Resumen

Cruzar las piernas por las rodillas durante la medición de la PA es uno de los diversos estímulos fisiológicos que influyen considerablemente en la exactitud de las mediciones de la PA. Por lo tanto, es fundamental desarrollar un modelo de predicción adecuado para interpretar la influencia del cruce de piernas en la PA. En este trabajo de investigación se describe el uso de modelos de análisis de componentes principales (ACP) fusionado con regresión escalonada hacia delante (FSWR), red neuronal artificial (RNA), sistema de inferencia neurodifusa adaptativo (ANFIS) y máquina de vectores de soporte de mínimos cuadrados (LS-SVM) para la predicción de la reactividad de la PA a las piernas cruzadas entre los participantes normotensos e hipertensos. La evaluación del rendimiento de los modelos de predicción propuestos mediante índices estadísticos apropiados mostró que el modelo LS-SVM basado en PCA (PCA-LS-SVM) tiene la mayor precisión de predicción con un coeficiente de determinación (R2) = 93,16%, un error cuadrático medio (RMSE) = 0,27 y un error porcentual absoluto medio (MAPE) = 5,71 para la predicción de la PAS en sujetos normotensos. Además, R2 = 96,46%, RMSE = 0,19 y MAPE = 1,76 para la predicción de la PAS y R2 = 95,44%, RMSE = 0,21 y MAPE = 2,78 para la predicción de la PAD en sujetos hipertensos utilizando el modelo PCA-LSSVM. Esta evaluación presenta la importancia y las ventajas que plantean los modelos informáticos híbridos para la predicción de variables en estudios de investigación biomédica.

• Materias:Algoritmos de aprendizaje Transductores de ultrasonido Ingeniería de atención Estudio biomecánico Ortesis progresivas estáticas
• Subjects:Learning algorithms Ultrasound transducers Care engineering Biomechanical study Static progressive orthoses
• Palabras claves:LS, MAPE, PCA, R2, RMSE, SVM, predicción de la PAS, error porcentual absoluto, modelo de predicción apropiado, índices estadísticos apropiados.
• Keywords:LS, MAPE, PCA, R2, RMSE, SVM, SBP prediction, absolute percentage error, appropriate prediction model, appropriate statistical indices