Rais, Bruno (2022) Machine Learning aplicado al análisis de variabilidad del patrón respiratorio / Machine Learning applied to the analysis of variability of the respiratory pattern. Proyecto Integrador Ingeniería Mecánica, Universidad Nacional de Cuyo, Instituto Balseiro.
![[img]](/style/images/fileicons/application_pdf.png)
| PDF (Tesis) Español 25Mb |
Resumen en español
En el presente proyecto integrador, se desarrollan los algoritmos para el análisis de la variabilidad del patrón respiratorio (presión y flujo) para detectar e identificar cambios en el sistema biológico de pacientes bajo ventilación mecánica asistida. El proceso consistió en el análisis de las señales de presión de vía aérea y flujo respiratorio por medio de técnicas de procesamiento digital de señales, de modo de extraer parámetros que caracterizan la mecánica respiratoria de los sujetos. Sobre estos parámetros se aplicaron métodos de machine learning con el objetivo final de generar un sistema online y automático capaz de detectar cambios en el patrón respiratorio que puedan estar relacionados a una modificación del estado del paciente, permitiendo generar alarmas multiparamétricas de interés para el personal médico. Para el desarrollo, en primer lugar, se trabajaron con señales de distintas fuentes. Entre ellas de un modelo mecánico de ventilación asistida, de un ensayo in vivo del ventilador mecánico de emergencia, de 3 pacientes en terapia intensiva con sedación estables, de 5 pacientes bajo intervención quirúrgica en la zona abdominal y de 3 pacientes bajo intervención quirúrgica periféricas. En segundo lugar, se procedió a separar los ciclos respiratorios para el análisis temporal de características descriptivas de los estados de los pacientes. Con la separación realizada se procedió a la extracciones de las características mas relevantes ciclo a ciclo. El set de datos se conforma con las características ciclo a ciclo de cada caso: modelo, el ensayo in vivo y para cada paciente. Este set de datos es analizado con métodos de machine learing que se presentan a continuación. La utilización de los métodos de machine learning tuvo como objetivo encontrar distintas clases en el patrón respiratorio e identificar que característica es la más relevante. Para ello, se plantearon dos caminos. El primero consistió en realizar el análisis por componentes principales (PCA) para visualizar los datos en un espacio tridimensional con la menor cantidad de información perdida posible y la maquina de vector de soporte (SVM) de una clase con datos que representen un estado estable y de referencia, este estado es llamado estado basal. Entonces, los datos restantes que fueren clasificados como valores atípicos con respecto al estado basal se le aplico el algoritmo de agrupamiento espacial basado en densidad de aplicaciones con ruido (DBSCAN) para identificar valores atípicos y grupos formados. Este camino no parece ser de utilidad cuando se presenta el fenómeno de concept drif t en donde los datos cambian con el tiempo. Entonces, el segundo camino, fue aplicar directamente el algoritmo de agrupamiento DBSCAN. La desventaja de este camino, es que se necesita un post-procesamiento para saber que grupo formado corresponde al estado basal. Por ultimo, con los grupos formados se aplico la prueba F (F-test) para saber que parámetros tuvieron mayor varianza entre grupos y además para asignarle un valor numérico a estos cambios. Los resultados del trabajo muestran que la metodología desarrollada puede ser de utilidad para generar alarmas multiparamétricas en base a la variabilidad del patrón respiratorio de sujetos bajo ventilación mecánica. Dichas alarmas tienen la función de alertar al personal médico de cambios tanto instantáneos como progresivos de la mecánica ventilatoria, lo cual muchas veces no es simple o factible de observar con los monitoreos que se utilizan actualmente en terapia intensiva o durante intervenciones quirúrgicas. Los resultados presentados en el trabajo indican una mejor performance de la técnica SVM para los casos de los sujetos en terapia intensiva y el agrupamiento DBSCAN para los pacientes bajo intervención quirúrgica, para los fines mencionados.
Resumen en inglés
In this integrative project, algorithms are developed for the analysis of the difference in the respiratory pattern (pressure and flow) to detect and identify changes in the biological system of patients under assisted mechanical ventilation. The process consisted of the analysis of the airway pressure and respiratory flow signals by means of digital signal processing techniques, in order to extract features that characterize the respiratory mechanics of the subjects.Machine learning methods will be applied to these features with the ultimate goal of generating an online system automatically capable of detecting changes in the respiratory pattern that may be related to a change in the patient’s condition, allowing the generation of multiparametric alarms of interest for the personal doctor. First of all, for the development signals from different sources were used. Among them, a mechanical model of assisted ventilation, an in vivo test of the emergency mechanical ventilator, 3 patients in intensive care with stable sedation, 5 patients undergoing surgery in the abdominal area and 3 patients undergoing peripheral surgery. Second, the respiratory cycles were separated for the temporal analysis of the descriptive characteristics of the patients’ states. With the separation carried out, the most relevant features were extracted cycle by cycle. The dataset conforms to the cycle-by-cycle features of each case: model, in vivo assay, and for each patient. This data set is analyzed with machine learning methods that are presented below. The use of the machine learning methods aimed to find different classes in the respiratory pattern and identify which features is the most relevant. To do this, two paths were proposed. The first consisted of performing Principal Component Analysis (PCA) to visualize the data in threedimensional space with as little lost information as possible and the one-class Support Vector Machine (SVM) with data representing a healthy state and reference, this state is called the baseline state. Then, the remaining data that were classified as outliers with respect to the baseline state were applied the Application Density-Based Spatial Clustering with Noise (DBSCAN) algorithm to identify outliers and formed clusters. This path does not seem to be useful when the concept drif t phenomenon occurs where the data changes over time. So, the second way was to directly apply the DBSCAN clustering algorithm. The disadvantage of this path is that a postprocessing is needed to know which group formed corresponds to the basal state. Finally, with the groups formed, the F test is applied to find out which features will have the greatest variation between groups and also to assign a numerical value to these changes. The results of the work show that the developed methodology can be useful to generate multiparametric alarms based on the scarcity of the respiratory pattern of subjects under mechanical ventilation. These alarms have the function of alerting the medical personnel of both instantaneous and progressive changes in many ventilatory mechanics, which is sometimes not simple or feasible to observe with the monitors currently used in intensive care or during surgical interruptions. The results presented in the work indicate a better performance of the SVM technique for the cases of the subjects in intensive care and the DBSCAN grouping for the patients undergoing surgical intervention, for the purposes included.
| Tipo de objeto: | Tesis (Proyecto Integrador Ingeniería Mecánica) |
|---|---|
| Palabras Clave: | Machine learning; Aprendizaje automático; [Respiratory pattern; Patrón respiratorio; Assisted mechanical ventilation; Ventilación mecánica asistida; Airway pressure; Presión vía aérea; Respiratory flow; Flujo respiratorio; Digital signal processing; Procesamiento digital de señales] |
| Referencias: | [1] Diseño, construcción, evaluación y certificación de un ventilador mecánico para respiración asistida/controlada orientado a mejorar la capacidad nacional de respuesta a la pandemia covid. 2020. Contrato proyecto IP-COVID N° 690 entre el Ministerio de Ciencia, Tecnología e Innovación y la Comisión Nacional de Energía Atómica. 1 [2] Francesco Camussoni. Aprendizaje automático y análisis estadístico para la evaluación de riesgo de rotura y comportamiento biomecánico de aneurismas intracraneales. 2021. Física Estadística e Interdisciplinaria-Instituto Balseiro. 2 [3] Simulink. https://es.mathworks.com/products/simulink.html. Accedido: 27 de Marzo de 2022. 2 [4] Python. https://www.python.org. Accedido: 27 de Marzo de 2022. 2 [5] Pandas. https://pandas.pydata.org. Accedido: 27 de Marzo de 2022. 3 [6] NumPy. https://www.numpy.org. Accedido: 27 de Marzo de 2022. 3 [7] SciPy. https://www.scipy.org. Accedido: 27 de Marzo de 2022. 3 [8] Matplotlib. https://matplotlib.org. Accedido: 27 de Marzo de 2022. 3 [9] Scikit-learn. https://scikit-learn.org/stable/. Accedido: 27 de Marzo de 2022. 3, 43, 58 [10] Robert L. Chatburn. Fundamentals of Mechanical Ventilation. Mandu Press Ltd, Cleveland Heights, Ohio, 2003. 5 [11] Pulmones de hierro para las víctimas de la polio, 1930-1950. 6 [12] P. Bazan M. Subirana. Modalidades de ventilación mecánica. 2000. Servicio de Medicina Intensiva. Hospital de Sant Pau. Barcelona. España. https://www.elsevier.es/es-revista-enfermeria-intensiva-142-articulo-modalidades-ventilacion-mecanica-12 [13] Ethem Alpaydin. Introduction to Machine Learning. The MIT Press Cambridge, Massachusetts London, England, 2006. 14 [14] Chistopher M. Bishop. Pattern Recognition and Machine Learning. Springer, 2006. 15 [15] Aurelien Geron. Hands-On Machine Learning with Scikit-Learn, Keras, and Tensorflow. O’ Reilly, 2019. 17, 43 [16] Maryamsadat Hejazi Yashwant Prasad Singh. One-class support vector machines approach to anomaly detection. 2013. Applied Artificial Intelligence, 27:5, 351-366, DOI:10.1080/08839514.2013.785791. 17, 19, 20 [17] Rohith Gandhi. Support Vector Machine — Introduction to Machine Learning Algorithms. https://towardsdatascience.com/support-vector-machine-introduction-to-machine-learning-algorithms-934a444fca47. Accedido: 21 de Abril de 2022. 17 [18] Sourodip Kundu. Finding Non-Linear Decision Boundary in SVM. https://medium.com/@KunduSourodip/ finding-non-linear-decision-boundary-in-svm-a89a97a006d2. Accedido: 24 de Mayo de 2022. 18 [19] Martin Ester Hans-Peter Kriegel Xiaowei Xu Erich Schubert, Jorg Sander. Dbscan revisited,revisited: Why and how you should (still) 2014. 21 [20] Sai Sindhu Akula Madhumathi Sivakumar Jyothisha J Nair Dhanya R, Irene Rose Paul. Ftest feature selection in stacking ensemble model for breast cancer prediction. 2020. Amrita School of Engineering, Amrita Vishwa Vidyapeetham, Amritapuri, Kollam - 690525,Kerala, India. 22 [21] EDUARDO L. DE VITO CARLOS E. D NEGRI, FERNANDO A. PESSOLANO. Variabilidad del patrón respiratorio durante la carga elástica inspiratoria. 2009. Instituto de Investigaciones Médicas Alfredo Lanari, Facultad de Medicina, Universidad de Buenos Aires. 25 [22] Medical Ventilator with Lung Model. https://la.mathworks.com/help/ physmod/simscape/ug/medical-ventilator-with-lung-model.html. Accedido: 6 de Abril de 2022. 25 [23] MHRA Document RMVS001 Specification. Rapidly manufactured ventilator system. 2020. RMVS001 v3.1.pdf. 26 [24] Ing. Matias Madorno. Manual del usuario equipos fluxmed. 2013. 27 [25] Matías Marticorena Sergio Benítez. Reporte de ensayo in vivo de ventilador mecánico vemec ar20 prototipo i. 2021. ITE-EN GIN-VI-VEMEC-11 rev 0 - Reporte ensayo invivo. pdf. 28, 29 [26] Luis Guillam´on, Marcelo De Las Heras; Bordarías Clau. La oveja como modelo experimental de animal grande en la investigación de patologías respiratorias. 2010. Archivos de Bronconeumonología. Vol. 46. Núm. 10. páginas 499-501 . DOI: 10.1016/j.arbres.2010.06.005. 28 [27] Fuld M Fernandez-Bustamante A, Easley RB. Regional pulmonary inflammation in an endotoxemic ovine acute lung injury model. respir physiol neurobiol. 2012. 183(2):149-158. doi:10.1016/j.resp.2012.06.015. 28 [28] Biomedical applications of sheepmodels: from asthma to vaccines. 28 [29] Jorge ENCISO NANO. Anestesia en la cirugía laparoscópica abdominal. 2013. An. Fac. med. 30 [30] M. Román Rodríguez y Grupo respiratorio de la Societat Balear de Medicina Familiar I Comunitaria J. Miquel-Gomara Perelló. Medidor de peak-flow: técnica de manejo y utilidad en atención primaria. 2002. 33 [31] Edward C. MD Thiele, Eryn L. MD; Nemergut. Miller’s Anesthesia, 9th ed. 2020. 35 [32] Mancebo J. P´erez, M. Monitorizaci´on de la mec´anica ventilatoria. 2006. http://scielo.isciii.es/scielo.php?script=sci arttextpid=S021056912006000900004lng=esnrm=iso. 35, 36 [33] Lee Fleisher Jeanine Wiener-Kronish Neal Cohen Kate Leslie Michael Gropper, Lars Eriksson. Miller’s Anesthesia. Departamento De Enseñaría Eléctrica, Escola Técnica Supeior de Enxe˜neiros Industri´ais, Universidade de Vigo, 2019. 38 [34] Audun Myers Firas A. Khasawneh. On the automatic parameter selection for permutation entropy. 2020. Department of Mechanical Engineering, Michigan State University, East Lansing, Michigan 48824, USA. 40 [35] sklearn.svm.OneClassSVM. https://scikit-learn.org/stable/modules/generated/sklearn.svm.OneClassSVM.html#sklearn.svm. OneClassSVM. Accedido: 18 de Mayo de 2022. 43 [36] Shikha Mehta Janardan. Concept drift in streaming data classification: Algorithms, platforms and issues. 2017. Jaypee Institute of Information Technology, Noida Sector-62, India. 53, 83 |
| Materias: | Ingeniería Medicina |
| Divisiones: | Gcia. de área de Energía Nuclear > Gcia. de Ingeniería Nuclear > Vibraciones |
| Código ID: | 1085 |
| Depositado Por: | Tamara Cárcamo |
| Depositado En: | 19 Jul 2022 16:06 |
| Última Modificación: | 19 Jul 2022 16:06 |
Personal del repositorio solamente: página de control del documento
