69.23

Media ±

des

47.398

±

18.021

52.548 ±

18.420

57.965 ±

16.074

64.419 ±

17.198

70.518 ±

12.701

72.106 ±

11.515

➢ Se puede observar las calificaciones por cada nivel de la transformada, aprovechando la teoría

estadística donde dice que el 68% de los datos se concentran en la media más una desviación, se

procederá a escoger las calificaciones que cumplan este criterio. La media de todos los niveles

estudiados de la transformada, fue de 60,8257 y la desviación fue de 9.9106. Dado esto se resaltaron los

niveles que cumplieron con la prueba T.

Dinamica simbolica(DS)

10

20

30

40

50

600

10

20

30

40

0

0.5

1

Índices pwlPacientes

Pro

babili

dad d

e las P

ala

bra

s

➢ Ya habiendo terminado el proceso de selección del mejor nivel escogido por la prueba T,

se procede a la simbolización de cada una de las series cardiorrespiratorias. En la figura

34, se ilustra la distribución de probabilidad de aparición de cada palabra (pwℓ) para la

serie Fv

Remuestro de la señal a 2Hz

➢ Se agregara un paso al inicio, el cual consiste en el remuestreo de las señales, debido a que la señal del sistema cardiaco presenta un periodo de muestreo diferente al del sistema respiratorio. Por esta razón se utilizara la interpolación lineal, esta técnica será la encargada de llevar todas las señales a una misma frecuencia de muestreo deseada

0 200 400 600 800 1000 1200 1400 1600 18000

0.02

0.04

0.06

0.08

0.1

0.12

0.14

0.16

0.18

Tiempo[s]

Dt

Señal original

R a 2H

Dinamica Simbolica

➢ Con el propósito de obtener índices que mejoren el momento óptimo de destete se emplea la DS, en donde se utiliza la transformación de la serie en un alfabeto de 4 palabras consecutiva con palabras de longitud ℓ=3 y un valor de tau=0, esto nos daría un total de 64 palabras por cada serie estudiada. Para escoger un valor alfa adecuado se utilizara la técnica de clasificación LDA que nos permite evaluar el modelo obtenido a partir de cada valor de alfa, tau

0 0.05 0.1 0.15 0.260

65

70

75Serie Fv

alfa

Acura

cy

0 0.05 0.1 0.15 0.245

50

55

60

65

alfa

Acura

cy

Serie RR

0 0.05 0.1 0.15 0.260

65

70

75

alfa

Acura

cy

Serie TE

0 0.05 0.1 0.15 0.260

65

70

75

alfa

Acura

cy

Serie TI

Frecuencia de aparición de cada palabra del alfabeto

Variables dinámicas

Variables

DinámicasNombre de las variables Descripción de la variable

S_entropy_FV Entropía de Shannon

Mide el grado de dispersión de cada variableR0_25_entropy Entropía de Renyi q=0,25

R0_25_entropy Entropia de Renyi q=4

wsdvar wsdvar Desviación estándar de cada palabra

FV_fw Conteo de palabras prohibidas

Hace un conteo de palabras con probabilidad

menor a 0,0001

plvar Conteo de palabras empezadas en 1

phvar Conteo de palabras empezadas en 0

000Símbolos (pwℓ)

Debido a que se escogieron 4 símbolos 333

Total Variables 71

Clasificación de los Datos

➢Caso 1 Éxito vs Fracaso

➢Caso 2 Éxito vs Reintubado

➢Caso 3 Éxito vs Fracaso U Reintubado

➢Caso 4 Fracaso vs Reintubado

Datos dinámico

Etapa 1

Todas la variables

Clasificaciónn del modelo

casos 1,2,3,4

Etapas 2

Forward Selection

(LDA, SVM)

Clasificacióncon nuevas

caracteristica

(LDA, SVM)

Casos 1,2,3,4

Etapa 3

MWVA

Seleccion de datos

(Criterio de la energia 1%)

Clasificación de lo datos

(LDA, SVM)

Casos 1,2,3,4

Etapa 4

MWVA

Seleccion de datos(Citerio de la energia 1%)

Forward Selection(LDA,

SVM)

Clasificación con nuevas caracteristicas(LDA, SVM)

Casos 1,2,3,4

Clasificación y Predicción

➢ Clasificación: Construir un modelo por cada clase de dato etiquetado usado en el entrenamiento del modelo.

Basado en sus características y usado para clasificar futuros datos

➢ Predicción: Predecir valores posibles de datos/atributos basados en similar objetos.

➢𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 =𝑛𝑢𝑚𝑒𝑟𝑜𝑠 𝑐𝑜𝑟𝑟𝑒𝑐𝑡𝑜𝑠

𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑑𝑎𝑡𝑜𝑠

Testing Predicción

1 1

0 1

1 1

0 0

Clasificadores Accuracy ± Standard

Deviation

Numeró de Variables

LDA 60.12% ± 2.42% 568

SVM 69.12%±1.71 568


Deviation


LDA 64.36% ± 2.15% 568

SVM 63.82%±1.74 568


Deviation


LDA 64.36% ± 2.15% 568

SVM 63.82%±1.74 568

Éxito vs Fracaso

Éxito vs Reintubado

Éxito vs Fracaso U Reintubado


Deviation


LDA 67.63% ± 2.39% 568

SVM 79.23%±1.24 568

Fracaso vs Reintubado

Etapa 2

➢ Debido al gran aumento de la dimensionalidad se procede a utilizar la regresión Fs

con tal de evaluar los índices que aporten mucha más relevancia al % de

clasificación, para la selección de los mejores índices se procederá a utilizar las

técnicas (LDA, SVM)

➢ Debilidad

El tiempo de cómputo fue de 144 horas para la técnica LDA para las SVM 720 horas

0 100 200 300 400 500 600

0.65

0.7

0.75

0.8

0.85

0.9

0.95

X: 44

Y: 0.8552

Numero de variables

% A

cura

cy

Acuracy

Standard Deviation +

Standard Deviation -

Clasificador Accuracy ± Standard

Deviation

Variables

LDA 85.51% ± 1.17% 44

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

cura

cy

Acuracy



Clasificado

r

Accuracy ±

Standard Deviation

Variables

SVM 90.33±1.52 81

Etapa 3

➢ Con el fin de mejorar el porcentaje clasificación se utiliza tecina (MWVA) para

encontrar las diferencias o similitudes entre las señales

Criterio de la energia

➢Debido a que existen diferentes valores de omega se debe tener en cuenta un criterio matemático el cual nos diga a ciencia cierta cuál va hacer el ancho final del ventaneo variable.

𝑤0 = 𝑎𝑟𝑔𝑚𝑎𝑥σ𝑖=1𝑚−𝑤+1𝐷𝐼𝑀[𝑖, 𝑤]

𝑚 − 𝑤 + 1

𝐸 =

𝑖=1

𝑚−𝑤0−1𝐷𝐼𝑀2(𝑖, 𝑤ሻ

𝑚 − 𝑤0 − 1

Ejemplo serie Fv

0 100 200 300 400 500 6000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

X: 170

Y: 0.005441

Numero de variables

Energ

ia t

ota

l

Energia total normalizada


Deviation

Variables

LDA 71.26% ± 1.28% 170

SVM 74.68% ± 0.0119% 170

Éxito vs Fracaso


Deviation

Variables

LDA 65.95 ± 1.45 170

SVM 75.04±0.019 170



Deviation

Variables

LDA 74.99 ± 1.20 170

SVM 70.68±0.013 170



Deviation

Variables

LDA 80.99 ± 1.45 170

SVM 81.86±0.016 170


Etapa 4

➢ Debido al gran tiempo de cómputo gastado en el anterior etapa se procede hacer una selección primaria

mediante la técnica MWVA lo cual arrojo 170 variables para todos los casos 1, 2, 3, 4, y posteriormente

aplicara una selección de variables utilizando Forward Selection, el tiempo de computo bajo a 5 días de

simulación además de eso mejoro el % porcentaje de clasificación

Regresión FS

0 20 40 60 80 100 120 140 160 1800.7

0.75

0.8

0.85

0.9

0.95

X: 57

Y: 0.8892

Numero de variables

Acu

racy

acuracy




Deviation

Variables

LDA 88.87 ± 1.45 57

Éxito vs Fracaso


Deviation

Variables

SVM 93.87±0.01 42



Deviation

Variables

LDA 95.27 ± 1.31 52


Deviation

Variables

SVM 97.81±0.08 52



Deviation

Variables

LDA 89.72 ± 0.98 29


Deviation

Variables

SVM 88.89±0.013 52



Deviation

Variables

LDA 92.42 ± 1.04 35


Deviation

Variables

SVM 96.43±0.07 31

Antecedentes Weandb

1. ANÁLISIS E INTERPRETACIÓN DE SEÑALES CARDIORRESPIRATORIAS PARA DETERMINAR EL MOMENTO ÓPTIMO DE DESCONEXIÓN DE UN PACIENTE ASISTIDO MEDIANTE VENTILACIÓN

2. ANÁLISIS DE LA INTERACCIÓN ENTRE EL PATRÓN RESPIRATORIO Y LA FRECUENCIA CARDÍACA, EN PACIENTES ASISTIDOS MEDIANTE VENTILACIÓN MECÁNICA, PARA LA ESTIMACIÓN DEL MOMENTO ÓPTIMO EN LA EXTUBACIÓN

3. ESTUDIO DE LA PAUSA ESPIRATORIA EN PACIENTES CON ENFERMEDADES OBSTRUCTIVAS EN PROCESO DE DESCONEXIÓN DE LA VENTILACIÓN MECÁNICA

Éxito Vs Fracaso

BASE

DE

DATOS

CARACTERISTICAS

RESULTADO

DE LA

PRUEBA

BD1 IQR(CD1-TI), K(CA8-RR) 84,61±3%

BD1 IQR(CD1-TI), K(CA8-RR), IQR(CD1-VT/TI),

K(CD1-TI),തX(CA7-f/VT)

80,76±6%

BD2 Fp(f/VT), P(VT/TI), IQR(TI/TTot), Ap(f/VT) 65,3±0,9%

BD2 Fp(f/VT), P(VT/TI), IQR(TI/TTot) 54,4±0,9%

Éxito Vs Reintubado

BASE

DE

DATOS

CARACTERISTICASRESULTADO DE

LA PRUEBA

BD1 തX(CD1-f/VT) 82,6±3%

BD1 തX(CD1-f/VT), IQR(CD3-VT/TI) 86,9±1%

BD2 P(RR) 78,2±0.7%

BD2 P(RR), Fp(f/VT) 86,8±0.7%

Fracaso Vs Reintubados

BASE

DE

DATOS

CARACTERISTICAS

RESULTADO

DE LA

PRUEBA

BD1 S(CD1-TTot),തX(CD1-f/VT), IQR(CD1-f/VT),

K(CD2-RR), Sk(CD1-f/VT), K(CD1-f/VT)83,3%

BD1 S(CD1-TTot),തX(CD1-f/VT), IQR(CD1-f/VT),

K(CD2-RR), Sk(CD1-f/VT), K(CD1-f/VT),

S(CD1-f/VT),തX(CA5-TI/TTot), S(CD1-TI), K(CD1-TTot),

Sk(CD1-TTot), IQR(CD2-RR), K(CD4-TE)

91,6%

BD2 Fp(f/VT), Ap(TI/TTot), Ap(TI), Ap(RR), Ap(f/VT),

IQR(TTot), IQR(CD1-TI), IQR(RR), IQR(f/VT)50±1,6%

BD2 Fp(f/VT), Ap(TI/TTot), Ap(TI), Ap(RR), Ap(f/VT),

P(TTot)58,3±1,3%

Resultados 1.

Algoritmo Variable Porcentaje

Early Stopping

Traingdx 8-12-20-2 79% ± 0.72

Regularización Bayesiana

Trainrb 7-8-13-14-20 77.67% ± 0.32

Resumen de clasificadores

84,6186,9

91,6

79

93,8797,81 96,43

81 81 81

0

10

20

30

40

50

60

70

80

90

100

1 2 3

Conclusiones

➢ El presente estudio se utilizó la dinámica no lineal el cual pudimos encontrar en tres símbolos delalfabeto, pudimos observar que el clasificador (SVM) es muy susceptible a acierto valores de alfa, porlo que este mismo juega un papel muy importante en esta técnica, pudimos encontrar los valores dealfa que mejor representaron la dinámica no lineal de las series cardiorrespiratorias, alfa=0.05 tao=0;RR alfa=0.11 tao=0; TE alfa=0.21 tao=0, TI alfa=0.19 tao=0, TO alfa=0.19 tao=0, TT alfa=0.19 tao=0,VI alfa=0.05 tao=0, VT alfa=0.17 tao=0, fueron los que mejor caracterizaron la dinámica no lineal delsistema

➢ Para la unión de todas las series temporales lo cual nos arrojó 568 variables se obtuvieron lossiguientes resultados Éxito vs Fracaso 69.12% Éxito vs Reintubado 63.82% Éxito vs Fracaso-Reintubado 73.81% Fracaso vs Reintubado 79.23%, al utilizar la reducción de dimensionalidadaplicado la regresión Fs mejora los porcentajes de clasificación con todas la variables, se obtuvo unporcentaje de clasificación de 90.23% para Éxito vs Fracaso. Sim embargo este método tiene uncosto computacional muy alto (30 días de simulación).

➢ Al utilizar la técnica MWVA como preselección de variables antes de Fs, mejora losporcentajes de clasificación para todos los casos, Éxito vs Fracaso 74.68% Éxito vs Reintubado75.04% Éxito vs Fracaso-Reintubado 70.68% Fracaso vs Reintubado 81.86%, después dehaber hecho la preselección se aplicó la regresión Fs el cual mejoro considerablemente laclasificación de los de los casos ilustrados, obtuvo los siguientes resultados, Éxito vs Fracaso93.87% Éxito vs Reintubado 97.81% Éxito vs Fracaso-Reintubado 88.89% Fracaso vsReintubado 81.86% , al aplicar estas dos técnicas se redujo el coste computacional a (10 díasde simulación por cada caso estudiado)

➢ Los resultados de la clasificación aplicando análisis discriminante lineal en comparación con lospresentados por parte de las SVM reflejan lo robustas que pueden llegar a ser estas últimas encuanto a clasificación se trata. A pesar de aplicar ambas técnicas un aprendizaje supervisado,la arquitectura de las SVM les permite adaptarse a casi cualquier tipo de datos y manejar enbuena medida el problema de separación de las clases

Bibliografía

J. B. M. Macedo, «http://www.higiene.edu.uy/cefa/2008/infeccioneshospitalarias.pdf,» [En línea].

M. d. Salud, 6 1 2012. [En línea]. Available: http://www.minsalud.gov.co/Paginas/M%C3%A1s-de-cuatro-millones-de-casos-de-infecciones-respiratorias-agudas-se-reportaron-en-

Colombia-en-2011.aspx.

M. d. Salud, 2010. [En línea]. Available: http://www.minsalud.gov.co/salud/Paginas/Infecciones-Respiratorias-Agudas-(IRA).aspx.

G. Correa, junio 2008. [En línea]. Available: http://respira.com.mx/docs/f1274728078-0.pdf.

D. N. L. Alonso, 2 octubre 2002. [En línea]. Available: http://bvs.sld.cu/revistas/mie/vol1_1_02/mie02102.pdf.

UPC, 15 junio 2011. [En línea]. Available: http://upcommons.upc.edu/pfc/bitstream/2099.1/13052/1/Mem%C3%B2ria.pdf.

C. J. Arizmendi Pereira, Técnicas de análisis del patrón repiratorio y cardiorrespiratorio para la extracción de índices en pacientes en proceso de extubación, Barcelona: Universidad

Politécnica de Cataluña, 2007.

B. G. Javier Alberto Chaparro, Análisis y clasificación del patrón respiratorio de pacientes en proceso de retirada del ventilador mecánico, vol. 5, Medellìn, 20011.

G. Betancourt, Las Maquinas de Soporte Vectorial (SVM), Perira.

B. y. o. y. o. Giraldo, Support Vector Machine Classification applied on Weaning Trials Patients, 2009.

M. V. A. P. P. C. H. Brunel, Estudio de la complejidad de la variablilida del ritmo cardiaco en pacientes con cardi.

J. D. Ortiz V, J. C. Arizmendi P y H. Gonzales A, Analisis de la interacciòn entre el patròn respiratorio y la frecuencia cardiaca en pacientes asistidos mediante ventilaciòn mecànica

para la estimaciòn del momento òptimo en la extubaciòn.

C. j. Arizmendi, J. Tamames y R. E. Hernandez, Diagnosis of Brain Tumours From Magnetic Rosonance Spectroscopy Using Wavelet and Neural Networks, 2010.

N. Nieto y D. M. Orozco, «El uso de la transformada wavelet discreta en la reconstruccion de señales senosoidales,» nº 38, 2008.

function selector_Callback(hObject, eventdata, handles)

% hObject handle to selector (see GCBO)

val= get(handles.selector, 'Value');

set(handles.tp,'String',val);

load('Datos_Sonar.mat')

Clase0=metal;

Clase1=roca;

switch val;

case 1

[DIM]=MWAV_op(Clase0,Clase1,'euclidean');

handles.DIM=DIM;

guidata(hObject,handles);

msgbox('Operation Completed')

case 2

[DIM]=MWAV_op(Clase0,Clase1,'cityblock');

handles.DIM=DIM;



case 3

[DIM]=MWAV_op(Clase0,Clase1,'minkowski');

handles.DIM=DIM;



case 4

[DIM]=MWAV_op(Clase0,Clase1,'mahalanobis');

handles.DIM=DIM;



end

Producto(Gui)

anÁlisis de la interacciÓn cardiorrespiratoria ... - unab

Documents