Publicación: Sistema para la detección de la depresión a partir del procesamiento, análisis y reconocimiento de patrones en señales fisiológicas
Portada
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Director
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
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.
Resumen en inglés
ABSTRACT: the creation of a system for depression detection is proposed, based on the acquisition and processing of ECG and PPG signals, followed by the development of an algorithm for pattern classification and detection. The main goal is to achieve an accurate classification of an individual into a depression or non-depression group, ultimately achieving the correct detection of the mentioned problem. This was accomplished through the analysis of a set of physiological variables taken from PPG and ECG signals, using an experimental protocol called script-driven imagery adapted to the current paradigm, applied to individuals from the High Specialized Medical Center of Bajio T1 in Leon, Mexico. The variables to be used include heart rate variability, pulse transit time, heart rate, respiration signal, physiological coherence of each, and the global coherence index, as well as other frequency-related variables selected based on a literature review. Subsequently, a Python program was developed for processing and obtaining the values of the mentioned variables for later use in a machine learning code. A multi machine learning model test was carried just to find out that the binary classification algorithm that yielded the best performance was a Random Forest, with a sensitivity and accuracy of 76% for the validation group, although higher percentages were achieved with smaller groups of individuals. A review of the performance of the best features in the algorithm was also conducted to identify which variables can have a greater impact when attempting to detect a depressive state in an individual.