Examinando por Materia "Respiration signal"

Mostrando 1 - 2 de 2
  • Miniatura
    PublicaciónAcceso abierto
    Banco de señales fisiológicas asociadas al estrés
    (Universidad EIA, 2021) Bastidas González, Alejandra; Torres Villa, Róbinson Alberto
    RESUMEN: Para lograr analizar la información obtenida de los sistemas fisiológicos y poder medir cuantitativamente el estrés, en este trabajo de grado se buscó crear un banco de señales fisiológicas asociadas al estrés obtenidas de un grupo de personas, en el que se almacenaron los datos obtenidos y, a partir cual sea posible realizar análisis de estas señales fisiológicas en estudios posteriores, y así, en un futuro, desarrollar métodos para tratar y controlar el estrés. Para llevar a cabo este proyecto, se inició con el planteamiento de las necesidades y requerimientos para construir un dispositivo portátil que permita adquirir dos señales fisiológicas (ECG y PPG) que sirven de insumo para obtener aquellas directamente relacionadas con el estrés: variabilidad de la frecuencia cardíaca, tiempo de tránsito de pulso y la señal de respiración. Luego, se definió el número y las características de una población de la cual se obtienen las señales, al igual que se definen los criterios de inclusión y de exclusión que permiten participar o no en el estudio, con el fin de elaborar un protocolo de pruebas basado en dicha información y a partir del cual sea posible adquirir los datos deseados. Por último, se creó una plataforma tecnológica, donde se organizan las señales insumo adquiridas, las señales procesadas relacionadas directamente con el estrés y algunas anotaciones realizadas en el momento de la prueba. De esta forma, será posible en estudios futuros, realizar diferentes análisis, tomando como base los resultados obtenidos que se encuentran almacenados en el banco de señales construido. El procedimiento metodológico anteriormente mencionado, permitió obtener un dispositivo portátil para la adquisición de señales fisiológicas asociadas al estrés, el cual cuenta con ciertas características electrónicas y físicas que cumplen con las necesidades y requerimientos planteados. Por otro lado, gracias a la creación del protocolo de pruebas utilizado para adquirir las señales, determinar los beneficios y riesgos del estudio, se realizaron pruebas de estrés a una cohorte de estudiantes de la Universidad EIA, lo que permitió obtener la información suficiente para fabricar una plataforma online que sirve como banco de señales fisiológicas que podrán ser analizadas y estudiadas en posteriores estudios. Todo el estudio realizado, estuvo regido por las normas de seguridad necesarias, contando siempre con el consentimiento de quienes hicieron parte del estudio.
  • Miniatura
    PublicaciónAcceso abierto
    Sistema para la detección de la depresión a partir del procesamiento, análisis y reconocimiento de patrones en señales fisiológicas
    (Universidad EIA, 2023) Alzate Márquez Mateo; Torres Villa, Róbinson
    RESUMEN: se propone la creación de un sistema para la detección de la depresión, basado en la adquisición y procesamiento de señales de ECG y PPG, seguido por el desarrollo de un algoritmo para la clasificación y detección de patrones. El objetivo principal es lograr una clasificación precisa de un individuo en un grupo de depresión o no depresión, logrando en última instancia la detección correcta del problema mencionado. Esto se logró mediante el análisis de un conjunto de variables fisiológicas tomadas de las señales de PPG y ECG, utilizando un protocolo experimental llamado 'script-driven imagery' adaptado al paradigma actual, aplicado a individuos del Centro Médico de Alta Especialidad del Bajío T1 en León, México. Las variables utilizadas incluyen la variabilidad de la frecuencia cardíaca, el tiempo de tránsito del pulso, la frecuencia cardíaca, la señal de respiración, la coherencia fisiológica de cada una y el índice de coherencia global, así como otras variables relacionadas con la frecuencia seleccionadas en función de una revisión bibliográfica. Posteriormente, se desarrolló un programa en Python para el procesamiento y obtención de los valores de las variables mencionadas para su posterior uso en un código de aprendizaje automático. Se realizó una prueba con un modelo de aprendizaje automático múltiple para determinar que el algoritmo de clasificación binaria que mostró el mejor rendimiento fue un Bosque Aleatorio, con una sensibilidad y precisión del 76% para el grupo de validación, aunque se lograron porcentajes más altos con grupos más pequeños de individuos. También se llevó a cabo una revisión del rendimiento de las mejores características en el algoritmo para identificar qué variables pueden tener un mayor impacto al intentar detectar un estado depresivo en un individuo.