Please use this identifier to cite or link to this item: http://hdl.handle.net/1843/BUBD-9B9H9Z
Type: Tese de Doutorado
Title: Técnicas de reconhecimento de padrões para a classificação de sinaisfisiológicos
Authors: Cristina Sady Coelho da Rocha
First Advisor: Luis Antonio Aguirre
metadata.dc.contributor.advisor2: Ubiratan Santos Freitas
First Referee: Eduardo Mazoni Andrade Marcal Mendes
Second Referee: Antonio de Padua Braga
Third Referee: Hani Camille Yehia
metadata.dc.contributor.referee4: Jurandir Nadal
metadata.dc.contributor.referee5: Antonio Mauricio Ferreira Leite Miranda de Sa
Abstract: A regulação da frequência cardíaca, da pressão arterial e de outras variáveis cardiovasculares é mediada, principalmente, pelo sistema nervoso autônomo, junto com os mecanismos homeostáticos intrínsecos e extrínsecos. Complexas alterações são observadasnessas variáveis e a análise de sua variabilidade tornou-se uma importante ferramenta não-invasiva para estudar as interações simpato-vagais em diversas condições fisiopatológicas, tais como o infarto do miorcárdio, a neuropatia diabética e a doença de Chagas. A análise da variabilidade da frequência cardíaca (VFC) aliada às técnicas de análise de sistemas dinâmicos não-lineares têm se mostrado ferramentas promissoras para tais estudos. Métodos de modelagem têm sido utilizados, na literatura, para a síntese e análise de sinais fisiológicos, tais como, séries temporais de intervalos RR (derivados de sinais de ECG) e sinais respiratórios. A escolha da técnica de modelagem não-linear parece ser mais aceitável para representar, de forma confiável, os processos biológicos, uma vez que esses processos são susceptíveis a apresentar algum tipo de não-linearidade. Este trabalho apresenta a aplicação da dinâmica simbólica, de padrões estatísticos ordinais e de outras técnicas de dinâmica não-linear paradistinguir entre o comportamento dinâmico da VFC em pacientes sadios e chagásicos. Para isso, foi utilizada a entropia de Shannon, calculada a partir de sequências infinitas de símbolos dos tacogramas. Os resultados mostraram que foi possível distinguir duas classes: indivíduos sadios e indivíduos chagásicos com 84% de acerto; e três classes: indivíduos sadios, indivíduos chagásicos com e sem cardiopatia com 70% de acerto, utilizando uma máquina de vetor de suporte (SVM) multiclasses. Estudos recentes vêm se preocupando também com a classificação automática do sono, que é de grande importância na clínica médica, uma vez que diversas patologias e distúrbios do sono, tais como a apnéia obstrutiva do sono, a narcolepsia e a insônia, estão relacionadas com a qualidade do sono. Diversos autores utilizaram técnicas de dinâmica não-linear e modelagem autorregressiva para aplicação no estagiamento do sono. A ventilação não invasiva (VNI), um tratamento reconhecido para insuficiênciarespiratória crônica hipercápnica, é predominantemente aplicada à noite. Entretanto, a qualidade do sono é raramente avaliada devido à complexidade tecnológica necessária para tal avaliação. Uma nova técnica para a classificação automática do sono foi proposta, neste trabalho, para pacientes submetidos à VNI. Essa nova técnica requersomente sinais disponíveis a ventiladores domiciliares (fluxo de ar e saturação de oxigênio) e o photoplestimograma (PPG), um sinal também já disponível em alguns ventiladores. Consequentemente, não são necessários sinais de EEG, EOG, EMG ou ECG. Características cardiorrespiratórias são extraídas dos três sinais e utilizadas comoentradas em uma SVM multiclasses. Dois diferentes tipos de classificação do sono foram investigados: um distingue três estágios (vigília, sono REM e sono não-REM), e o outro retorna cinco estágios (vigília, sono REM e estágios N1, N2 e N3). Classificadores dependentes e independentes do paciente foram testados e os hipnogramas obtidos foram comparados com os obtidos pela classificação visual/manual de um especialista do sono. Taxas de acerto médias de 91% e de 84% foram obtidas com classificadores dependentes do paciente para três e cinco estágios, respectivamente. Para classificadores independentes do paciente, foram obtidas taxas de acerto médias de 78% e 62% para três e cinco estágios, respectivamente. Reduções de 4,5% e de 5% nas taxas de acertoforam observadas, respectivamente, para três e cinco estágios, quando características relacionadas com o PPG e com o fluxo foram retiradas. Os resultados sugerem que, a longo prazo, a avaliação do sono e a monitorização noturna em domicílio é viável em pacientes tratados com VNI. Essa técnica poderia, ainda, ser integrada aos ventiladores. O presente trabalho visa, portanto, a aplicar técnicas de reconhecimento de padrões para a classificação da cardiopatia chagásica por meio da extração de características de sinais de VFC. Além disso, este trabalho também tem como objetivo, classificar os estágios do sono de pacientes ventilados por meio de sinais coletados sem a utilizaçãode eletrodos.
Abstract: The regulation of heart rate, blood pressure and other cardiovascular variables is mediated primarily by the autonomic nervous system, along with the homeostatic mechanisms intrinsic and extrinsic. Complex changes are observed in these variables and analysis of its variability has become an important noninvasive tool to study the sympathetic-vagal interactions in many pathophysiological conditions such as myocardialinfarction, diabetic neuropathy and Chagas disease. The analysis of heart rate variability (HRV) coupled with a technical analysis of nonlinear dynamical systems have shown to be promising tools for such studies. Modeling methods have been used in the literature for the synthesis and analysis of physiological signals such as time series of RR intervals (ECG signals derived) and respiratory signals. The choice of nonlinear modeling techniques seems to be more acceptable to depict reliably thebiological processes, since these processes are likely to present some nonlinearity. This paper presents the application of symbolic dynamics, ordinal pattern statistics and other techniques of nonlinear dynamics to distinguish between the dynamic behavior of HRV in healthy and chagasic subjects. For this, we used the Shannon entropy, calculatedfrom finite sequences of symbols of tachograms. The results demonstrate that it was possible to distinguish two classes: healthy individuals and chagasic individuals with 84% accuracy; and three classes: healthy individuals, chagasic individuals with and whithout cardiophatology with 70% accuracy, using a Support Vector Machine(SVM) multiclass classification. Recent studies also have been concerned with the automatic sleep classification, which is of great importance in clinical medicine, since several diseases and sleep disorders such as obstructive sleep apnea, narcolepsy and insomnia, are related to the quality sleep. Several authors use nonlinear dynamics techniques and autoregressive modeling for application in sleep staging. Non invasive ventilation (NIV), a recognized treatment for chronic hypercapnic respiratory failure, is predominantly applied at night.Nevertheless, the quality of sleep is rarely evaluated due to the required technological complexity. A new technique for automatic sleep staging is here proposed for patients treated by NIV. This new technique only requires signals (airflow and hemoglobin oxygen saturation) available in domiciliary ventilators plus a photo-plethysmogram, a signal already managed by some ventilators. Consequently, no EEG, EOG, EMG nor ECG are needed. Cardio-respiratory features are extracted from the three selected signals and used as input to a SVM multi-class classifier. Two dierent types of sleep scoring were investigated: one distinguish three stages (wake, REM sleep and nonREM sleep), and one returns five stages (wake, REM sleep, N1, N2 and N3 stages). Patientdependentand patient-independent classifiers were tested comparing the resultinghypnograms with those obtained from visual/manual scoring by a sleep specialist. An average accuracy of 91% (84%) was obtained with three-stage (five-stage) patientdependent classifiers. With patient-independent classifiers, an average accuracy of 78%(62%) was obtained when three (five) sleep stages were scored. Also if the PPG-based and flow features are left out, a reduction of 4.5% (resp. 5%) in accuracy is observed for the three-stage (resp. five-stage) cases. Our results suggest that long-term sleep evaluation and nocturnal monitoring at home is feasible in patients treated by NIV. Our technique could be even integrated into ventilators. The present work aims to apply pattern recognition techniques for classification of Chagas heart disease by extracting features of HRV signals. Furthermore, this study also aims to classify the sleep stages in ventilated patients using signals collectedwithout electrodes.
Subject: Sono Aspectos fisiológicos
Engenharia elétrica
language: Português
Publisher: Universidade Federal de Minas Gerais
Publisher Initials: UFMG
Rights: Acesso Aberto
URI: http://hdl.handle.net/1843/BUBD-9B9H9Z
Issue Date: 27-Mar-2013
Appears in Collections:Teses de Doutorado

Files in This Item:
File Description SizeFormat 
tese_cristina.pdf13.08 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.