Análisis de la variabilidad de la frecuencia cardíaca integrando la señal de la frecuencia respiratoria

En este trabajo se realizó el análisis de la variabilidad de la frecuencia cardíaca (VFC) integrando las variaciones inducidas por la dinámica respiratoria como factor de pronóstico de riesgo cardiovascular. Se presentan diferentes tipos de análisis para la serie experimental de VFC, entre ellos se encuentra el análisis estadístico, análisis mediante técnicas espectrales, análisis multirresolución y análisis de la dinámica nolineal de la señal. Fueron analizados un total de 90 registros electrocardiográficos de 5 min, 45 de ellos pertenecientes a personas sin riesgo cardiovascular y los 45 restantes fueron tomados de personas con una valoración de riesgo cardiovascular media o alta dada previamente. Para evaluar el valor de cada índice extraído por separado se realizaron diversos análisis univariados de varianza (ANOVA), análisis de componentes principales (PCA) y adicionalmente se implementó una prueba estadística desarrollada por el equipo de trabajo con el fin de e determinar el valor pronóstico asociado a cada uno de estos y cada método de análisis completo. Dentro de los métodos de análisis estadístico, se utilizaron los índices: media, desviación estándar, entre otros. Respecto a los métodos espectrales, dos métodos fueron implementados computacionalmente: El periodograma de Welch y el cálculo del espectro autorregresivo (AR), de estos se extrajeron un total de 12 características espectrales. Adicionalmente, dos medidas fueron calculadas: la entropía y la energía y sus versiones en múltiples resoluciones de la señal de VFC, esto constituyó el análisis multirresolución de dicha señal. Finalmente, fueron calculadas 7 medidas no-lineales: 5 de ellas extraídas directamente desde el mapa de retorno de la señal de VFC y 2 de ellas medidas de complejidad denominadas entropía de aproximación (ApEn) y entropía muestral (SmEn). Los análisis estadísticos se mostraron concluyentes respecto a los índices no-lineales y multirresolución respecto a significancia estadística y valor pronóstico, los índices estadísticos y espectrales presentaron significancia estadística baja. Fueron utilizadas, en total, 53 características para la fase de selección; en esta fase se llevó a cabo un análisis multivariado de varianza (MANOVA) con el que el conjunto quedó reducido a las características más relevantes en términos de significancia estadística utilizando un umbral de p<0.0001. A partir de las características seleccionadas por MANOVA, fueron entrenados diversos esquemas de inteligencia artificial, entre ellos, un perceptrón multicapa (MLP), una función de base radial (RBF) y tres aproximaciones sobre las máquinas de soporte vectorial (SVM y K-SVM). Estos esquemas fueron evaluados utilizando el conjunto total de características y utilizando conjuntos reducidos de características utilizando PCA y K-PCA. El MLP demostró tener un mejor desempeño en lo que se refiere a sensitividad (0.9333), especificidad (1.00), predictividad positiva (1.00), predictividad negativa (0.9375) y exactitud (0.9667) que los demás esquemas evaluados, no obstante, las SVM demostraron un desempeño sobresaliente en la identificación

• Autores: Ramírez Villegas, Juan Felipe; Lam Espinosa, Eric
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2009
• Institución: Universidad Autónoma de Occidente
• Repositorio: RED: Repositorio Educativo Digital UAO
• Idioma: spa
• OAI Identifier: oai:red.uao.edu.co:10614/6161
• Acceso en línea: http://hdl.handle.net/10614/6161
• Palabra clave: Ingeniería Biomédica; Procesamiento de señales; Inteligencia artificial; Biomedicina; Análisis estadístico
• Rights: openAccess
• License: https://creativecommons.org/licenses/by-nc/4.0/