View
6
Download
0
Category
Preview:
Citation preview
Proyecto de grado.
Ing. Mecatrónica.
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
Proyecto de grado.
Ing. Mecatrónica.
OBJETIVO GENERAL
Diseñar un clasificador por medio de Redes
Neuronales (RN) para determinar el momento de
desconexión de pacientes asistidos mediante
ventilación mecánica.
Proyecto de grado.
Ing. Mecatrónica.
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.
Proyecto de grado.
Ing. Mecatrónica.
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.
Proyecto de grado.
Ing. Mecatrónica.
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
Proyecto de grado.
Ing. Mecatrónica.
❖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.
➢ Necesidad de prolongar el tiempo de sedación. Otros…
ProblemaCuando la ventilacion mecanicaes descontinuada cerca de el25% de los pacientesdesconectados sufren undistress respiratoriosuficientemente grave comopara tener que ser reintubados.
Causas
• Dependencia psicológica del ventilador
• Pobre intercambio de gases
• Fallo de la bomba ventilatoria (fatiga de
músculos respiratorios)
• Entre otras.
Proyecto de grado.
Ing. Mecatrónica.
MARCO TEÓRICO
• Sistema respiratorio
Es el encargado de captar oxígeno (O2) y eliminar
el dióxido de carbono (CO2) procedente del
anabolismo celular.
Fig. 3 Diagrama sistema respiratorio Fuente [xx]Fig. 2 señal Capacidades y volúmenes pulmonares.
Proyecto de grado.
Ing. Mecatrónica.
SEÑAL DE FLUJO RESPIRATORIO• TTot : TI + TE : Duración del ciclo respiratorio.
• TI: Tiempo de inspiración
• TE: Tiempo de espiración
• VT: Volumen circulante o volumen tidal.
• TI/TTot :Fracción inspiratoria.
• VT/TI : Flujo inspirado medio.
• f/VT : Relación frecuencia-volumen tidal.
Fig. 4 señal volumen respiratorio
Proyecto de grado.
Ing. Mecatrónica.
LA SEÑAL ELECTROCARDIOGRÁFICA (ECG)
• Son señales biomédicas generadas a partir de
la actividad del músculo cardíaco.
Fig. 5 ilustración corazón Fig 6. señal electrocardiografica
Proyecto de grado.
Ing. Mecatrónica.
• 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
Proyecto de grado.
Ing. Mecatrónica.
TÉCNICAS DE PROCESAMIENTO DE
DATOS
ESTADISTICOS• Media.
• Desviación Estandar
• Moda
• Rango Intercuartil
• Oblicuidad
• Varianza
• Curtosis
Proyecto de grado.
Ing. Mecatrónica.
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
Proyecto de grado.
Ing. Mecatrónica.
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
Proyecto de grado.
Ing. Mecatrónica.
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
Proyecto de grado.
Ing. Mecatrónica.
SELECCIÓN DE
CARACTERÍSTICAS
• FORWARD SELECTION (FS).
• ALGORITMOS GENÉTICOS (AG).
Proyecto de grado.
Ing. Mecatrónica.
FORWARD SELECTION (FS)
Fig. 8 Forward selection
Escribir descripcion
Proyecto de grado.
Ing. Mecatrónica.
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).
Proyecto de grado.
Ing. Mecatrónica.
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
Proyecto de grado.
Ing. Mecatrónica.
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
Proyecto de grado.
Ing. Mecatrónica.
METODOLOGÍA DESARROLLO DEL
PROYECTO
Procesamiento de datos
Reducción de dimensionalidad
Clasificación con RN
Fig. 11 Metodología del proyecto
Proyecto de grado.
Ing. Mecatrónica.
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.
Proyecto de grado.
Ing. Mecatrónica.
OBTENCION ESTADISTICOS SERIE
RESPIRATORIA
Procesamiento de datos
Fig. 13 obtención estadístico
Proyecto de grado.
Ing. Mecatrónica.
• 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
Proyecto de grado.
Ing. Mecatrónica.
ESTADISTICOS SERIE RESPIRATORIANumero 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/VTTabla 1. relación numérica de las variables
Proyecto de grado.
Ing. Mecatrónica.
ESTADÍSTICO SERIE RESPIRATORIA
Ttot.
Señal Ttot
Condición
1 Media Moda Varianza Curtosis Oblicuidad Desviación
R.
Intercuartil
Media total1,5963±
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
Media total1,2318±
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
Proyecto de grado.
Ing. Mecatrónica.
ESTADÍSTICOS SERIE RESPIRATORIA f/VT
Señal f/VT
Condición 1 Media Moda Varianza Curtosis Oblicuidad Desviación
R.
Intercuartil
Media total 0,1012417±
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
Proyecto de grado.
Ing. Mecatrónica.
BUSQUEDA EXHAUSTIVA
0 50 100 150 20051
52
53
54
55
56
57
X: 88
Y: 56.73
Porcentaje de Clasificación vs Numero de Neuronas
Numero de Neuronas
Porc
enta
je d
e C
lasi
ficació
n
X: 106
Y: 56.23
traingdx
trainrp
0 50 100 150 20050
51
52
53
54
55
56
57
X: 136
Y: 56.81
Porcentaje de Clasificación vs Numero de Neuronas
Numero de Neuronas
Porc
enta
je d
e C
lasi
ficació
n
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
Fig. 14 resultados búsqueda exhaustiva
Proyecto de grado.
Ing. Mecatrónica.
SELECCIÓN DE CARACTERISTICAS-
ESTADISITICOS SERIE RESPIRATORIA.
Fig. 15 selección de características estadísticos
Proyecto de grado.
Ing. Mecatrónica.
RESULTADOS ESTADÍSTICOS
FORWARD SELECTION- RN
0 5 10 1550
55
60
65
70
75
80
X: 3
Y: 73.33
Forward selection
Numero de Variables
Porc
enta
je d
e C
lasific
ació
n
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
Proyecto de grado.
Ing. Mecatrónica.
RESULTADOS ESTADISTICOS
AG -NNAlgoritmo 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.
Proyecto de grado.
Ing. Mecatrónica.
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.
Proyecto de grado.
Ing. Mecatrónica.
SELECCIÓN TRANSFORMADA
WAVELET DISCRETA
Se seleccióna la Bior 3.3
que obtuvo un índice = 0.1715 Fig. 18 selección Wavelet.
Proyecto de grado.
Ing. Mecatrónica.
OBTENCION WAVELET SERIE
RESPIRATORIA
Fig. 19 obtención estadísticos wavelet
Proyecto de grado.
Ing. Mecatrónica.
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.
Proyecto de grado.
Ing. Mecatrónica.
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.
Proyecto de grado.
Ing. Mecatrónica.
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
Proyecto de grado.
Ing. Mecatrónica.
SELECCIÓN DE CARACTERISTICAS-
WAVELET SERIE RESPIRATORIA.
Fig. 20 selección de características wavelet
Proyecto de grado.
Ing. Mecatrónica.
RESULTADOS WAVELET FORWARD
SELECTION- RN
0 5 10 1550
55
60
65
70
75
80
X: 2
Y: 72.33
Forward selection
Numero de Variables
Por
cent
aje
de C
lasi
ficac
ión
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
Proyecto de grado.
Ing. Mecatrónica.
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
Proyecto de grado.
Ing. Mecatrónica.
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.
Proyecto de grado.
Ing. Mecatrónica.
INTERPOLACION
0 20 40 60 80 100 120 140 1600.5
1
1.5
2
2.5
3Paciente 1 señal TOT
tiempo
TO
T
señal interpolada
señal original
0 20 40 60 80 100 120 140 160200
400
600
800
1000
1200
1400
1600
1800
2000
2200Paciente 1 señal RR
tiempo
RR
señal interpolada
señal original
0 20 40 60 80 100 120 140 1600.06
0.08
0.1
0.12
0.14
0.16
0.18Paciente 1 señal f/VT
tiempo
f/V
T
señal interpolada
señal original
20 40 60 80 100 120 140 160 180450
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
2Paciente 36 señal TOT
tiempo
TO
T
señal interpolada
señal original
0 20 40 60 80 100 120 140 160 1800.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
Paciente 36 señal f/VT
tiempo
f/V
T
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
Proyecto de grado.
Ing. Mecatrónica.
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.
Proyecto de grado.
Ing. Mecatrónica.
OBTENCION ESTADISITICOS SERIE
CARDIRRESPIRATORIA
Fig. 24 obtención estadísticos serie cardiorrespiratoria
Proyecto de grado.
Ing. Mecatrónica.
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
Proyecto de grado.
Ing. Mecatrónica.
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
Tabla 8. Resultados estadísticos serie cardiorrespiratoria.
Proyecto de grado.
Ing. Mecatrónica.
SELECCIÓN DE CARACTERISTICAS-ESTADISITICOS
SERIE CARDIORRESPIRATORIA.
Fig. 25 selección de características estadísticos serie cardiorrespiratoria.
Proyecto de grado.
Ing. Mecatrónica.
FS AGAlgoritmo 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
Proyecto de grado.
Ing. Mecatrónica.
OBTENCION WAVELET SERIE
CARDIORRESPIRATORIA
Fig. 26 obtención estadísticos Wavelet serie cardiorrespiratoria
Proyecto de grado.
Ing. Mecatrónica.
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
Tabla 11. relación numérica variable Wavelet cardiorrespiratorio
Proyecto de grado.
Ing. Mecatrónica.
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.
Proyecto de grado.
Ing. Mecatrónica.
SELECCIÓN DE CARACTERISTICAS-
WAVELET SERIE CARDIORRRESPIRATORIA.
Fig. 27 selección de características estadísticos serie cardiorrespiratoria Wavelet.
Proyecto de grado.
Ing. Mecatrónica.
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.
Proyecto de grado.
Ing. Mecatrónica.
CONCLUSIONES
Proyecto de grado.
Ing. Mecatrónica.
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
Tabla 14. mejores porcentajes de clasificación serie respiratoria
Proyecto de grado.
Ing. Mecatrónica.
• 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.
Proyecto de grado.
Ing. Mecatrónica.
• 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.
Proyecto de grado.
Ing. Mecatrónica.
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
Tabla 15. mejores porcentajes de clasificación serie cardiorrespiratoria.
Proyecto de grado.
Ing. Mecatrónica.
• 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
Proyecto de grado.
Ing. Mecatrónica.
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] benito s. net a., (1990). “función pulmonar en paciente ventilado”. ed.doyma. barcelona-españa
Recommended