Análisis Exploratorio de las Relaciones Lineales y no Lineales de las Señales de Fotopletismografía Aplicando Análisis de Componentes Principales para la Estimación de la Presión Arterial

Abstract

Las señales de fotopletismografía en modelos de aprendizaje automático para la estimación de la presión arterial pueden verse afectadas cuando el conjunto de atributos es de alta dimensión. Reducir la dimensión de los atributos, eliminando aquellos atributos redundantes podrían ayudar a mejorar el rendimiento de los modelos predictivos. Este trabajo propone explorar las relaciones multivariadas lineales y no lineales de las señales de fotopletismografía. Esto se con sigue aplicando análisis de componentes principales mediante la descomposición de las matrices de correlaciones de Pearson y Spearman como técnica de reducción de dimensionalidad. Los resultados muestran que la matriz de correlación de Spearman obtiene levemente una mayor varianza acumulada en los primeros componentes principales. Las predicciones de la presión arterial con los nuevos componentes principales generados para los modelos predictivos satisfacen los estándares de la Asociación para el Avance de la Instrumentación Médica.