Resumen

Se han desarrollado muchos métodos para obtener señales de respiración a partir de electrocardiogramas (ECG). Sin embargo, los métodos tradicionales tienen dos problemas principales: (1) centrarse en ciertas características morfológicas específicas y (2) no considerar la relación no lineal entre los ECG y la respiración. En este trabajo se propone una mejora de la respiración derivada del ECG (EDR) basada en la transformada wavelet empírica (EWT) y el análisis de componentes principales del kernel (KPCA). Para abordar el primer problema, se introduce la EWT para descomponer la señal de ECG y extraer la parte de baja frecuencia. Para abordar el segundo problema, se introduce el KPCA y la preimagen para capturar la relación no lineal entre los ECG y la respiración. También se mejora la selección de parámetros del kernel de la función de base radial en el KPCA, lo que garantiza la precisión y una reducción del coste computacional. El coeficiente de correlación y el coeficiente de coherencia de amplitud cuadrada se utilizan como métricas para realizar comparaciones cuantitativas y cualitativas con tres algoritmos tradicionales de EDR. Los resultados muestran que el método propuesto funciona mejor que los algoritmos tradicionales de EDR en la obtención de señales de EDR de una sola derivación.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:algoritmo edr tradicional, relación no lineal, función de base radial, transformada wavelet empírica, análisis de componentes principales, kpca, coeficiente de coherencia cuadrado, ecg, características morfológicas específicas, señal edr
• Keywords:traditional edr algorithm, nonlinear relationship, radial basis function, empirical wavelet transform, principal components analysis, kpca, square coherence coefficient, ecg, specific morphological characteristics, edr signal