Detección de autorregulación cerebral deteriorada basada en el plano complejidad - entropía
Palabras clave:
Sistema de autorregulación cerebral, traumatismo encéfalo craneano, complejidad; entropía
Resumen
Se propone una metodología para clasificar señales fisiológicas que representan la autorregulación cerebral (AC), utilizando cuantificadores como complejidad estadística y entropía. Los cuales se obtienen a partir de datos de velocidad de flujo sanguíneo cerebral (VFSC) y presión arterial media (PAM) disponibles en dos bases de datos. Los resultados para el análisis de señales en el plano C-H, donde se grafican los valores de complejidad y entropía de las señales de VFSC, muestran valores de AUC=90,18 %, mientras que en el caso de ∆ C-H, que es obtenido graficando los cambios en la entropía (∆H = H[PVFSC]−H[PPAM]) versus los cambios en complejidad (∆C = C[PVFSC]−C[PPAM]) con lo que se obtienen valores de AUC=94,26 % demostrando la capacidad que tiene el método en términos de clasificación.
Descargas
La descarga de datos todavía no está disponible.
Citas
1. R. Dringen, J. M. Gutterer, and J. Hirrlinger, “Glutathione metabolism in brain,” The FEBS Journal, vol. 267, no. 16, pp. 4912–4916, 2000.
2. B. Carey, P. Eames, M. Blake, R. Panerai, J. Potter et al., “La autorregulación cerebral dinámica no se afecta por el envejecimiento,” Hipertensión y Riesgo Vascular, vol. 18, no. 6, p. 297, 2001.
3. R. Lopez-Ruiz, H. L. Mancini, and X. Calbet, “A statistical measure of complexity,” Physics Letters A, vol. 209, no. 5-6, pp. 321–326, 1995.
4. L. Liu, J. Zhou, X. An, Y. Zhang, and L. Yang, “Using fuzzy theory and information entropy for water quality assessment in three gorges region, china,” Expert Systems with Applications, vol. 37, no. 3, pp. 2517–2521, 2010.
5. Fig. 3. Diagrama de ROC usando diferentes valores de inmersion M.
6. G.-C. Chen and C.-F. Juang, “Object detection using color entropies and a fuzzy classifier,” IEEE Computational Intelligence Magazine, vol. 8, no. 1, pp. 33–45, 2013.
7. U. Lucia, “Entropy generation and cell growth with comments for a thermodynamic anticancer approach,” Physica A: Statistical Mechanics and its Applications, vol. 406, pp. 107–118, 2014.
8. U. Lucia “Molecular refrigerators: a new approach in anti-cancer therapy,” OA Med. Hypothesis, vol. 1, no. 1, pp. 9–21, 2013.
9. C. B. Jin, “Entropies for detection of epilepsy in eeg,” 2010.
10. R. Hornero, M. Aboy, and D. Abasolo, “Analysis of intracranial pressure during acute intracranial hypertension using lempel–ziv complexity: further evidence,” Medical & biological engineering & computing, vol. 45, no. 6, pp. 617–620, 2007.
11. Katsogridakis, G. Bush, L. Fan, A. A. Birch, D. M. Simpson, R. Allen, J. F. Potter, and R. B. Panerai, “Detection of impaired cerebral autoregulation improves by increasing arterial blood pressure variability,” Journal of Cerebral Blood Flow & Metabolism, vol. 33, no. 4, pp. 519–523, 2013.
12. R. Panerai, S. Deverson, P. Mahony, P. Hayes, and D. Evans, “Effect of co2 on dynamic cerebral autoregulation measurement,” Physiological measurement, vol. 20, no. 3, p. 265, 1999.
13. C. Bandt, “Ordinal time series analysis,” Ecological modelling, vol. 182, no. 3, pp. 229–238, 2005.
14. C. Bandt and B. Pompe, “Permutation entropy: a natural complexity measure for time series,” Physical review letters, vol. 88, no. 17, p. 174102, 2002.
15. O. A. Rosso, M. T. Martın, H. A. Larrondo, A. M. Kowalski, and A. Plastino, “Generalized statistical complexity: a new tool for dynamical systems,” Concepts and recent advances in generalized information measures and statistics. Bentham e-books, Rio de Janeiro, pp. 169–215, 2013.
16. Zamora, F. “Medida de información de fisher y distribución causal de probabilidad de bandt y pompe: aplicaciones al análisis de sistemas dinámicos caóticos,” Ph.D. dissertation, Ph. D. dissertation, Dept. Physics, Universidad de La Plata, La Plata, 2013.
17. Flores, S. Maldonado, and R. Weber, “selección de atributos y support vector machines adaptado al problema de fuga de clientes,” Revista Ingeniería de Sistemas Volumen XXIX, 2015.
18. E. J. C. Suarez, “Tutorial sobre m aquinas de vectores soporte (svm),” Tutorial sobre Maquinas de Vectores Soporte (SVM) , 2014.
19. R. Aaslid, K.-F. Lindegaard, W. Sorteberg, and H. Nornes, “Cerebral autoregulation dynamics in humans.” Stroke, vol. 20, no. 1, pp. 45–52, 1989.
20. Mitsis, R. Zhang, B. Levine, and V. Marmarelis, “Modeling of nonlinear physiological systems with fast and slow dynamics. ii. application to cerebral autoregulation,” Annals of biomedical engineering, vol. 30, no. 4, pp. 555–565, 2002.
21. B. Thilakvathi, K. Bhanu, M. Malaippan et al., “Eeg signal complexity analysis for schizophrenia during rest and mental activity,” Biomedical Research, vol. 28, no. 1, 2017.
22. D. Mateos, R. G. Erra, R. Wennberg, and J. Velazquez, “Measures of entropy and complexity in altered states of consciousness,” arXiv preprint arXiv:1701.07061, 2017.
23. Tiecks, F. P., Lam, A. M., Aaslid, R., & Newell, D. W. (1995). Comparison of static and Dynamic cerebral autoregulation measurements. Stroke, 26(6), 1014–1019.
24. Panerai, R. B., Haunton, V. J., Hanby, M., Salinet, A., & Robinson, T. G. (2016). Statistical criterio for estimation of the cerebral autoregulation index (ARI) at rest. Physiological measurement, 37(5), 661.
25. Panerai, R., Kerins, V., Fan, L., Yeoman, P., Hope, T., & Evans, D. (2004). Association between dynamic cerebral autoregulation and mortality in severe head injury. British journal of neurosurgery, 18(5), 471–479.
26. Dubois, D., & Prade, H. (1985). A note on measures of specificity for fuzzy sets. International Journal of General System, 10(4), 279–283.
27. Bosyk, G., Portesi, M., & Plastino, A. (2012). Collision entropy and optimal uncertainty. Physical Review A, 85(1), 012108.
28. Bejan, A. (1996). Entropy generation in heat transfer. Entropy Generation Minimization, J. Wiley, Boca Raton, FL: CRCPress, (pp. 71–104).
29. Martin, M., Plastino, A., & Rosso, O. (2003). Statistical complexity and disequilibrium. Physics Letters A, 311(2), 126–132.
30. Bello, F.-A. (2017). Modelamiento del sistema de autorregulación cerebral mediante componentes resistivas y capacitivas. Ph.D. thesis, Universidad de Santiago de Chile.
2. B. Carey, P. Eames, M. Blake, R. Panerai, J. Potter et al., “La autorregulación cerebral dinámica no se afecta por el envejecimiento,” Hipertensión y Riesgo Vascular, vol. 18, no. 6, p. 297, 2001.
3. R. Lopez-Ruiz, H. L. Mancini, and X. Calbet, “A statistical measure of complexity,” Physics Letters A, vol. 209, no. 5-6, pp. 321–326, 1995.
4. L. Liu, J. Zhou, X. An, Y. Zhang, and L. Yang, “Using fuzzy theory and information entropy for water quality assessment in three gorges region, china,” Expert Systems with Applications, vol. 37, no. 3, pp. 2517–2521, 2010.
5. Fig. 3. Diagrama de ROC usando diferentes valores de inmersion M.
6. G.-C. Chen and C.-F. Juang, “Object detection using color entropies and a fuzzy classifier,” IEEE Computational Intelligence Magazine, vol. 8, no. 1, pp. 33–45, 2013.
7. U. Lucia, “Entropy generation and cell growth with comments for a thermodynamic anticancer approach,” Physica A: Statistical Mechanics and its Applications, vol. 406, pp. 107–118, 2014.
8. U. Lucia “Molecular refrigerators: a new approach in anti-cancer therapy,” OA Med. Hypothesis, vol. 1, no. 1, pp. 9–21, 2013.
9. C. B. Jin, “Entropies for detection of epilepsy in eeg,” 2010.
10. R. Hornero, M. Aboy, and D. Abasolo, “Analysis of intracranial pressure during acute intracranial hypertension using lempel–ziv complexity: further evidence,” Medical & biological engineering & computing, vol. 45, no. 6, pp. 617–620, 2007.
11. Katsogridakis, G. Bush, L. Fan, A. A. Birch, D. M. Simpson, R. Allen, J. F. Potter, and R. B. Panerai, “Detection of impaired cerebral autoregulation improves by increasing arterial blood pressure variability,” Journal of Cerebral Blood Flow & Metabolism, vol. 33, no. 4, pp. 519–523, 2013.
12. R. Panerai, S. Deverson, P. Mahony, P. Hayes, and D. Evans, “Effect of co2 on dynamic cerebral autoregulation measurement,” Physiological measurement, vol. 20, no. 3, p. 265, 1999.
13. C. Bandt, “Ordinal time series analysis,” Ecological modelling, vol. 182, no. 3, pp. 229–238, 2005.
14. C. Bandt and B. Pompe, “Permutation entropy: a natural complexity measure for time series,” Physical review letters, vol. 88, no. 17, p. 174102, 2002.
15. O. A. Rosso, M. T. Martın, H. A. Larrondo, A. M. Kowalski, and A. Plastino, “Generalized statistical complexity: a new tool for dynamical systems,” Concepts and recent advances in generalized information measures and statistics. Bentham e-books, Rio de Janeiro, pp. 169–215, 2013.
16. Zamora, F. “Medida de información de fisher y distribución causal de probabilidad de bandt y pompe: aplicaciones al análisis de sistemas dinámicos caóticos,” Ph.D. dissertation, Ph. D. dissertation, Dept. Physics, Universidad de La Plata, La Plata, 2013.
17. Flores, S. Maldonado, and R. Weber, “selección de atributos y support vector machines adaptado al problema de fuga de clientes,” Revista Ingeniería de Sistemas Volumen XXIX, 2015.
18. E. J. C. Suarez, “Tutorial sobre m aquinas de vectores soporte (svm),” Tutorial sobre Maquinas de Vectores Soporte (SVM) , 2014.
19. R. Aaslid, K.-F. Lindegaard, W. Sorteberg, and H. Nornes, “Cerebral autoregulation dynamics in humans.” Stroke, vol. 20, no. 1, pp. 45–52, 1989.
20. Mitsis, R. Zhang, B. Levine, and V. Marmarelis, “Modeling of nonlinear physiological systems with fast and slow dynamics. ii. application to cerebral autoregulation,” Annals of biomedical engineering, vol. 30, no. 4, pp. 555–565, 2002.
21. B. Thilakvathi, K. Bhanu, M. Malaippan et al., “Eeg signal complexity analysis for schizophrenia during rest and mental activity,” Biomedical Research, vol. 28, no. 1, 2017.
22. D. Mateos, R. G. Erra, R. Wennberg, and J. Velazquez, “Measures of entropy and complexity in altered states of consciousness,” arXiv preprint arXiv:1701.07061, 2017.
23. Tiecks, F. P., Lam, A. M., Aaslid, R., & Newell, D. W. (1995). Comparison of static and Dynamic cerebral autoregulation measurements. Stroke, 26(6), 1014–1019.
24. Panerai, R. B., Haunton, V. J., Hanby, M., Salinet, A., & Robinson, T. G. (2016). Statistical criterio for estimation of the cerebral autoregulation index (ARI) at rest. Physiological measurement, 37(5), 661.
25. Panerai, R., Kerins, V., Fan, L., Yeoman, P., Hope, T., & Evans, D. (2004). Association between dynamic cerebral autoregulation and mortality in severe head injury. British journal of neurosurgery, 18(5), 471–479.
26. Dubois, D., & Prade, H. (1985). A note on measures of specificity for fuzzy sets. International Journal of General System, 10(4), 279–283.
27. Bosyk, G., Portesi, M., & Plastino, A. (2012). Collision entropy and optimal uncertainty. Physical Review A, 85(1), 012108.
28. Bejan, A. (1996). Entropy generation in heat transfer. Entropy Generation Minimization, J. Wiley, Boca Raton, FL: CRCPress, (pp. 71–104).
29. Martin, M., Plastino, A., & Rosso, O. (2003). Statistical complexity and disequilibrium. Physics Letters A, 311(2), 126–132.
30. Bello, F.-A. (2017). Modelamiento del sistema de autorregulación cerebral mediante componentes resistivas y capacitivas. Ph.D. thesis, Universidad de Santiago de Chile.
Publicado
2020-11-28
Cómo citar
Alcivar-Cevallos, R., Ávila-Briones, W., & Chacón-Pacheco, M. (2020). Detección de autorregulación cerebral deteriorada basada en el plano complejidad - entropía. CIENCIAMATRIA, 6(1), 827-859. https://doi.org/10.35381/cm.v6i1.417
Sección
De Investigación
Derechos de autor 2020 Roberth Alcivar-Cevallos, Wilson Alexander Ávila-Briones, Max Chacón-Pacheco
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0.
CC BY-NC-SA : Esta licencia permite a los reutilizadores distribuir, remezclar, adaptar y construir sobre el material en cualquier medio o formato solo con fines no comerciales, y solo siempre y cuando se dé la atribución al creador. Si remezcla, adapta o construye sobre el material, debe licenciar el material modificado bajo términos idénticos.
OAI-PMH URL: https://cienciamatriarevista.org.ve/index.php/cm/oai
