View
5
Download
0
Category
Preview:
Citation preview
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
Clasificadores Accuracy ± Standard
Deviation
Numeró de Variables
LDA 64.36% ± 2.15% 568
SVM 63.82%±1.74 568
Clasificadores Accuracy ± Standard
Deviation
Numeró de Variables
LDA 64.36% ± 2.15% 568
SVM 63.82%±1.74 568
Éxito vs Fracaso
Éxito vs Reintubado
Éxito vs Fracaso U Reintubado
Clasificadores Accuracy ± Standard
Deviation
Numeró de Variables
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
Standard Deviation +
Standard Deviation -
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
Clasificadores Accuracy ± Standard
Deviation
Variables
LDA 71.26% ± 1.28% 170
SVM 74.68% ± 0.0119% 170
Éxito vs Fracaso
Clasificadores Accuracy ± Standard
Deviation
Variables
LDA 65.95 ± 1.45 170
SVM 75.04±0.019 170
Éxito vs Reintubado
Clasificadores Accuracy ± Standard
Deviation
Variables
LDA 74.99 ± 1.20 170
SVM 70.68±0.013 170
Éxito vs Fracaso U Reintubado
Clasificadores Accuracy ± Standard
Deviation
Variables
LDA 80.99 ± 1.45 170
SVM 81.86±0.016 170
Fracaso vs Reintubado
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
Standard Deviation +
Standard Deviation -
Clasificadores Accuracy ± Standard
Deviation
Variables
LDA 88.87 ± 1.45 57
Éxito vs Fracaso
Clasificadores Accuracy ± Standard
Deviation
Variables
SVM 93.87±0.01 42
Éxito vs Reintubado
Clasificadores Accuracy ± Standard
Deviation
Variables
LDA 95.27 ± 1.31 52
Clasificadores Accuracy ± Standard
Deviation
Variables
SVM 97.81±0.08 52
Éxito vs Fracaso U Reintubado
Clasificadores Accuracy ± Standard
Deviation
Variables
LDA 89.72 ± 0.98 29
Clasificadores Accuracy ± Standard
Deviation
Variables
SVM 88.89±0.013 52
Fracaso vs Reintubado
Clasificadores Accuracy ± Standard
Deviation
Variables
LDA 92.42 ± 1.04 35
Clasificadores Accuracy ± Standard
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;
guidata(hObject,handles);
msgbox('Operation Completed')
case 3
[DIM]=MWAV_op(Clase0,Clase1,'minkowski');
handles.DIM=DIM;
guidata(hObject,handles);
msgbox('Operation Completed')
case 4
[DIM]=MWAV_op(Clase0,Clase1,'mahalanobis');
handles.DIM=DIM;
guidata(hObject,handles);
msgbox('Operation Completed')
end
Producto(Gui)
Recommended