Upload
pompeo-russo
View
212
Download
0
Embed Size (px)
Citation preview
Lez. 22-01-04
Metodi di Analisi Non Lineare applicati a Segnali Fisiologici
Maria Gabriella Signorini
Dipartimento di Bioingegneria, Politecnico di Milano
Lez. 22-01-04
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
Lez. 22-01-04
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
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)
Lez. 22-01-04
ddall’ ECG allaall’ ECG alla serie di serie di variabilitàvariabilità
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)
Lez. 22-01-04
Scopo:
determinaredeterminare, a partire da una serie temporale di variabilità della frequenza cardiaca se l’evoluzione del sistema se l’evoluzione del sistema cardiovascolare:cardiovascolare:
- è governata da processi stocastici
oppure
- può essere interpretata come azione di pochi oscillatori con caratteristiche non lineari che mostrano un comportamento caotico.
Lez. 22-01-04
ObbiettiObbiettivi:vi:
- verificareverificare la presenza di determinismo non linearedeterminismo non lineare nel segnale di variabilità cardiaca.variabilità cardiaca.
-eliminare, tramite un filtraggio non lineare, il rumore e le componenti non implicate nella dinamica per poter valutare in modo corretto i valutare in modo corretto i parametriparametri 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
Lez. 22-01-04
HRV normale – 24 ore
Lez. 22-01-04
HRV trapiantato – 24 ore
Lez. 22-01-04
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000-20
0
20
t
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000-20
0
20
t
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
-20
0
20
t
x~
x
xx ~
Sistemi Sistemi CaoticiCaotici
Es. Sistema Es. Sistema di Lorenzdi 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)
Lez. 22-01-04
Metodi per la misura di parametri Metodi per la misura di parametri non lineari non lineari Dimensione di correlazione 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 Esponenti di Lyapunov Lyapunov I sistemi caotici possiedono almeno un esponente di Lyapunov positivo.
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
Entropia KEntropia K22Entropia K2 convergente (finita e diversa da zero) è considerata come “prova” dell’esistenza di una dinamica caotica.
Lez. 22-01-04
Test di Ipotesi basato sui dati Test di Ipotesi basato sui dati surrogati (1)surrogati (1)
Ipotesi nullaIpotesi 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 SurrogatiDati 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)
Lez. 22-01-04
Test di Ipotesi basato sui dati Test di Ipotesi basato sui dati surrogati (2)surrogati (2)
Criterio di rifiutoCriterio di rifiuto: : specifica per quali valori della statistica discriminante noi rifiutiamo l’ipotesi nulla.
Statistica discriminanteStatistica discriminante: : è un numero o una funzione che quantifica alcune proprietà di una serie temporale.
Funzione di Funzione di autocorrelazione:autocorrelazione:
Mutua Mutua Informazione:Informazione:
][ nnxx xxE
N
n nn
nnnn xPxP
xxPxxPI
1 )()(
),(ln),()(
Lez. 22-01-04
Dati Dati SurrogatiSurrogatiMetodi di Surrogazione:Metodi di Surrogazione:
Randomizzazione delle fasi (Osborne Randomizzazione delle fasi (Osborne 1986)1986)
AAFT AAFT Amplitude Adjusted Fourier TransformAmplitude Adjusted Fourier Transform (Theiler 1992)(Theiler 1992)
AAFT Ricorsivo (Schreiber 1998)AAFT Ricorsivo (Schreiber 1998)
Lez. 22-01-04
Esempi Mutua Informazione e Autocorrelazione
Spettro
power-law 1/f
Lez. 22-01-04
Variazione percentuale della mutua informazione
0 5 10 150
0.15
0.3
0.45
0.6
0.75
Mutu
al Info
rmati
on
)(orI
)(surI mI
)(dI
M
isiIM 1
)(1 )(surI
)(dI )(orI )(surI
mI
T
T 1
1
)(orI
mI)(
)(%
dII
Lez. 22-01-04
Serie Originale x(t)
Controllo Surrogazione
Surrogazione della Serie Originale x(t)
Cattiva Surrogazione
Grande Variazione della autocorrelazione
(> 1%)
Piccola Variazione della
autocorrelazione (< 1%)
Buona Surrogazione
Variazione della mutua
informazione
Piccola Variazione della mutua informazione (<
5%)
Dinamica NON deterministica
Grande Variazione della mutua informazione (>
10%)
Dinamica Deterministica
Lez. 22-01-04
Variazione di Mutua Informazione Variazione di Mutua Informazione ed Autocorrelazione nei sistemi ed Autocorrelazione nei sistemi
simulatisimulati
0 5 10 150
20
40
60
80
100
120
140
160
Vari
azi
one %
Ikeda
0 20 40 60 80 1000
10
20
30
40
50
60
Vari
azi
one %
Lorenz
0 20 40 60 80 1000
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Vari
azi
one %
Processo stocastico con spettro 1/f
0 20 40 60 80 1000
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Vari
azi
one %
Processo AR
0 20 40 60 80 1000
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Vari
azi
one %
Processo MA
Sistemi Caotici Processi Lineari
Trasformazione non lineare di Rumore
0 20 40 60 80 1000
0.5
1
1.5
2
Vari
azi
one %
Lez. 22-01-04
Esempi di applicazione della procedura a serie HRV
0 5 10 15 0
5
10
15
20
25
30
35
40
45
%
Normals: Surrogates AAFT
Difference % Autocorrelation Difference % Mutual Inf.(10) Difference % Mutual Inf.(50)
0 5 10 15 0
5
10
15
20
25
30
35
40
%
Normals: Surrogates SCHREIBER
Difference % Autocorrelation Difference % Mutual Inf.(10) Difference % Mutual Inf.(50)
0 5 10 15 0
5
10
15
20
25
30
35
40
45
%
Myocardial Infarction: Surrogates AAFT
Difference % Autocorrelation Difference % Mutual Inf.(10) Difference % Mutual Inf.(50)
0 5 10 15 0
5
10
15
20
25
30
35
%
Myocardial Infarction: Surrogates SCHREIBER
Difference % Autocorrelation Difference % Mutual Inf.(10) Difference % Mutual Inf.(50)
0 5 10 15 0
1
2
3
4
5
6
%
Heart Transplant: Surrogates AAFT
Difference % Autocorrelation Difference % Mutual Inf.(10) Difference % Mutual Inf.(50)
0 5 10 15 0
0.5
1
1.5
2
2.5
3
3.5
%
Heart Transplant: Surrogates SCHREIBER
Difference % Autocorrelation Difference % Mutual Inf.(10) Difference % Mutual Inf.(50)
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
Lez. 22-01-04
0 5 10 150
10
20
30
40
50
60
70
Vari
ati
on %
0 5 10 150
10
20
30
40
50
60
70
Vari
ati
on %
0 5 10 150
10
20
30
40
50
60
70
Vari
ati
on %
0 5 10 150
10
20
30
40
50
60
70
Vari
ati
on %
0 5 10 150
10
20
30
40
50
60
70
Vari
ati
on %
0 5 10 150
10
20
30
40
50
60
70
Vari
ati
on %
Normal Subjects Myocardial Infarction
Heart Transplanted
Mutua Informazione di segnali HRV di soggetti con patologie
Lez. 22-01-04
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(???)
Lez. 22-01-04
Proposta di procedura per la ricostruzione e la riduzione del rumore in una serie
temporale sperimentale Stima del valore ottimo dell’intervallo di ricostruzioneStima del valore ottimo dell’intervallo di ricostruzione R; R;
R R è la massima differenza % nell’indice MI
Stima della dimensione ottima di ricostruzioneStima della dimensione ottima di ricostruzione ..
metodo dei Falsi Vicini (False Nearest Neighbours)
Stima della dimensione ottima dello spazio di proiezioneStima della dimensione ottima dello spazio di proiezione k kRR
del sistemadel sistema. .
Basata sullo spettro locale degli autovalori della matrice di Covarianza delle traiettorie.
Filtraggio non lineare nello spazio di stato con i parametri Filtraggio non lineare nello spazio di stato con i parametri calcolaticalcolati
Calcolo dei parametri invarianti: dimensione frattale, Calcolo dei parametri invarianti: dimensione frattale, Esponenti di LyapunovEsponenti di Lyapunov
Lez. 22-01-04
Filtraggio non lineare basato su proiezioni locali
(Takens (Takens Theorem )Theorem )
)()()( nwnxnx T
Recostructed trajectory with: )])1((),...,([)( dnxnxnx
Covariance matrix Covariance matrix of trajectoriesof trajectories
Eigenvalues of the Eigenvalues of the Covariance matrixCovariance 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.
)()()( nwnxnx T
Measured series:
Lez. 22-01-04
0 2 4 6 8 100
50
100
150
200
Var
iatio
n %
Estimation of theReconstruction delay (R)
R
Estimation of the projectiondimension (kR)
1 2 3 4 5 6
0.2
0.6
1
1.4
eige
nval
ues
Dimension
kR
Estimation of the reconstructiondimension (dR)
1 3 5 7 90
20
40
60
80
100
% F
alse
Nea
r.N
eigh
bour
s
Dimension
dR
False NearestNeighbours
Nonlinear Noise Filteringin the Space State
First Lyapunov Exponent
Basato sulle proiezioni locali della matrice delle
traiettorie
Rimuove componenti che non contribuiscono alle
dinamiche non lineari del sistema
Procedura per il filtraggio della serie nello Procedura per il filtraggio della serie nello spazio di statospazio di stato
Lez. 22-01-04
HRV of a normal (A and B) vs. an heart transplanted subject (C and D) submitted to nonlinear noise reduction procedure.
Lez. 22-01-04
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
0
1 0
2 0
3 0
4 0
5 0
6 0
7 0
8 0
9 0
1 0 0
1 2 3 4 5 6 7 8 9 1 0
m
FNN p
ercen
tage
T E S T 1 T E S T 2 T E S T
0
1 0
2 0
3 0
4 0
5 0
6 0
7 0
8 0
9 0
1 0 0
1 2 3 4 5 6 7 8 9 1 0
m
FNN p
ercen
tage
T E S T 1 T E S T 2 T E S T
0
10
20
30
40
50
60
70
80
90
100
1 2 3 4 5 6 7 8 9 10
m
FN
N p
ercen
tage
Lez. 22-01-04
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
D2
0,00
1,00
2,00
3,00
4,00
5,00
6,00
7,00
DAY NIGHT DAY NIGHT
D2
REDUCED EF NORMAL EF
P<0.05
Lez. 22-01-04
Primo Esponente positivo di Lyapunov
0,000
0,050
0,100
0,150
0,200
0,250
0,300
0,350
0,400
0,450
0,500
Normal MyInfarc Transpl Normal MyInfarc Transpl
Lya
pu
no
v E
xpo
nen
t M
ax
Original Series Series Filtered through the optimalprocedure
Lez. 22-01-04
ConsideraziConsiderazionioni
Soggetti Soggetti NormaliNormaliPicco di variazione della mutua informazione a bassi valori di relazioni non lineari fra battiti vicini.Soggetti Soggetti TrapiantatiTrapiantatiAssenza del picco di variazione 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.
DeterminisDeterminismo non mo non LineareLineare
Massimo Massimo Esponente Esponente
di Lyapunovdi Lyapunov
In seguito alla procedura di filtraggio e ricostruzione è sempre possibile effettuare il calcolo del massimo esponente di Lyapunov.
Assume sempre un valore positivo indica che il sistema di controllo cardiovascolare sul lungo periodo è essenzialmente di natura caotica per tutte le categorie di pazienti.
PreprocessingPreprocessingUn 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
Lez. 22-01-04
Scala temporale
breve breve periodoperiodo
lungo lungo periodoperiodo
=0.3=0.377
=0.4=0.433
Soggetti Soggetti TrapiantatiTrapiantati
Soggetti Soggetti NormaliNormaliSistema di
controllo nervoso
Sistema di controllo nervoso
Caoticità sul lungo Caoticità sul lungo periodoperiodo
Caoticità sul lungo Caoticità sul lungo periodoperiodo
0 5 10 15
Vari
azi
on
e %
70
50
60
40
30
20
10
0
0 5 10 15
Vari
azi
on
e %
70
50
60
40
30
20
10
0
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