metodi di analisi non lineare applicati a segnali fisiologici
Download
Skip this Video
Download Presentation
Metodi di Analisi Non Lineare applicati a Segnali Fisiologici

Loading in 2 Seconds...

play fullscreen
1 / 30

Metodi di Analisi Non Lineare applicati a Segnali Fisiologici - PowerPoint PPT Presentation


  • 134 Views
  • Uploaded on

Metodi di Analisi Non Lineare applicati a Segnali Fisiologici. Maria Gabriella Signorini Dipartimento di Bioingegneria, Politecnico di Milano [email protected]

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' Metodi di Analisi Non Lineare applicati a Segnali Fisiologici' - aloha


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
metodi di analisi non lineare applicati a segnali fisiologici

Metodi di Analisi Non Lineare applicati a Segnali Fisiologici

Maria Gabriella Signorini

Dipartimento di Bioingegneria, Politecnico di Milano

[email protected]

introduzione
I segnali biologici sono caratterizzati da estrema variabilità sia in condizioni fisiologiche sia patologiche. Complessità, comportamento erratico, biforcazioni sono termini che descrivono molti eventi biologici.

La quantificazione di queste proprietà e delle loro variazioni costituisce un aiuto alla comprensione della fisiologia ed in grado di fornire indicazioni cliniche e diagnostiche

Come si procede per stimare parametri non lineari in una serie sperimentale?

Si utilizzano metodi che misurano la dimensione frattale e gli esponenti di Lyapunov dalla ricostruzione di una singola variabile , con il metodo del time-delay, in uno spazio di embedding.

Problemi

Questi metodi non discriminano tra determinismo e correlazione lineare in serie con spettri power-law

Il sistema che genera la variabile analizzata e’ ignoto

Introduzione
esempi di segnali biomedici
Potenziale d’azione: intracellulare, extracellulare.

Elettroencefalogramma (EEG)

Elettrocardiogramma (ECG)

Elettromiogramma (EMG)

Elettrooculogramma (EOG)

Frequenza cardiaca

Pressione arteriosa

Flusso/portata sanguigna

Acidità del sangue (Ph)

Flusso/volume respiratorio

Forza, tensione muscolare

ECG con EMG (disturbo)

EMG depurato dell’ECG sovrapposto

Esempi di segnali biomedici

Portano informazione su sistemi non indagabili direttamente: 1- importanti per conoscere i meccanismi di generazione; 2- SNR sfavorevole; 3- diversa struttura (ECG: quasiperiodico, EEG pseudostocastico)

d all ecg alla serie di variabilit
dall’ ECG alla serie di variabilità
  • Esempio di segnale ECG
  • L’intervallo tra due battiti successivi misurato dal picco dell’onda R al successivo(R-R) varia fisiologicamente nel tempo
  • La serie dei valori degli intervalli R-R in funzione del numero dei battiti costituisce la serie temporale di variabilità (HRV)
slide5

Scopo:

determinare, a partire da una serie temporale di variabilità della frequenza cardiaca se l’evoluzione del sistema cardiovascolare:

  • - è governata da processi stocastici
      • oppure
  • - può essere interpretata come azione di pochi oscillatori con caratteristiche non lineari che mostrano un comportamento caotico.
slide6

Obbiettivi:

  • - verificare la presenza di determinismo non lineare nel segnale di variabilità cardiaca.
  • eliminare, tramite un filtraggio non lineare, il rumore e le componenti non implicate nella dinamica per poter valutare in modo corretto i parametri estratti dal segnale biologico misurato sperimentalmente
  • Il metodo e’ generale e puo’ essere esteso ad altre serie temporali sperimentali per le quali sia ignoto il meccanismo di generazione
slide9

20

0

-20

0

500

1000

1500

2000

2500

3000

3500

4000

4500

5000

t

20

0

-20

0

500

1000

1500

2000

2500

3000

3500

4000

4500

5000

t

20

0

-20

0

500

1000

1500

2000

2500

3000

3500

4000

4500

5000

t

Sistemi Caotici

Es. Sistema di Lorenz

Proprietà:

- Determinismo

- Aperiodicità e dinamica limitata

- Presenza di Strani Attrattori con dimensione frattale (finita e non intera)

- Entropia K2 convergente

- Traiettorie divergenti dull’attrattore; Sensibile dipendenza alle condizioni iniziali (almeno un Esponente di Lyapunov >0)

slide10

Dimensione di correlazione 

Un valore della dimensione  piccolo e non intero è considerato segno della presenza di uno Strano Attrattore che ha generato la dinamica. In realtà Se c’e uno strano attrattore, la dimensione e’ non intera, non vale il contrario.

Si puo’ stimare la dimensione a partire da una sola variabile misurata (Th di Mané-Takens)

Esponenti di Lyapunov 

Entropia K2

I sistemi caotici possiedono almeno un esponente di Lyapunov positivo.

Entropia K2 convergente (finita e diversa da zero) è considerata come “prova” dell’esistenza di una dinamica caotica.

Metodi per la misura di parametri non lineari

Provenzale ed Osborne hanno dimostrato che PROCESSI STOCASTICI SEMPLICI (caratterizzati da spettro di potenza Power-Law con fasi di Fourier casuali, indipendenti ed uniformemente distribuite) possono generare serie temporali con dimensione  finita ed entropia K2 convergente

slide11

Test di Ipotesi basato sui dati surrogati (1)

Ipotesi nulla: è l’ipotesi che vogliamo confutare.

Vogliamo rifiutare l’ipotesi che un processo stocastico lineare sia il meccanismo che ha generato i nostri dati

Noi vogliamo dimostrare che la struttura della serie è inconsistente con l’ipotesi di linearità, ovvero che i modelli lineari sono inadeguati per spiegare i dati della serie originale.

Dati Surrogati:

Sono serie di dati casuali che condividono con la serie originale x(t)=1,2…N , alcune proprietà lineari (media, varianza, spettro di Fourier)

slide12

Test di Ipotesi basato sui dati surrogati (2)

Statistica discriminante: è un numero o una funzione che quantifica alcune proprietà di una serie temporale.

Funzione di autocorrelazione:

Mutua Informazione:

Criterio di rifiuto: specifica per quali valori della statistica discriminante noi rifiutiamo l’ipotesi nulla.

slide13

Dati Surrogati

  • Metodi di Surrogazione:
    • Randomizzazione delle fasi (Osborne 1986)
    • AAFT Amplitude Adjusted Fourier Transform (Theiler 1992)
    • AAFT Ricorsivo (Schreiber 1998)
slide15

0.75

0.6

0.45

Mutual Information

0.3

0.15

0

0

5

10

15

Variazione percentuale della mutua informazione

slide16

Cattiva Surrogazione

Surrogazione della Serie Originale x(t)

Grande Variazione della autocorrelazione (> 1%)

Piccola Variazione della autocorrelazione (< 1%)

Controllo Surrogazione

Buona Surrogazione

Variazione della mutua informazione

Serie Originale x(t)

Piccola Variazione della mutua informazione (< 5%)

Grande Variazione della mutua informazione (> 10%)

Dinamica Deterministica

Dinamica NON deterministica

slide17

Processi Lineari

Sistemi Caotici

Ikeda

Processo AR

Lorenz

Processo stocastico con spettro 1/f

Processo MA

1

60

160

0.9

50

1

0.8

140

0.9

0.7

120

40

0.8

0.6

100

Variazione %

Variazione %

Variazione %

0.7

0.5

30

80

0.6

0.4

Variazione %

60

20

0.5

0.3

40

0.4

0.2

10

0.3

20

0.1

0.2

0

0

0

0

0

20

5

40

60

10

80

100

15

0

20

40

60

80

100

0.1

t

t

t

0

0

20

40

60

80

100

t

Trasformazione non lineare di Rumore

1

2

0.9

0.8

0.7

1.5

0.6

Variazione %

0.5

Variazione %

1

0.4

0.3

0.2

0.5

0.1

0

0

20

40

60

80

100

t

0

0

20

40

60

80

100

t

Variazione di Mutua Informazione ed Autocorrelazione nei sistemi simulati

slide18

Esempi di applicazione della procedura a serie HRV

Dati surrogati con AAFT (sopra)e con l’algoritmo di Schreiber(sotto)

In ROSSO: calcolo della MI con 10 bin. In nero calcolo della MI con 50 bin.

In BLU la ACf

slide19

Normal Subjects

Myocardial Infarction

Heart Transplanted

70

70

70

60

60

60

50

50

50

40

40

40

Variation %

Variation %

Variation %

30

30

30

20

20

20

10

10

10

0

0

0

0

5

10

15

0

5

10

15

0

5

10

15

t

t

t

70

70

70

60

60

60

50

50

50

40

40

40

Variation %

Variation %

Variation %

30

30

30

20

20

20

10

10

10

0

0

0

0

5

10

15

0

5

10

15

0

5

10

15

t

t

t

Mutua Informazione di segnali HRV di soggetti con patologie

slide20
Questo risultato suggerisce che

Possiamo rifiutare l’ipotesi nulla per il segnale di variabilità della frequenza cardiaca

Per quali altri segnali biologici si e’ verificata la possibilità che i meccanismi di generazione e controllo fossero non lineari e deterministici?

Il cammino di soggetti patologici (Huntington disease)

Segnali Elettromiografici

Altri segnali di variabilità cardiovascolare

….

EEG(???)

slide21
Stima del valore ottimo dell’intervallo di ricostruzione R;

R è la massima differenza % nell’indice MI

Stima della dimensione ottima di ricostruzione.

metodo dei Falsi Vicini (False Nearest Neighbours)

Stima della dimensione ottima dello spazio di proiezione kRdel sistema.

Basata sullo spettro locale degli autovalori della matrice di Covarianza delle traiettorie.

Filtraggio non lineare nello spazio di stato con i parametri calcolati

Calcolo dei parametri invarianti: dimensione frattale, Esponenti di Lyapunov

Proposta di procedura per la ricostruzione e la riduzione del rumore in una serie temporale sperimentale
slide22

Filtraggio non lineare basato su proiezioni locali

Measured series:

(Takens Theorem )

Recostructed trajectory with:

Covariance matrix of trajectories

Eigenvalues of the Covariance matrix

- The largest k eigenvalues represent the power of the useful signal

- d-k eigenvalues represent the power of “noise” in dimensions which are not visited by the system trajectories.

slide23

Procedura per il filtraggio della serie nello spazio di stato

Basato sulle proiezioni locali della matrice delle traiettorie

Rimuove componenti che non contribuiscono alle dinamiche non lineari del sistema

slide24
HRV of a normal (A and B) vs. an heart transplanted subject (C and D) submitted to nonlinear noise reduction procedure.
stima della dimensione intera dello spazio con il metodo dei falsi vicini
Stima della Dimensione (intera) dello spazio con il metodo dei Falsi Vicini

Si ricostruisce la traiettoria in uno spazio di dimensione m

Si ripete l’operazione per m+1

Si calcola la distanza euclidea tra un punto e tutti gli altri

Si calcola la percentuale di punti VICINI (distanza al di sotto di una soglia fissata) in m e in m+1

Se 2 punti si trovano vicini in m per effetto della proiezione (in uno spazio troppo piccolo) non lo saranno piu’ per m+1

Si ripete al crescere di m fino ad individuare la dimensione corretta

dimensione di correlazione di pazienti post infarto
Dimensione di Correlazione di pazienti post-infarto

D2 minore nei pazienti con infarto al miocardio in cui la frazione di eiezione è ridotta rispetto al normale

P<0.05

slide28

Soggetti Trapiantati

Assenza del piccodivariazione della mutua informazione a bassi valori di   diminuzione relazioni non lineari fra battiti vicini  perdita di velocità ed elasticità di intervento del sistema di controllo dovuta alla denervazione chirurgica.

Considerazioni

Preprocessing

Un preprocessing adatto all’analisi lineare (es: analisi spettrale classica) può introdurre forti distorsioni nel segnale e alterare o eliminare le non linearità presenti nel segnale

Soggetti Normali

Determinismo non Lineare

Picco divariazione della mutua informazione a bassi valori di   relazioni non lineari fra battiti vicini.

 In seguito alla proceduradi filtraggio e ricostruzione è sempre possibileeffettuare ilcalcolo del massimo esponente di Lyapunov.

Massimo Esponente di Lyapunov

 Assumesempre un valore positivo  indica che il sistema di controllocardiovascolare sullungo periodo è essenzialmente di natura caotica per tutte le categorie di pazienti.

slide29

Sistema di controllo nervoso

Caoticità sul lungo periodo

70

70

60

60

50

50

=0.43

40

40

Variazione %

Variazione %

30

30

20

20

10

10

0

0

0

0

5

5

10

10

15

15

=0.37

Sistema di controllo nervoso

Caoticità sul lungo periodo

Soggetti Normali

breve periodo

lungo periodo

Scala temporale

Soggetti Trapiantati

warning finale per l analisi di dati sperimentali
Assicurarsi di avere a disposizione un numero sufficiente di punti per descrivere il fenomeno (non sovracampionare per aumentare i punti)

Eseguire un test di determinismo basato sui dati surrogati

Calcolare il time delay  di ricostruzione dalla funzione di Autocorrelazione e di Mutua Informazione. Se i due risultati sono in conflitto, OK per la Mutua

Stimare la dimensione dello spazio di embedding con l’algoritmo dei Falsi Vicini

Stimare la dimensione di correlazione e gli esponenti di Lyapunov

Warning finale per l’analisi di dati sperimentali
ad