Estrategia para la toma de decisiones en el reconocimiento automático de estados de sedación anestésica / Decision-making strategy for automatic recognition of sedation states / Estratégia de tomada de decisão para reconhecimento automático de estados de sedação

RESUMEN Introducción: La Anestesiología es la especialidad médica dedicada a la atención específica de los pacientes durante procedimientos quirúrgicos y en cuidados intensivos. Esta especialidad basada en los avances científicos y tecnológicos, ha incorporado el uso del monitoreo electroencefalográfico, facilitando el control continuo de estados de sedación anestésica durante las cirugías, con una adecuada concentración de fármacos. Objetivo: Proponer una estrategia de clasificación para el reconocimiento automático de tres estados de sedación anestésica en señales electroencefalográficas. Método: Se utilizaron con consentimiento informado escrito los registros electroencefalográficos de 27 pacientes sometidos a cirugía abdominal, excluyendo aquellos con antecedentes de epilepsia, enfermedades cerebrovasculares y otras afecciones neurológicas. Se aplicaron en total 12 fármacos anestésicos y dos relajantes musculares con montaje de 19 electrodos según el Sistema Internacional 10-20. Se eliminaron artefactos en los registros y se aplicaron técnicas de Inteligencia artificial para realizar el reconocimiento automático de los estados de sedación. Resultados: Se propuso una estrategia basada en el uso de máquinas de soporte vectorial con algoritmo multiclase Uno-Contra-Resto y la métrica Similitud Coseno, para realizar el reconocimiento automático de tres estados de sedación: profundo, moderado y ligero, en señales registradas por el canal frontal F4 y los occipitales O1 y O2. Se realizó una comparación de la propuesta con otros métodos de clasificación. Conclusiones: Se computa una exactitud balanceada del 92,67 % en el reconocimiento de los tres estados de sedación en las señales registradas por el canal electroencefalográfico F4, lo cual favorece el desarrollo de la monitorización anestésica.

ABSTRACT Introduction: Anesthesiology is the medical specialty concerned with the specific care of patients during surgical and intensive care procedures. This specialty, based on scientific and technological advances, has incorporated the use of electroencephalographic monitoring, facilitating the continuous control in the use of anesthesia for patient´s sedation states during surgeries, with an adequate concentration of drugs. Objective: Proposal for a classification strategy for automatic recognition of three sedation states in electroencephalographic signals. Methods: We used, with written informed consent, the electroencephalographic records of 27 patients undergoing abdominal surgery, excluding those with a history of epilepsy, cerebrovascular disease and other neurological conditions. A total of 12 drugs to produce anesthesia and two muscle relaxants with 19 electrodes, mounted according to the International System 10 -20, were applied. Artifacts in the records were eliminated and artificial intelligence techniques were applied to perform automatic recognition of sedation states. Results: A strategy based on the use of support vector machines with a multiclass algorithm One-against-Rest and the Cosine Similarity metric was proposed to perform the automatic recognition of three sedation states: deep, moderate and light, in signals recorded by the frontal channel F4 and the occipital channels O1 and O2. A comparison was carried out between the proposal showed and other classification methods. Conclusions: A balanced accuracy of 92.67% is computed about the recognition of the three states of sedation in the signals recorded by the electroencephalographic channel F4, which helps in a better anesthetic monitoring process.

RESUMO Introdução: A Anestesiologia é a especialidade médica dedicada ao atendimento específico de pacientes durante procedimentos cirúrgicos e em terapia intensiva. Essa especialidade, baseada nos avanços científicos e tecnológicos, incorporou o uso da monitorização eletroencefalográfica, facilitando o controle contínuo dos estados de sedação anestésica durante as cirurgias, com concentração adequada de fármacos. Objetivo: Propor uma estratégia de classificação para o reconhecimento automático de três estados de sedação anestésica em sinais eletroencefalográficos. Método: Foram utilizados registros eletroencefalográficos de 27 pacientes submetidos à cirurgia abdominal com consentimento informado por escrito, excluindo aqueles com histórico de epilepsia, doenças cerebrovasculares e outras condições neurológicas. Um total de 12 drogas anestésicas e dois relaxantes musculares foram aplicados com um conjunto de 19 eletrodos de acordo com o Sistema Internacional 10-20. Artefatos nos prontuários foram removidos e técnicas de inteligência artificial foram aplicadas para realizar o reconhecimento automático dos estados de sedação. Resultados: Foi proposta uma estratégia baseada no uso de máquinas de vetores de suporte com algoritmo One-Against-Rest multiclasse e a métrica Cosine Similarity para realizar o reconhecimento automático de três estados de sedação: profundo, moderado e leve, em sinais registrados pelo canal frontal F4 e os canais occipitais O1 e O2. Foi feita uma comparação da proposta com outros métodos de classificação. Conclusões: Uma acurácia equilibrada de 92,67% é computada no reconhecimento dos três estados de sedação nos sinais registrados pelo canal eletroencefalográfico F4, o que favorece o desenvolvimento da monitorização anestésica.

Predicción de la estructura secundaria de proteínas usando Máquinas de soporte Vectorial / Protein secondary structure prediction using support vector machines

Entre los métodos computacionales utilizados para la predicción de la estructura secundaria de proteí­nas, se destaca el uso de máquinas de soporte vectorial. Este trabajo de investigación presenta la predicción de la estructura secundaria de proteínas desde su secuencia primaria de aminoácidos usando Máquinas de Soporte Vectorial. Como entradas, en la metodologí­a propuesta, se utilizan características de los diferentes motivos estructurales o cadenas de texto asociadas a la estructura primaria que representa la estructura secundaria, tales como el R-grupo y la probabilidad de que el aminoácido en la posición central adopte una determinada estructura secundaria. Para la extracción de características se utiliza un método de codificación de secuencias en el que cada símbolo en la estructura primaria se relaciona con cada sí­mbolo en la estructura secundaria. El uso de este método de codificación permite reducir la dimensionalidad de los datos de miles de características a sólo 220 de estas. Los resultados obtenidos son comparables a los registrados en la literatura, teniendo cerca de un 70% de precisión. Además, se logra reducir los costos computacionales en la construcción de los clasificadores debido a que este trabajo modela el problema de multi-clasificación como un grupo de clasificadores binarios.

Among the computational methods used for predicting secondary structure proteins highlights the use of support vector machines. This research shows the predicted secondary structure of protein from its primary amino acid sequence using Support Vector Machines. As inputs, in the proposed methodology, features are used from different structural motifs or text strings associated with the primary structure which represents the secondary structure, such as R-group and the probability that the amino acid at position adopts a central particular secondary structure. For feature extraction method is used coding of sequences in which each symbol in the primary structure is associated with each symbol in the secondary structure. The use of this encoding method reduces the dimensionality of the data of thousands of characteristics only 220 of these. The results obtained are comparable to those reported in the literature, taking about 70% accuracy. Furthermore, it is possible to reduce computational cost in the construction of classifiers because this work models the problem of multi classification as a group of binary classifiers.