Análisis no lineal de la dinámica intrinseca de las bioseñales con el fin de caracterizar patologías

Abstract

La metodología presentada en esta tesis está basada en una recopilación de métodos, herramientas y conceptos utilizados por el grupo de Control y Procesamiento Digital de Señales en el área del análisis de complejidad para la caracterización de señales biológicas tanto en los estados de normalidad como en los de anormalidad. Dicha metodología se desarrolla sobre señales fono-cardiográficas, de voz y electro-encefalográficas que contienen registros normales y patológicos, en primer lugar se realiza una caracterización mediante el uso de la dimensión de correlación, el exponente de Lyapunov y el exponente de Hurst, utilizando diferentes clasificadores: clasificador de la media más cercana, clasificador cuadrático, clasificador de los k vecinos más cercanos, clasificador de Fisher y maquinas de soporte vectorial con los cuales se evalúa el rendimiento de cada conjunto de características, el rendimiento máximo de clasificación que se obtiene para las señales analizadas es de 97.6%, 90.73% y 98.5% respectivamente. Además de la caracterización se realiza un análisis comparativo entre las características de complejidad de cada clase de los tres tipos de señales, con que se encuentran diferencias significativas entre los valores de dichas características que permiten diferenciarlas tanto en los estados de normalidad como en los patológicos. Los resultados obtenidos indican que la metodología desarrollada es efectiva y viable para la caracterización e identificación de patologías en bioseñales / Abstract: The methodology presented is based on a collection of methods, tools and concepts used on the Group of Control and Digital Signal Processing into the complexity analysis area on characterization of Biological signals both normal and abnormality states. Such methodology is developed on phonocardiographic, voice and electroencephalografic signals containing normal and pathological records. At first, the characterization employing relation dimension, Lyapunov exponent and Hurst exponent is done by using different classifiers: nearest mean classifier, quadratic classifier, k nearest neighbor classifier, Fisher classifier and support vector machines, which evaluate each features set performance. Maximum Performance Rate obtained for the analysed signals are 97.6%, 90.73% and 98.5% respectively. Besides characterization, comparative analysis among complexity characteristics of each class over all signals is performed and significant differences among values of such characteristics are found, which allows differentiating both normal and pathological states. Results indicate that the methodology described is effective for characterization and identification of pathologies on biosignals.