Presentación de PowerPoint

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.

Juan David Ortiz Viviescas.

U00061044 Ing. Mecatrónica.

UNAB

OBJETIVO GENERAL

Diseñar un clasificador por medio de Redes

Neuronales (RN) para determinar el momento de

desconexión de pacientes asistidos mediante

ventilación mecánica.

OBJETIVOS ESPECIFICOS

• Comparar algoritmos para la extracción de características basados en técnicas estadísticas y la transformada Wavelet discreta, para caracterizar e interpretar el comportamiento del sistema.

• Implementar Algoritmos Genéticos y Forward Selection, como técnicas de selección de características, para la obtención de variables relevantes, explicativas del sistema cardiorrespiratorio.

• Comparar los resultados de cada clasificador y

determinar cuál es el mejor diseño obtenido.

JUSTIFICACIÓN

Este trabajo, se enmarca dentro de la Ingeniería

Biomédica, en el campo del análisis por

computador de señales biomédicas y ayuda al

diagnóstico mediante diferentes técnicas.

Soporte ventilatorio

El soporte ventilatorio es necesario cuando:

• Insuficiencia respiratoria aguda (IRA).

• contusión pulmonar

• oxigenación deficiente

• falla ventilatoria aguda.

• Apnea.

• Entre otras

▪ Existen diferentes modos de soporte ventilatorio:

✓ Ventilación mecánica (VM).

✓ Respiración boca a boca.

✓ Respiración con ambu.

✓ Entre otros…

Fig. 1 ventilación mecánica

❖ Ventilación mecánica (VM).

➢ Infecciones en el centro hospitalario (infección nocosomial),

➢ Atrofia de la musculatura respiratoria.

➢ Retención liquida secundaria a las alteraciones del metabolismo hidromineral.

➢ Riesgo de infección colonización.

➢

Problema

Cuando la ventilacion mecanica es descontinuada cerca de el

25% de los pacientes

desconectados sufren un distress respiratorio suficientemente grave como para tener que ser reintubados.

Causas

• Dependencia psicológica del ventilador

• Pobre intercambio de gases

• Fallo de la bomba ventilatoria (fatiga de músculos respiratorios)

• Entre otras.

MARCO TEÓRICO

• Sistema respiratorio

Es el encargado de captar oxígeno (O ₂ ) y eliminar el dióxido de carbono (CO ₂ ) procedente del anabolismo celular.

Fig. 3 Diagrama sistema respiratorio Fuente [xx]

Fig. 2 señal Capacidades y volúmenes pulmonares.

SEÑAL DE FLUJO RESPIRATORIO

• T

T

+ T

: Duración del ciclo respiratorio.

• T

: Tiempo de inspiración

• T

: Tiempo de espiración

• V

Volumen circulante o volumen tidal.

• T

/T

:Fracción inspiratoria.

• V

/T

: Flujo inspirado medio.

• f/V

: Relación frecuencia-volumen tidal .

Fig. 4 señal volumen respiratorio

LA SEÑAL ELECTROCARDIOGRÁFICA (ECG)

• Son señales biomédicas generadas a partir de la actividad del músculo cardíaco.

Fig. 5 ilustración corazón Fig 6. señal electrocardiografica

• WEANDB (weaning data base). La base de datos fue obtenida en los hospitales la Santa Creu i Sant Pau y hospital Universitario de Getafe.

• Registro de la señal de flujo respiratorio mediante un neumotacógrafo conectado a un tubo endotraqueal.

• Señal electrocardiográfica registrada mediante un electrocardiógrafo de monitor de cabecera.

– Protocolo de extubación: Prueba de tubo en T.

– Tiempo de registro 30 minutos.

- Condición 1 (éxito) 33 pacientes

- Condición 2 (Fracaso) 33 pacientes .

BASE DE DATOS

TÉCNICAS DE PROCESAMIENTO DE DATOS

ESTADISTICOS

• Media.

• Desviación Estandar

• Moda

• Rango Intercuartil

• Oblicuidad

• Varianza

• Curtosis

Transformada Wavelet Discreta

Permite el uso de intervalos grandes de tiempo en aquellos segmentos en los que se requiere mayor precisión en baja frecuencia, y regiones mas

pequeñas donde se requiere información en alta frecuencia.

TÉCNICAS DE PROCESAMIENTO DE DATOS

fig. 7 descomposición transformada Wavelet

PRUEBA U THE MANN WHITNEY

• La prueba U the Mann-Whitney se usa para

comprobar la heterogeneidad de dos muestras ordinales.

• Permite determinar un índice en el cual la

señal que obtenga un resultado mayor a 0.05.

Se descartara debido a que es relevante en la clasificación del sistema.

Frank Wilcoxon

K FOLD CROSS VALIDATION

Este método se utiliza para disminuir el sesgo del porcentaje de clasificación mejorando la generalización del sistema

TECNICAS DE GENERALIZACION

Fig. 7 tecnica K FOLD CROSS VALIDATION

SELECCIÓN DE

CARACTERÍSTICAS

• FORWARD SELECTION (FS).

• ALGORITMOS GENÉTICOS (AG).

FORWARD SELECTION (FS)

Fig. 8 Forward selection

Escribir descripcion

ALGORITMOS GENÉNTICOS (AG).

Los AG son métodos adaptativos que pueden

usarse para resolver problemas de búsqueda y

optimización. Están basados en el proceso

genético de los organismos vivos. A lo largo de las

generaciones, las poblaciones evolucionan en la

naturaleza de acorde con los principios de la

selección natural y la supervivencia de los mas

fuertes, postulado por Darwin (1859).

TECNICAS DE CLASIFICACIÓN

Algoritmo utilizado para asignar un elemento entrante no etiquetado en una categoría concreta conocida. Dicho algoritmo, permite pues, ordenar o disponer por clases elementos entrantes, a partir de cierta información característica de éstos.

Fig. 9 clasificación

REDES NEURONALES (RNs)

Son un paradigma de aprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexión de neuronas que colaboran entre sí para producir un estímulo de salida.

TECNICAS DE CLASIFICACIÓN

Fig. 10 Red neuronal

METODOLOGÍA DESARROLLO DEL PROYECTO

Procesamiento de datos

Reducción de dimensionalidad

Clasificación con RN

Fig. 11 Metodología del proyecto

DESARROLLO DEL PROYECTO

Comenzando con la metodología propuesta se desarrolla un script que integre la base de datos Weandb con el software Matlab®.

Paciente #

Buscar en las carpetas las

señales

Etiquetar señales

Importa y organizar en matrices Ttot

f/VT RR

Fig. 12 diagrama integración con Matlab

.

OBTENCION ESTADISTICOS SERIE RESPIRATORIA

Procesamiento de datos

Fig. 13 obtención estadístico

• Diferentes estudios para el análisis de las señales respiratorias en pacientes durante el proceso de extubación han sido realizados, donde se ha

demostrado la pertinencia de utilizar la serie respiratoria TTot como variable relevante en la retirada de la VM, debido a su dependencia lineal de las series

respiratorias TI y TE [54-57]. En [58,59] resaltan el

índice de tobin (F/VT) como uno de los más usados en la clínica por su buen valor predictivo y su buena

reproducibilidad, sin requerir de la colaboración del paciente ni de instrumentación adicional.

OBTENCION ESTADISTICOS SERIE

RESPIRATORIA

ESTADISTICOS SERIE RESPIRATORIA

Numero de entrada Variable

1 Media Ttot

2 Desviación Ttot

3 Moda Ttot

4 Rango Intercuartil Ttot

5 Oblicuidad Ttot

6 Varianza Ttot

7 Curtosis Ttot

8 Media f/VT

9 Desviación f/VT

10 Moda f/VT

11 Rango intercuartil f/VT

12 Oblicuidad f/VT

13 Varianza f/VT

14 Curtosis f/VT

Tabla 1. relación numérica de las variables

ESTADÍSTICO SERIE RESPIRATORIA Ttot.

Señal Ttot

Condición

1 Media Moda Varianza Curtosis Oblicuidad Desviación

R.

Intercuartil

1,5963±

0,5835

1,4629±

0,5398

0,3918±

0,5744

28,6034±

38,446

2,866±

3,1505

0,5144±

0,3566

0,3981±

0,265

Condición 2

1,2318±

0,3540

1,1750±

0,3452

0,3201±

0,5778

41,372±

68,2051

3,5077±

4,2945

0,4309±

0,3666

0,247±

0,1391

Tabla 2. estadísticos serie respiratoria Ttot

ESTADÍSTICOS SERIE RESPIRATORIA f/VT

Señal f/VT

Condición 1 Media Moda Varianza Curtosis Oblicuidad Desviación

R.

Intercuartil Media total

0,0939099

0,0525977±

0,0339127

0,0042604±

0,0162986

13,383279±

16,329632

1,8920194±

1,8871578

0,0397516±

0,0517708

0,0316787±

0,0238318

Condición 2

Media total

0,1684392

±

0,220257

0,0777221

±

0,0862261

0,0134082

±

0,0466798

22,849543

±

25,127385

2,697587

±

2,2541422

0,0628963

±

0,0972227

0,0527398

±

0,075326

Tabla 3. estadísticos señal f/VT

BUSQUEDA EXHAUSTIVA

0 50 100 150 200

51 52 53 54 55 56 57

X: 88 Y: 56.73

Porcentaje de Clasificación vs Numero de Neuronas

Porcentaje de Clasificación

X: 106

Y: 56.23 traingdx

trainrp

0 50 100 150 200

50 51 52 53 54 55 56 57

X: 136 Y: 56.81

Porcentaje de Clasificación vs Numero de Neuronas

Porcentaje de Clasificación

X: 84 Y: 56.35

trainlm trainrb

Algoritmo Numero de neuronas Porcentaje Early Stopping

Traingdx 88 56.73%±0.063

Trainrp 106 56.23%±0.075

Trainlm 136 56.35%±0.124

Regularización Bayesiana

Trainrb 84 56.81%±0.065

Tabla 4. resultados búsqueda exhaustiva

SELECCIÓN DE CARACTERISTICAS- ESTADISITICOS SERIE RESPIRATORIA .

Fig. 15 selección de características estadísticos

RESULTADOS ESTADÍSTICOS FORWARD SELECTION- RN

0 5 10 15

50 55 60 65 70 75 80

X: 3 Y: 73.33

Forward selection

Numero de Variables

Porcentaje de Clasificación

X: 6 Y: 75

X: 5 Y: 73.33 X: 2

Y: 73.33

traingdx trainrp trainlm trainbr

Algoritmo Variable Porcentaje Early Stopping

Traingdx 14-8-9-6-11-1 75% ± 0.033

Trainrp 13-6-5 73.3% ± 0.022

Trainlm 8-4-11-14-3 73.3% ± 0.103 Regularización Bayesiana

Trainrb 8-13 73.3% ± 0.18

Tabla 5 resultados FS estadísticos.

Fig 16 grafica resultados FS

RESULTADOS ESTADISTICOS AG -NN

Algoritmo Variable Porcentaje

Early Stopping

Traingdx 8-10-13 77% ± 0.063

Trainrp 2-10-13 71.66% ± 0.075

Trainlm 3-5-8-9-12 76.67% ± 0.124

Regularización Bayesiana

Trainrb 1-2-6-7-12-13 77% ± 0.065

Tabla 6. resultados AG estadísticos.

TRANSFORMADA WAVELET

En esta fase se implemento la transformada wavelet como técnica de procesamiento de datos.

En este proyecto se utilizo la familia Bior ortogonal [xxx ] para realizar la descomposición por niveles de los pacientes de la base de datos Weandb.

xxxxx

Fig. 17 transformada wavelet familia biortogonal.

SELECCIÓN TRANSFORMADA WAVELET DISCRETA

Se seleccióna la Bior 3.3

que obtuvo un índice = 0.1715

OBTENCION WAVELET SERIE RESPIRATORIA

Fig. 19 obtención estadísticos wavelet

Entrada Variable Entrada Variable

1 Media p_cA3_Ttot33 8 Media p_cd2_f/Vt

2 Desviación p_cA3_Ttot33 9 Desviación p_cd2_f/Vt

3 Moda p_cA3_Ttot33 10 Moda p_cd2_f/Vt

4 R. intercuartil p_cA3_Ttot33 11 R. intercuartil p_cd2_f/Vt 5 Oblicuidad p_cA3_Ttot33 12 Oblicuidad p_cd2_f/Vt 6 Varianza p_cA3_Ttot33 13 Varianza p_cd2_f/Vt 7 Curtosis p_cA3_Ttot33 14 Curtosis p_cd2_f/Vt

OBTENCION WAVELET SERIE RESPIRATORIA

Tabla 7. relación numérica variables Wavelet

.

Ttot- condición 1 -ca3

Media Moda Varianza curtosis oblicuidad desviación

rango intercuartil Media total

0,2498±

0,0467

5,2398±

3,3394

0,0374±

0,0251

0,2383±

0,0854

0,0392±

0,0238

0,5984±

0,9352

0,0020±

0,0028 Ttot- condición 2 -ca3

Media total

0,2193±

0,0286

7,5981±

7,1267

0,0332±

0,0314

0,2056±

0,0349

0,0272±

0,0162

0,8001±

1,6060

0,0021±

0,0052 f/VT- condición 1 -CD3

Media total

0,4192±

0,0013

7,9211±

5,6772

0,0127±

0,0191

0,4128±

0,0170

0,0085±

0,0076

-0,0390±

1,3060

0,0005±

0,0022 f/VT- condición 2 -CD3

Media total

0,4190±

0,0018

10,3242±

6,0453

0,0159±

0,0193

0,4041±

0,0490

0,0113±

0,0165

-0,1273±

1,3754

0,0006±

0,0014

WAVELET SERIE RESPIRATORIA

Tabla 8. Resultados estadísticos Wavelet

.

RESULTADOS BUSCADA EXHAUSTIVA

Algoritmo Numero de

neuronas

Porcentaje

Early Stopping

Traingdx 88 66.66% ± 0.63

Trainrp 53 65% ± 0.05

Trainlm 100 63.2% ± 0.24

Regularización Bayesiana

Trainrb 80 68.1% ± 0.06

Tabla 9. resultados búsqueda exhaustiva

SELECCIÓN DE CARACTERISTICAS- WAVELET SERIE RESPIRATORIA.

Fig. 20 selección de características wavelet

RESULTADOS WAVELET FORWARD SELECTION- RN

0 5 10 15

50 55 60 65 70 75 80

X: 2 Y: 72.33

Forward selection

Numero de Variables

Porcentaje de Clasificación

X: 3 Y: 70

X: 5 Y: 71.67 X: 2

Y: 73.33

traingdx trainrp trainlm trainbr

Algoritmo Variable Porcentaje Early Stopping

Traingdx 14-2 72.33% ± 0.066

Trainrp 6-3-8 70% ± 0.024

Trainlm 8-3-9-10-6 71.67% ± 0.123 Regularización Bayesiana

Trainrb 8-14 73.3% ± 0.19

Tabla 10. resultados FS Wavelet

Fig 21 grafica resultados FS Wavelet

RESULTADOS WAVELET-

ALGORITMOS GENÉTICOS-R.N

Algoritmo Variable Porcentaje

Early Stopping

Traingdx 14-8-9-6-11 75% ± 0.022

Trainrp 2-14 72.5% ± 0.077

Trainlm 8-4-11-14-3 73.33% ± 0.54

Regularización Bayesiana

Trainrb 8-14 73.33% ± 0.065

Tabla 11. resultados AG wavelet

INTERACCION

CARDIORRESPIRATORIA

Estas dos señales presentan un fenómeno que durante la inspiración el ritmo cardíaco aumenta y durante la espiración disminuye, conocido como la arritmia sinorrespiratoria[ref].

Fig. 22 sistema cardiorrespiratorio

.

INTERPOLACION

0 20 40 60 80 100 120 140 160

0.5 1 1.5 2 2.5

3 Paciente 1 señal TOT

tiempo

TOT

señal interpolada señal original

0 20 40 60 80 100 120 140 160

200 400 600 800 1000 1200 1400 1600 1800 2000

2200 Paciente 1 señal RR

tiempo

RR

señal interpolada señal original

0 20 40 60 80 100 120 140 160

0.06 0.08 0.1 0.12 0.14 0.16

0.18 Paciente 1 señal f/VT

tiempo

f/VT

señal interpolada señal original

20 40 60 80 100 120 140 160 180

450 500 550 600 650 700 750

Paciente 36 señal RR

tiempo

RR señal interpolada

señal original

0 20 40 60 80 100 120 140 160 180

0.8 1 1.2 1.4 1.6 1.8

2 Paciente 36 señal TOT

tiempo

TOT

señal interpolada señal original

0 20 40 60 80 100 120 140 160 180

0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16

Paciente 36 señal f/VT

tiempo

f/VT

señal interpolada señal original

Interpolación cuadrática Muestreada 2 Hz

Se utiliza para estandarizar los tiempos de muestreo en las señales y Numero de muestras de la señal Respiratorias y cardiacas.

Fig 23. graficas interpolación señales RR, f/VT, Ttot

ERROR MEDIO CUADRATICO

PACIENTE Ttot f/VT RR Ttot f/VT RR

CONDICION 1 CONDICION 2

1 0,88518 0,16950 3,56576 3,72992 0,08863 0,57060

2 7,78418 0,44124 0,60587 8,36489 0,63175 0,34828

3 0,69647 2,12893 2,37342 3,51999 0,20866 0,44802

4 1,67361 0,14321 8,09468 1,73834 0,01965 55,91692

5 5,79053 0,19562 1,39922 1,31699 0,01097 0,43255

6 1,65603 0,05747 1,32497 8,04138 0,61093 1,18988

7 0,09694 0,01207 1,02630 1,56302 0,09334 2,55042

8 1,84961 0,11651 0,66605 2,48253 0,00783 0,08013

9 1,71473 0,08066 0,06478 2,66607 0,00808 0,10491

10 1,03086 0,04130 0,50460 2,84387 0,29531 0,65195

11 0,57866 0,52911 1,69000 0,33949 0,03418 1,15494

12 0,19857 0,70697 0,00190 1,91628 0,11119 2,01806

13 3,99747 0,65862 0,12215 0,20436 0,07067 0,59688

14 2,98142 0,27462 0,30852 0,35695 0,01378 0,00523

15 4,12519 0,18286 1,78077 0,61615 0,16805 0,15501

16 1,65836 0,46089 1,60471 0,04508 0,09194 0,56905

17 2,46129 0,65283 2,65917 0,33401 0,13478 0,01526

18 4,53552 1,14889 0,28652 1,47681 2,17478 1,14832

19 3,31943 0,18927 0,65113 1,15657 0,66206 0,44683

20 0,67407 0,29741 0,45352 6,58069 0,63218 0,01296

21 1,47681 0,97004 2,71572 0,25111 0,04392 0,29682

22 4,57313 0,43067 0,22286 5,91596 9,45191 2,02300

23 3,63452 0,94508 0,13785 0,87076 1,08641 0,17779

24 2,91965 0,04074 1,07214 0,38624 0,66578 2,08039

25 3,65490 0,08261 1,33853 69,82036 3,46226 1,43161

26 5,71668 0,03561 2,64008 4,43954 9,39827 1,78359

27 5,80321 0,26981 0,84801 0,62819 0,07839 1,54200

28 2,08800 0,31364 0,02975 3,13934 0,40847 1,07539

29 2,97330 0,53785 0,68543 3,73802 0,06307 0,41254

30 4,44585 0,48385 4,18039 1,21826 0,05963 0,57358

31 1,89489 0,40211 0,19613 1,91933 0,45889 1,75372

32 1,69852 0,25302 0,18946 0,45361 0,18508 0,29146

33 4,30113 0,15978 0,07243 2,89228 0,13778 0,57889

PROMEDIO 2,81481 0,40645 1,31857 2,81481 0,40645 1,31857

ERROR MEDIO CUADRATICO INTEPOLACION

Tabla 12. resultados error medio cuadrático

.

OBTENCION ESTADISITICOS SERIE CARDIRRESPIRATORIA

Fig. 24 obtención estadísticos serie cardiorrespiratoria

Entrada Variable Entrada Variable Entrada Variable

1 Media Ttot 8 Media f/VT 15 Media RR

2 Desviación Ttot 9 Desviación f/VT 16 Desviación RR

3 Moda Ttot 10 Moda f/VT 17 Moda RR

4 R. intercuartil Ttot 11 R. intercuartil f/VT 18 R. intercuartil RR 5 Oblicuidad Ttot 12 Oblicuidad f/VT 19 Oblicuidad RR 6 Varianza Ttot 13 Varianza f/VT 20 Varianza RR 7 Curtosis Ttot 14 Curtosis f/VT 21 Curtosis RR

OBTENCION ESTADISITICOS SERIE CARDIORRESPIRATORIA

Tabla 13. relación numérica variables estadísticos serie cardiorrespiratorio

Ttot- condición 1

Media Moda Varianza Curtosis Oblicuidad Desviación

rango intercuartil Media total 0,19964 0,37155 0,27297 0,52225 0,08061 0,01135 0,0424475 Desviación 0,12461 0,23952 0,2379 0,1867 0,06242 0,01827 0,0348464

Ttot- condición 2

Media total 0,15131 0,28744 0,29695 0,51309 0,09864 0,04649 0,0632427 Desviación 0,17368 0,17231 0,28937 0,2362 0,18984 0,1742 0,1747341

f/VT- condición 1

Media total 0,06051 0,08617 0,07749 0,31055 0,04134 0,00462 0,0306594 Desviación 0,0787 0,09317 0,09522 0,15795 0,05292 0,01514 0,0343012

f/VT- condición 2

Media total 0,14847 0,12689 0,13428 0,32112 0,08763 18,5635 0,1372649 Desviación 0,21189 0,2181 0,2126 0,14681 0,04933 12,5836 0,2012687

RR- condición 1

Media total 0,5458 0,98535 0,09417 0,73687 0,03491 0,03043 0,0322807 Desviación 0,16634 0,00759 0,1555 0,12047 0,1709 0,1714 0,1710828

RR- condición 2

Media total 0,48257 0,95474 0,08376 0,70938 0,01094 0,00124 0,0065854 Desviación 0,2134 0,16891 0,17408 0,15244 0,0335 0,00486 0,0196466

ESTADÍSTICO SERIE CARDIORRESPIRATORIA

.

SELECCIÓN DE CARACTERISTICAS-ESTADISITICOS SERIE CARDIORRESPIRATORIA.

Fig. 25 selección de características estadísticos serie cardiorrespiratoria.

FS AG

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

Algoritmo Variable Porcentaje Early Stopping

Traingdx 4-21-16-19-8- 10

75%

0.112

Regularización Bayesiana Trainrb 8-6-15-20 71.167%

±

0.32

RESULTADOS SELECCIÓN DE CARACTERISTICAS- ESTADISITICOS SERIE CARDIORRESPIRATORIA.

Tabla 9. resultados FS cardiorrespiratoria

Tabla 10. resultados AG cardiorrespiratoria

OBTENCION WAVELET SERIE CARDIORRESPIRATORIA

Fig. 26 obtención estadísticos Wavelet serie cardiorrespiratoria

Entrada Variable Entrada Variable Entrada Variable

1 Media p_cA3_Ttot33 8 Media p_cd2_fVt 15 Media p_cA3_RR33

2 Desviación p_cA3_Ttot33 9 Desviación p_cd2_fVt 16 Desviación p_cA3_RR33

3 Moda p_cA3_Ttot33 10 Moda p_cd2_fVt 17 Moda p_cA3_RR33

4 R. intercuartil p_cA3_Ttot33 11 R. intercuartil p_cd2_fVt 18 R. intercuartil p_cA3_RR33 5 Oblicuidad p_cA3_Ttot33 12 Oblicuidad p_cd2_fVt 19 Oblicuidad p_cA3_RR33 6 Varianza p_cA3_Ttot33 13 Varianza p_cd2_fVt 20 Varianza p_cA3_RR33 7 Curtosis p_cA3_Ttot33 14 Curtosis p_cd2_fVt 21 Curtosis p_cA3_RR33

OBTENCION WAVELET SERIE

CARDIRRESPIRATORIA

RR- condición 1 -ca3

media Moda varianza curtosis Oblicuidad desviación

rango intercuartil media total 0,24407 7,02065 0,03369 0,21584 0,03013 0,47652 0,00203 desviación 0,06159 6,94793 0,02997 0,0889 0,02688 1,48739 0,00309

RR- condición 2 -ca3

media total 0,22462 4,52366 0,02424 0,20232 0,02712 -0,4179 0,00115 desviación 0,07225 3,29689 0,02374 0,08916 0,02461 0,95383 0,00220

WAVELET SERIE CARDIORRESPIRATORIA

Tabla 12. Resultados estadísticos serie cardiorrespiratoria

.

SELECCIÓN DE CARACTERISTICAS-

WAVELET SERIE CARDIORRRESPIRATORIA.

Fig. 27 selección de características estadísticos serie cardiorrespiratoria Wavelet.

Forward Selection

Algoritmo Variable Porcentaje

Early Stopping

Traingdx 4-21-16-19-8-10 75%

0.112 Regularización Bayesiana

Trainrb 8-2-15-20 71.167%

0.32

Algoritmos Genéticos

Algoritmo Variable Porcentaje

Early Stopping

Traingdx 2-8-13-18-20 78.2%

0.72 Regularización Bayesiana

Trainrb 8-20-18-2 77.67%

0.32

RESULTADOSSELECCIÓN DE

CARACTERISTICAS- WAVELET SERIE CARDIORRRESPIRATORIA.

Tabla 13. Resultados selección de características serie cardiorrespiratoria Wavelet

.

CONCLUSIONES

Algoritmo Variable de señales Ttot y f/VT Porcentaje Forward Selection

Early Shopping

Traingdx Curtosis f/VT-Media f/VT-Desv. f/VT-

Varianza Ttot-R. Inter. f/VT-Media Ttot

75%±0.033

Regularización Bayesiana

Trainrb1 Media f/VT-Varianza f/VT 73.33%±0.18

Algoritmos Genéticos Early Shopping

Traingdx Media f/VT-Moda f/VT-Varianza f/VT 77%±0.063

Regularización Bayesiana

Trainrb1 Media Ttot-Desv Ttot –Varianza Ttot-

Curtosis Ttot-Oblicuidad f/VT-Varianza f/VT

77%±0.065

Wavelet señales Ttot ca3 y f/VT CD3 Forward Selection

Early Stopping

Traingdx Curtosis f/vt-Desviación Ttot 72.33%±0.066

Regularización Bayesiana

Trainrb Media f/VT Curtosis f/VT 73.3%±0.19

Algoritmos Genéticos Early Stopping

Traingdx Curtosis f/vt-Media f/VT- 75%±0.022

Algoritmos Genéticos

Trainrb Deviación f/VT – Varianza Ttot - R.

Intercuartil

73.33%±0.065

• Las RN´s son una técnica sofisticada capaz de modelar funciones complejas de diversas índoles.

Conjuntamente apoyado con la técnica FS y AG permite Obtener un buen conjunto de características para el cual nos permite mejorar notablemente los resultados del sistema.

• Al comparar los dos métodos de selección de

características se determina que es mejor utilizar AG en

el análisis del sistemas respiratorio ya este proporciona

los mejores porcentajes de clasificación. se observa que

en la mayoría de los casos el algoritmo Traingdx

proporciona los mejores porcentajes de clasificación.

• Al encontrar la moda de las variables que se mantienen en cada clasificación de los resultados obtenidos al aplicar FS y AG se

observa que las variables más usadas en los clasificadores luego de aplicar la selección de características son la Media f/VT,

Varianza f/VT y la Varianza Ttot, y que la combinación de estas se encuentra presentes en los mejores resultados de clasificación. De igual manera el proceso que realiza la red neuronal no es

determinístico, y por ser un proceso de aleatorización podrá realiza la combinación de diferentes variables pero se percibe la presencia al menos una de estas variables en cada uno de los resultados

obtenidos.

Variable de señales Ttot y f/VT RR Porcentaje Forward Selection

Early Stoping

Traingdx Media f/VT-Oblicuidad f/VT-Varianza RR-

Desviación Ttot

79%±0.72

Regularización Bayesiana

Trainrb1 Media f/VT-Desviación Ttot-Curtosis f/VT-

Varianza RR

77.67%±0.063

Algoritmos Genéticos Early Stoping

Traingdx Media f/VT-Curtosis f/VT-Curtosis RR 74%±0.61

Regularización Bayesiana

Trainrb1 Curtosis f/VT Oblicuidad f/VT Varianza RR

Curtosis RR

75%±0.35

Wavelet señales Ttot ca3 y f/VT CD3 RR Forward Selection

Early Stoping

Traingdx R. intercuartil Ttot-Curtosis RR-Desviación RR- Oblicuidad RR-Media f/VT-Moda f/VT

75%±0.112

Regularización Bayesiana

Trainrb Media f/VT-Varianza TOT-Media RR-Varianza

RR

71.167%±0.3

Algoritmos Genéticos Early Stoping

Traingdx Desviación Ttot-Media f/VT-Varianza f/VT-R.

intercuartil RR-Varianza RR

78.2%±0.72

Algoritmos Genéticos

Trainrb Media f/VT-Varianza RR-Oblicuidad RR-

Desviación-Ttot

77.67%±0.32

• Se puede observar que al aplicar la transformada wavelet con las señales respiratorias no se observan resultados positivos, se obtiene inferiores porcentajes de clasificación a los obtenidos al aplicar los estadísticos, y al encontrar la moda se resaltan las siguiente variables Media p_cd2 f/VT y Curtosis p_cd2 f/VT, los dos métodos de selección de característica se presenta la combinación de ellos dos, pero de igual manera por sí solo no arrojan el mejor resultado.

• Al incluir la serie RR se obtiene un aumento en los porcentajes de clasificación (+2%) respecto al mejor resultado obtenido al analizar las señales del sistema respiratorio (Ttot, f/VT), lo cual nos resalta la importancia interacción del sistema cardiorrespiratorio.

• Estudio posterior

BIBLIOGRAFIA

• [1] west j. fisiologia respiratoria. Editorial medica panamericana. Sexta edición, Buenos aires, 2004.

• [2] f frutos i alia m r lorenzo j garcía pardo m nolla j ibáñez j p tirapu s macias j blanco s benito a anzueto a esteban (2003). Utilización de la ventilación mecánica en 72 unidades de cuidados intensivos en España, medicina intensiva vol. 27 núm. 1 pág. 1-12

• [3] cristancho, g. w. (2003). Fundamentos de la fisioterapia respiratoria y ventilación mecánica manual moderna:

419-435.

• [4] b. Giraldo, member, ieee, c. Arizmendi, member, ieee, e. Romero, r. alquezar, p. caminal,s. benito, d, (2006).

Ballesteros patients on weaning trials classified with neural networks and features selection procedings of the 28th ieee embs annual international conference isbn 1-4244-0033-3/06_ ieee.

• [5] b. giraldo, member, ieee, a. garde, c. arizmendi, member, ieee, r. jané, member, ieee,s. benito, i. diaz, d.

ballesteros, (2006). support vector machine classification applied on weaning trials patients procedings of the 28th ieee embs annual international conference isbn 1-4244-0033-3/06/_ieee,

• [6] pere caminal , beatriz giraldo, haritz zabaleta , montserrat vallverdu , salvador benito , d ballesteros , l lópez- rodriguez , a esteban , m baumert , andreas voss, (2005) joint symbolic dynamic analysis of cardiorespiratory interactions in patients on weaning trials. a: 27th annual international conference of the ieee engineering in medicine and biology society p. 1-4.

• [7]. dirk cysark, arndt büssing (2005) cardiorrespiratory symchronization during zenial s meditation eur j appl physiol, 95: 88-95

• [8] benitos. net a., (1990). “función pulmonar en paciente ventilado”. ed.doyma. barcelona-españa