Anlisis de la interaccin cardiorrespiratoria

utilizando tcnicas no lineales en procesamiento de

datos en pacientes sometidos a la prueba de tubo en t
Jose Ignacio Trapero Villarreal

Carlos Julio Arizmendi Pereira

Universidad Autnoma de Bucaramanga

Bucaramanga/Colombia
jtrapero@unab.edu.co.

Profesor Titular, Facultad Ingeniera Fisicomecnicaline

Bucaramanga/Colombia
carizmendi@unab.edu.co
Beatriz Fabiola Giraldo
Dept. of ESAII, Universitat Politcnica de Catalunya
Barcelona/Espaa
beatriz.giraldo@upc.edu

La estimacin del momento ptimo de retirar la ventilacin

asistida de un paciente en pacientes en cuidado intensivo sigue
siendo fundamental en la prctica clnica. En este trabajo se
estudia el patrn respiratorio a partir de la seales
cardiorrespiratoria de pacientes en proceso de extubacin
teniendo en cuenta las siguientes etapas, para el procesamiento de
los datos se utilizara el remuestreo de la seales, y la tcnica
proveniente de la teora del caos (Dinmica simblica), y la
clasificacin del mismo con el objetivo de identificar patrones
como posible xito en el proceso. Se analizaron 154 pacientes
clasificados en tres grupos xito, fracaso y reintubado, en el cual
se enfrentaron dos casos xito vs fracaso, la prediccin al final
para el grupo xito vs fracaso fue 93.87%, para ,utilizando como
clasificador las mquinas de soporte vectorial tambin se utiliz
el anlisis discriminante lineal
Palabras claveproceso de extubacin, dinmica simblica,
remuestreo

I.

INTRODUCCIN

En la actualidad, es indispensable intentar el mantenimiento de

la vida del paciente agudo y grave sin contar con la ayuda de
la ventilacin mecnica (VM), tanto ms cuando la patologa
en sus casos extremo el paciente cuenta con Insuficiencia
Respiratoria Aguda IRA escoger el momento ptimo de retirar
la ventilacin mecnica depende mucho de la etapa de
evolucin del paciente, de esta manera existe la posibilidad de
que debido a esto tenga que ser reintubado por no escoger el
momento ptimo de la desconexin, este es un aspecto que no
puede faltar cuando de deshabituacin se habla. Son mltiples
las etiologas del fallo en el destete y una mala decisin en
relacin al momento de iniciar el mismo, no debe ser
identificada como causa de destete fallido todo ello impone
una sobre carga en la inspiracin de los pacientes que se estn
liberando de la VM que muchas veces el paciente no puede

vencer y aparece entonces la fatiga muscular las causa del

destete fallido se deben desbalance ente la carga ventilatoria y
la Bomba respiratoria, Factores extra pulmonares, para obtener
informacin ms relevante se utilizara el anlisis no lineal de
sistemas dinmico (Dinmica simblica) para la etapa de
modulacin y evaluacin se propone utilizar el anlisis
discriminante lineal y las Maquinas de soporte vectorial, para
establecer nuevos ndices basados en la seal respiratoria que
nos permitan determinar con un mayor nmero de aciertos el
momento adecuado para retirar la ventilacin mecnica a un
paciente.
II.

MATERIALES Y METODOS

A. Base de tados
El estudio se realiz con la base de datos denominada
WEANDB, formada por seales respiratorias de pacientes
conectados al ventilador mecnico mediante un tubo
endotraqueal. A partir del resultado del test de tubo en T, los
pacientes fueron clasificados en tres grupos: grupo xito (E)
con 94 pacientes que superaron satisfactoriamente la prueba y
recuperaron la respiracin espontnea; grupo fracaso (F) con
38 pacientes que no superaron el test y fueron reconectados al
ventilador; y grupo reintubados (R) con 21 pacientes que
superaron la prueba y fueron extubados, pero antes de 48
horas fueron reconectados al ventilador. Estos pacientes fueron
registrados en los Departamentos de Cuidados Intensivos del
Hospital de la Santa Creu i Sant Pau, Barcelona, y del Hospital
de Getafe, Espaa, de acuerdo con los protocolos aprobados
por sus comits ticos. La seal de flujo respiratorio se obtuvo
mediante un pneumotacgrafo
(monitor datexOhmeda
transductor de reluctancia variable) conectado a un tubo
endotraqueal. Se registraron 30 minutos a una frecuencia de

muestreo de 250 Hz (tarjeta de adquisicin National

Instruments dAQCard6024E). [1]
B. Dinamica Simbolica
La Dinmica Simblica (DS) ha mostrado ser un mtodo de
anlisis que aporta informacin importante para caracterizar la
complejidad de la VRC. Est basada en la transformacin de
una seal en una secuencia de smbolos que toman valores de
un alfabeto, eliminando la informacin detallada y conservando
en la nueva serie la informacin clnicamente til presente en la
seal cardiaca, pero no disponible ni observable directamente.
[2]
La principal idea de la dinmica simblica consiste en dividir
en contornos el espacio en el cual una seal puede fluctuar
[3]. Cada contorno estar representado por un smbolo. El
conjunto de todos los smbolos que representan los contornos
en los que se divide una seal se denomina alfabeto. Al realizar
esta conversin, se puede construir una secuencia de smbolos
a partir de una serie temporal o cualquier otro tipo de secuencia
inicial; este proceso recibe el nombre de simbolizacin
Lo anterior, se puede expresar formalmente de la siguiente

manera [4] Asmase la serie temporal

{x n }n=0 en

U R , y A= { A 0 , A 1 , , A k1 } sea una particin

U=i=0 k1 A i , y
de
que satisface
U
A i A j =, i j . Si cada regin A i se denota por un
smbolo ( Ai ) , entonces la serie temporal original puede

la particin en forma considerable, siendo alfa un valor

constante entre 0 y 1.

1 si ( 1+ ) < xi<
0 si < xi ( 1+ ) n=1,2, . N
2 si (1 ) < xi
3 si 0< xi(1 )
(1)

Una vez conseguida la secuencia de smbolos s (x) , se

debe fragmentar dicha secuencia en palabras sobre el alfabeto
A de largo . Una palabra sobre un alfabeto A se
define como una sucesin finita (posiblemente vaca) de
smbolos de A
CITATION JYa06 \l 3082
[4]
. Por ejemplo, en el estudio de un electrocardiograma (ECG)
de 30 minutos, el cual corresponde a un valor aproximado de
1800 intervalos RR en el tacograma [5]. Se ha escogido para
este caso la utilizacin de palabras de longitud 3, y un tau
constante que consisten de smbolos de un alfabeto
A={0,1,2,3 } , con lo cual se obtienen 64 tipos de
palabras diferentes (bines) [5]. En la Figura 2 se ilustra el
proceso de conversin de una serie de tiempo en una
secuencia simblica.

ser reescrita como una secuencia simblica simplemente

A i que incluye cada valor
determinando la regin

x n . En la Figura 1 se muestra una

individual
representacin visual de lo que acaba de decirse.

Fig. 2. Forma de construir las palabras de =3 y con

solapamientos: (a) =0; (b) =1; (c) =2. Fuente [2]
Fig. 1. Division en secuencias de simbolos segn la
variavilidad de la seal. Fuente [2]
En ella, se transforma una seal x , en una secuencia de
smbolos s (x) , de un alfabeto A={0,1,2,3 } , de
cuatro smbolos A={0,1,2,3}. Para hacerlo se emplea la
ecuacin 1 .Esta transformacin de una seal x en smbolos
considera tres niveles dados, donde se refiere a la media
de la seal y a es un parmetro especial al que suele
asignrsele un valor de 0.1 [4]. Es importante mencionar que
pequeos cambios en los valores de y no influencian

C. Reducion de la dimensionalidad

Forward Selection

inicia evaluando el clasificador usando una nica variable la

cual va cambiando con cada una de las variables existentes; el
resultado de esta clasificacin se rankea y se selecciona
aquella variable con el ms alto porcentaje de clasificacin. A
continuacin, se realiza una nueva serie de clasificaciones
tomando como entrada la variable seleccionada junto a cada
una de las variables restantes; luego de lo cual, se escoge la

pareja de variables que arrojan el mejor resultado. Este

proceso se repite hasta acabar todas las variables,
seleccionando cada vez el conjunto de variables con el que se
obtuvo la mejor clasificacin [9]. El resultado de la aplicacin
del FS es una organizacin de las variables de la ms a la
menos relevante para el problema de clasificacin. Al guardar
los porcentajes de clasificacin con cada conjunto de
variables, es posible seleccionar el conjunto de variables que
mejor se adapta al problema de clasificacin.

trada de regreso al espacio de entrada, puede separar los datos

en todas las clases distintas, cada una formando un
agrupamiento. [6]
La MSV primero mapea los puntos de entrada a un espacio de
caractersticas de una dimensin mayor (i.e.: si los puntos de
entrada estn en 2 entonces son mapeados por la SVM a 3)
y encuentra un hyperplano que los separe y maximice el
margen m entre las clases en este espacio como se muestra en
figura

Moving Window with Variance Analysis(MWVA)

El mtodo de la MWVA es un mtodo de seleccin de

caracteristicas, tipo filtro, el cual consiste en la creacin de
una ventana mvil variable, la cual comparando dos o ms
seales, mediante el computo de la varianza intragrupo e inter
grupo y el criterio de la energia, encuentran las variables mas
relevantes del sistema y la relevanica dentro del mismo .[6]
D. Tecnicas de prediccion y clasifiacion de datos
Fig. 3. Maximizacin del margen m entre las clases Fuente [6]

Analisis discriminante lineal

III.

El anlisis discriminante ayuda a identificar las caractersticas

que diferencian (discriminan) a dos o ms grupos y a crear una
funcin capaz de distinguir con la mayor precisin posible a
los miembros de no y otros grupo. El anlisis discriminante es
una tcnica estadstica capaz de decirnos que variables
permiten diferenciar a los grupos y cuantas de estas variables
son necesarias para alcanzar la mejor clasificacin posible. La
pertenencia a los grupos, conocida de antemano, se utiliza
como variable dependiente (una variable categrica con tantos
valores discretos como grupos). Las variables en las que
suponemos que se diferencian los grupos se utilizan como
variables independientes o variables de clasificacin (tambin
llamadas variables discriminantes); estas variables deben ser
cuantitativas, admitiendo un tratamiento numrico con
significado. El objetivo final del anlisis discriminante es
encontrar la combinacin lineal de las variables
independientes que mejor permite diferencias (discriminar) a
los grupos. Una vez encontrada esa combinacin (la funcin
discriminante) podr ser utilizada para clasificar nuevos casos.

RESULTADOS

En estudios realizados con la base de datos Weandb [8], se

ilustra que el remuestreo a 2Hz garantiza la no existencia de
perdida de energa de la seal. Mediante el cmputo de la
potencia del espectro de la seal remuestreada, ver figura 35,
se analiza la interaccin entre el patrn respiratorio y la
frecuencia cardiaca. Se agregara un paso al inicio, el cual
consiste en el remuestreo de las seales, debido a que la seal
del sistema cardiaco presenta un periodo de muestreo diferente
al del sistema respiratorio. Por esta razn se utilizara la
interpolacin lineal, esta tcnica ser la encargada de llevar
todas las seales a una misma frecuencia de muestreo deseada.
[8].
0.18

Seal original
R a 2H

0.16
0.14
0.12

Maquinas de Soporte Vectorial

Una (MSV) aprende la superficie decisin de dos clases

distintas de los puntos de entrada. Como un clasificador de
una sola clase, la descripcin dada por los datos de los
vectores de soporte es capaz de formar una frontera de
decisin alrededor del dominio de los datos de aprendizaje con
muy poco o ningn conocimiento de los datos fuera de esta
frontera. Los datos son mapeados por medio de un kernel
Gaussiano u otro tipo de kernel a un espacio de caractersticas
en un espacio dimensional ms alto, donde se busca la mxima
separacin entre clases. Esta funcin de frontera, cuando es

Dt

0.1
0.08
0.06
0.04
0.02
0

200

400

600

800
1000
Tiempo[s]

1200

1400

1600

1800

Fig. 4. Remuestreo de la seal a 2Hz para una serie Fv Fuente

autor

Con el propsito de obtener ndices que mejoren el momento

ptimo de destete se emplea la DS, en donde se utiliza la
transformacin de la serie en un alfabeto de 4 palabras
consecutiva con palabras de longitud =3 y un valor de tau=0,
esto nos dara un total de 64 palabras por cada serie estudiada.
se procede a escoger el valor de alfa que nos permita tener
todas las palabras con una frecuencia de ocurrencia mayo que
0, en la figura 5 podremos observar la frecuencia de aparicin
de cada una de las 64 palabras de alfabeto. La tabla numero 1
se puede ilustrar los valores de alfa y un tau=0 para cada serie
cardiorrespiratoria, estos valores fueron escojidos teniendo la
frecuencia de aparicion de cada palabra y como atra medida el
porcentaje de clasificacion. En el eje de las x tenemos la
cantidad de pacientes, en el eje de las y tenemos la frecuencia
de aparicion de cada palabra, en el eje de las z las 64 palabras
de cada paciente.

de la dimensionalidad mediante la implementacin de las

tcnicas FS, y MWVA, el proceso para la clasificacio se tiene
en cuanta 4 etapas.

Etapa 1 Clasifiacion de los datos

Se utilizara esta etapa para tener un porcentajes de

clasificacin base de comparacin, a partir de esta porcentajes
se utilizaran tcnicas de minera de datos para eliminar
variables irrelevantes del sistema debido a que son
combinaciones lineales de otras variables del sistemas,
tambin se eliminaran variables que contienen artefactos y por
lo tanto desmejoran el porcentaje de clasificacin. En las
siguientes tablas 3, 4 se ilustraran los resultados, el caso
estudiado acontinucaion es xito vs Fracaso.

xito vs Fracaso

Tabla 3. Clasifiacion de la clase xito vs fracaso

Porcentaje de clasificacin
Clasificadores
Desviacin estndar

Fig. 5. Frecuencia de aparicion de cada palabra del alfabeto

Fuente autor
Tabla 1. Valor de alfa que mejor caracteriza cada serie
tempora
Series
Fv
RR
TE
TI
TO
TT
VI

Alfa
0,01
0,11
0,17
0,19
0,19
0,13
0,05

VT

0,17

% Clasificacin
70,76%
61,74%
73,1%
72,44%
72,45%
71,11%
71,03%
70,78%

Se proceder a unirtodas las series para proceder hacer la

respectiva clasificacin de los datos, Debido a la gran
cardinalidad del sistema, se proceder a realizar una reduccin

LDA

60.12% 2.42%

SVM

69.12%1.71

Etapa 2 Reduccion de la dimensionalidad

Debido al gran aumento de la dimensionalidad se procede a

utilizar la regresin Fs con tal de evaluar los ndices que
aporten mucha ms relevancia a l % de clasificacin, para la
seleccin de los mejores ndices se proceder a utilizar las
tcnicas (LDA, SVM). En el siguiente resultado podemos
observar que a medida que se aumenta el nmero de variables
la clasificacin empieza a decaer, el tiempo de cmputo fue de
144 horas para la tcnica LDA para las SVM 720 horas. Para
la generalizacin del modelo se procede a utilizar
crossvalidatiion Kfold 4, y 150 iteraciones lo cual el proceso
corri 400 veces lo cual nos da una mayor confiabilidad para
el clasificador. En la figura 6 se pude ver amodo de ejemplo la
reduccion de la dimensionalidad utilizando la tecnica forward
selection.

0.94
0.92

Acuracy
Standard Deviation +
Standard Deviation -

X: 81
Y: 0.9037

0.9

Para anchos de venta w=1, en la figura anterior podemos

observar las diferencias significativas entre las variable,
debido a que existen diferentes valores de omega se debe tener
en cuenta un criterio matemtico el cual nos diga a ciencia
cierta cul va hacer el ancho final del ventaneo variable [10],
se proceder utilizar la ecuacin 2. Teniendo el ancho ptimo
se aplicara el criterio de la energa [10]

0.88
% Acuracy

Fig. 7. MWVA xito vs Fracaso Fuentes autor

0.86
0.84
0.82
0.8
0.78
0.76

m w+1
0

50

100

150
200
250
Numero de variables

300

350

Fig. 6. Variables seleccionada por el clasificador SVM Fuente

autor
en las tablas 5 se pueden observar los resultados de las
clasificacion de las nuevas caracterizticas utilizando como
clasificador SVM, LDA

81

90.331.52

Etapa 3 moving window with variance analysis

DIM [i , w]

i=1

mw+1

(2)
La energa total normalizada

E=

Tabla 4. Clasifiacion de la clase xito vs fracaso

Clasificadore
Porcentaje de clasificacin
Variables
s
Desviacin estndar
44
LDA
85.51% 1.17%

w 0=argmax

mw 01

xito vs Fracaso

SVM

400

i=1

DIM 2 (i, w)
mw 01

(3)
La seleccin de caractersticas en el punto de partida i=1;mw0+1 se lleva a cabo con mediante la obtencin de un ranking
en orden descendente, las variables son divididas en grupos
correspondientes a subconjunto que proporcionan el 1% de la
energa total [10], ver en la figura 8.

Con el fin de mejorar el porcentaje clasificacin se utiliza

tecina (MWVA) para encontrar las diferencias o similitudes
entre las seales, en la figura 7 se puede ilustrar el ventaneo
mvil para casa valor de omega.

1
Energia total normalizada

0.9
0.8

Energia total

0.7
0.6
0.5
0.4
0.3
0.2
0.1
0

Clase Fracaso

0.8

Dt

0.6

0.2
0

100

200

0.8

300
Numero variables
Clase Fracaso

400

300
Numero variables

400

500

Dt

100

200

300
400
Numero de variables

500

600

600

0.6
0.4
0.2
0

Fig. 8. Energa total normalizada criterio 1%Exitto vs Fracaso

Fuente autor

0.4

X: 170
Y: 0.005441

100

200

500

600

La anterior figura se puede observar que con 170 variables se

puede obtener el 99% de la energa total del sistema, ya que al
aumentar el nmero de variables no existe un aporte
significativo ala separabilidad de las clases, dado por el

incremento en la energa acumulad. Proceder a seleccionar

las variables designadas por el criterio para el cual se aplica un
clasificador para evaluar los datos obtenidos. En la tabla 5 se
podran ilustrar los resultados
Tabla 5. Clasifiacion de la clase xito vs fracaso
Clasificadore
Porcentaje de clasificacin
Variables
s
Desviacin estndar
170
LDA
71.26% 1.28%
SVM

170

74.68% 0.0119%

Etapa 4 MWVA-Forward selection

Debido al gran tiempo de cmputo gastado en el anterior etapa

se procede hacer una seleccin primaria mediante la tcnica
MWVA lo cual arrojo 170 variables para todos los casos 1, 2,
3, 4, y posteriormente aplicara una seleccin de variables
utilizando Forward Selection, el tiempo de computo bajo a 5
das de simulacin adems de eso mejoro el % porcentaje de
clasificacin. Para el caso xito vs fracaso se expondra
acontinuacion.
0.95
acuracy
Standard Deviation +
Standard Deviation -

X: 57
Y: 0.8892

0.9

muy importante en esta tcnica, pudimos encontrar los valores

de alfa que mejor representaron la dinmica 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 dinmica no
lineal del sistema.
Para la unin de todas las series temporales lo cual nos arroj
568 variables se obtuvieron los siguientes resultados xito vs
Fracaso 69.12%, al utilizar la reduccin de dimensionalidad
aplicado la regresin Fs mejora los porcentajes de
clasificacin con todas la variables, se obtuvo un porcentaje de
clasificacin de 90.23% para xito vs Fracaso. Sim embargo
este mtodo tiene un costo computacional muy alto (30 das de
simulacin).
Al utilizar la tcnica MWVA como preseleccin de variables
antes de Fs, mejora los porcentajes de clasificacin para todos
los casos, xito vs Fracaso 74.68%, despus de haber hecho la
preseleccin se aplic la regresin Fs el cual mejoro
considerablemente la clasificacin de los de los casos
ilustrados, obtuvo los siguientes resultados, xito vs Fracaso
93.87%, al aplicar estas dos tcnicas se redujo el coste
computacional a (10 das de simulacin por cada caso
estudiado)
Los resultados de la clasificacin aplicando anlisis
discriminante lineal en comparacin con los presentados por
parte de las SVM reflejan lo robustas que pueden llegar a ser
estas ltimas en cuanto a clasificacin se trata. A pesar de
aplicar ambas tcnicas un aprendizaje supervisado, la
arquitectura de las SVM les permite adaptarse a casi cualquier
tipo de datos y manejar en buena medida el problema de
separacin de las clases

Acuracy

0.85

0.8

0.75

V.
0.7

20

40

60

80
100
120
Numero de variables

140

160

180

[1]

Fig. 8. Seleccin de variables (LDA) Caso 1 xito vs fracaso

Fuente autor
Tabla 5. Clasifiacion de la clase xito vs fracaso
Clasificadore
Porcentaje de clasificacin
Variables
s
Desviacin estndar
51
LDA
88.87 1.45
SVM

93.870.01

IV.

42

CONCLUSIONES

El presente estudio se utiliz la dinmica no lineal el cual

pudimos encontrar en tres smbolos del alfabeto, pudimos
observar que el clasificador (SVM) es muy susceptible a
acierto valores de alfa, por lo que este mismo juega un papel

[2]
[3]
[4]

[5]
[6]

REFERENCIA

J. A. C. Preciado y B. Giraldo Giraldo, Anlisis y

clasificacin del patrn respiratorio de pacientes en
proceso de retirada del ventilador mecnico, Ingeniera
Biomdica, vol. 5, n 1909-9762, p. 7, 2011.
M. V. A. P. P. C. H. Brunel, Estudio de la complejidad de
la variablilida del ritmo cardiaco en pacientes con cardi.
J. S. Hadamard, Les surfaces courbures opposes et
leur lignes geodsiques, vol. 5e srie, Paris: Journal de
mathmatiques pures et appliques, 1898.
A. Voss, he application of methods of non-linear
dynamics for the improved and predictive recognition of
patients threatened by sudden cardiac death, vol. 31,
Berlin: Cardiovascular research Elsevier.
J. Yazlle y C. Jadur, Dinmica Simblica: Apuntes de
Ctedra, Salta: Departamento de Matemtica de la
Universidad Nacional de Salta, 2006.
C. j. Arizmendi, J. Tamames y R. E. Hernandez,
Diagnosis of Brain Tumours From Magnetic Rosonance

Spectroscopy Using Wavelet and Neural Networks, 2010.

G. Betancourt, Las Maquinas de Soporte Vectorial
(SVM), Perira.
[8]
J. A. P. Franca, Anlisis e interpretacin de seales
cardiorrespiratorias para determinar el momento ptimo
de desconexin de un paciente asistido mediante
ventilacin.
[9]
J. D. Ortiz V, J. C. Arizmendi P y H. Gonzales A,
[7]

Analisis de la interaccin entre el patrn respiratorio y

la frecuencia cardiaca en pacientes asistidos mediante
ventilacin mecnica para la estimacin del momento
ptimo en la extubacin.
[10] C. J. Arizmendi Pereira, Signal Processing Techniques
For Brain Tumour Diagnosis From Magnetic Resonance
Spectroscopy Data, Barcelona, Octubre.