ABSTRACT
Manganese is a trace metal involved in both physiology and toxicity. The association between manganese and dyslipidemia has been scarcely revised, and results from studies in both animals and humans are inconsistent. The aim of this study was to evaluate the association between serum manganese levels and dyslipidemia, considering some manganese sources and factors that could affect its concentration, especially tobacco smoking. Serum manganese concentration in 63 volunteers was determined and their smoking habits were recorded. Dietary manganese, iron, fat and alcohol consumption was also estimated by a food-frequency questionnaire. A bivariate analysis was carried out to identify those factors affecting manganese concentration. Only dyslipidemia and smoking resulted statistically significant and thus were considered for the subsequent two-way analysis of variance, to test a possible interaction between dyslipidemia and smoking. Marginal means for serum manganese were as follows: 8.32 ± 2.14 nmol/L for nonsmokers without dyslipidemia, 9.21 ± 2.22 nmol/L for smokers without dyslipidemia, 10.21 ± 2.53 nmol/L for nonsmokers with dyslipidemia, and 14.21 ± 3.44 nmol/L for smokers with dyslipidemia. Dyslipidemia and tobacco smoking were synergistically associated with increased serum manganese. To maintain adequate manganese levels in the organism, other factors in addition to its dietary intake should be considered, for instance, lipid status and smoking habits, particularly in those conditions in which manganese accumulation is an issue.
El manganeso es un metal traza esencial involucrado tanto en procesos fisiológicos como en toxicidad. La asociación entre el manganeso y las dislipidemias se ha estudiado poco, y los resultados de estudios en animales y en humanos son inconsistentes. El objetivo de este trabajo fue evaluar la asociación entre el manganeso sérico y las dislipidemias, considerando algunas fuentes de manganeso y factores que pudieran afectar su concentración, especialmente el tabaquismo. Se determinaron las concentraciones séricas de manganeso de 63 voluntarios y se registraron sus hábitos de consumo de tabaco. Se estimó la ingesta de manganeso, hierro, grasa y alcohol mediante un cuestionario de frecuencia de consumo. Se realizó un análisis bivariado para identificar los factores que afectaron las concentraciones de manganeso; únicamente las dislipidemias y el tabaquismo resultaron estadísticamente significativos y se consideraron enel subsecuente análisis de varianza de dos vías, para examinar una posible interacción entre las dislipidemias y el tabaquismo. Las medias marginales para el manganeso sérico fueron: 8,32 ± 2,14 nmol/L para no fumadores sin dislipidemia, 9,21 ± 2,22 nmol/L para fumadores sin dislipidemia, 10,21 ± 2,53 nmol/L para no fumadores con dislipidemia, y 14,21 ± 3,44 nmol/L para fumadores con dislipidemia. Las dislipidemias y el tabaquismo se asociaron sinérgicamente con el aumento del manganeso sérico. Para mantener niveles adecuados de manganeso en el organismo, se deben tomar en cuenta factores adicionales a su consumo dietético, como el estatus lipídico y el tabaquismo, particularmente en condiciones en las que la acumulación de manganeso sea un problema.
ABSTRACT
Resumen: Objetivo: Mejorar la identificación de cimas y pies en el pulso fotopletismográfico (PPG, por sus siglas en inglés), deformado por efecto del ruido miocinético, mediante la implementación de un dedal modificado y filtrado adaptativo. Método: Se obtuvo el PPG en 10 voluntarios sanos empleando 2 sistemas de fotopletismografía colocados en el dedo índice de cada mano, y registrándolos simultáneamente durante 3 min. Durante el primer minuto de registro, ambas manos estuvieron en reposo, y durante los 2 min posteriores, solo la mano izquierda realizó movimientos cuasi-periódicos para añadir ruido miocinético. Se emplearon 2 metodologías para procesar las señales fuera de línea, en una se usó un filtro con el algoritmo de mínimos cuadrados promediados (LMS, por sus siglas en inglés) y en la otra se hizo un preprocesamiento adicional al filtrado LMS. Ambas metodologías fueron comparadas y la de menor error porcentual en la señal recuperada se utilizó para valorar la mejora en la identificación de cimas y pies del PPG. Resultados: El error promedio obtenido fue del 22.94% para la primera metodología, y del 3.72% para la segunda. Los errores en la identificación de cimas y pies antes de filtrar el PPG fueron del 24.26 y 48.39%, respectivamente, una vez filtrados, disminuyeron a 2.02 y 3.77%, respectivamente. Conclusiones: El filtrado adaptativo basado en el algoritmo LMS, más una etapa de preprocesamiento, permite atenuar el ruido miocinético en el PPG, y aumentar la efectividad en la identificación de cimas y pies de pulso, que resultan de gran importancia para una valoración médica.
Abstract: Objective: To improve the identification of peaks and feet in photoplethysmographic (PPG) pulses deformed by myokinetic noise, through the implementation of a modified fingertip and applying adaptive filtering. Method: PPG signals were recordedfrom 10 healthy volunteers using two photoplethysmography systems placed on the index finger of each hand. Recordings lasted three minutes andwere done as follows: during the first minute, both handswere at rest, and for the lasting two minutes only the left hand was allowed to make quasi-periodicmovementsin order to add myokinetic noise. Two methodologies were employed to process the signals off-line. One consisted on using an adaptive filter based onthe Least Mean Square (LMS) algorithm, and the other includeda preprocessing stage in addition to the same LMS filter. Both filtering methods were compared and the one with the lowest error was chosen to assess the improvement in the identification of peaks and feet from PPG pulses. Results: Average percentage errorsobtained wereof 22.94% with the first filtering methodology, and 3.72% withthe second one. On identifying peaks and feet from PPG pulsesbefore filtering, error percentages obtained were of 24.26% and 48.39%, respectively, and once filtered error percentageslowered to 2.02% for peaks and 3.77% for feet. Conclusions: The attenuation of myokinetic noise in PPG pulses through LMS filtering, plusa preprocessing stage, allows increasingthe effectiveness onthe identification of peaks and feet from PPG pulses, which are of great importance for medical assessment.