Metodología para la caracterización de bioseñalesudempleando análisis de complejidad sobre espacio deudembebimiento no uniforme = Biosignal characterization methodology by means of complexity analysis on non-uniform embedding space

摘要

En el presente estudio se expone una metodología basada en dinámica no lineal y medidas de complejidad para la detección automática de patologías. El análisis conuddinámica no lineal requiere una etapa de reconstrucción en el espacio de estados de la señal estudiada, proceso que es logrado mediante 2 técnicas no convencionales de embebimiento no uniforme. El primer enfoque basa la reconstrucción en un procedimiento que fusiona modelado y embebimiento bajo un criterio de información llamado MínimaudLongitud de Descripción. El segundo enfoque basa la reconstrucción en consideraciones geométricas, buscando el máximo esparcimiento del atractor reconstruído en todas laudproyecciones planares. Tras la reconstrucción con estas dos técnicas se procede a la caracterización utilizando medidas típicas de complejidad, y estadísticas de regularidad de la serie de tiempo. Para comprobar la influencia de la reconstrucción mediante los técnicas de embebimiento, y la potencia de las características escogidas se usan tres bases de datos de bioseñales diferentes: señales fonocardiográficas, de variabilidad del ritmo cardiaco y de voz. Los resultados muestran que la metodología puede ser utilizada en labores de detección de patologías / Abstract: The present work presents a nonlinear dynamics and complexity based methodology for automatic detection of pathologies. The nonlinear dynamics analysis requires a reconstruction stage in order to reconstruct the signal on the state space. This is achieved by 2 non conventional embedding techniques. A first approach uses a procedure that fuses modelling and embedding the time series, and uses an Information criterion called Minimum Description Length. A second approach bases reconstruction on geometrical consideration looking for the largest spread of the reconstructed attractor on all the planar projections. After the reconstruction with these two techniques, characterization is made by using complexity measures, and regularity statistics of the time series. To test the influence of the embedding techniques, and the power of the chosen features, three biosignal were used: Phonocardiographics, Heart Rate Variability, andudVoice. Results show that the proposed methodology could perform well on pathologic detection tasks.