Nerbio-sistemaren aktibatzaileak identifikatzeko seinale fisiologikoen prozesamenduari aplikatutako Ikaskuntza Automatikoko teknikak

Konputagailuen Arkitektura eta Teknologia saila (KAT) INFORMATIKA FAKULTATEA Nerbio-sistemaren aktibatzaileak identifikatzeko seinale fisiologikoen prozesamenduari aplikatutako Ikaskuntza Automatikoko teknikak Nagore Sagastibeltza Galarragak aurkeztutako Doktorego-Tesia Zuzendariak Asier Salazar Ram´ırez Javier Muguerza Donostia, Martxoa 2024 (cc) 2024 Nagore Sagastibeltza Galarraga (cc by-nc-sa 4.0) ii Konputagailuen Arkitektura eta Teknologia saila (KAT) INFORMATIKA FAKULTATEA Nerbio-sistemaren aktibatzaileak identifikatzeko seinale fisiologikoen prozesamenduari aplikatutako Ikaskuntza Automatikoko teknikak Nagore Sagastibeltza Galarragak aurkeztutako Doktorego-Tesia Zuzendariak Asier Salazar Ram´ırez Javier Muguerza Donostia, Martxoa 2024 Lan hori partzialki finantzatu zuen PID2021-123087OB-I00 dirulaguntzak, MCIN/AEI/10.13039/501100011033 eta Eskualde Garapeneko Europako Funtsak (ERDF) emandakoak, Europa indartzeko ekimen baten zati gisa. Eusko Jaurlaritzako Hezkuntza, Unibertsitate eta Ikerketa Sailaren laguntza ere izan zuen (ADIAN, IT-1437-22). iv “Bizitza ez da erraza gutako inorentzat. Pertseberantzia eta, batez ere, konfiantza izan behar dugu geure buruarengan. Zerbaitetarako prest gaudela sinetsi behar dugu, eta hori lortu egin behar da.” Marie Curie v vi Eskerrak Lehenik eta behin, eskerrak eman nahi dizkiet nire tutoreari eta tesizuzendariei laguntza handia emateagatik. Eskerrik asko Asier eta Javi. Eskutik helduta eraman nauzue denbora guztian, eta, zalantzarik gabe, zuengatik izan ez balitz, niretzat lan hau askoz zailagoa izango zen, eta ezinezkoa esatera ere ausartuko nintzateke. Esker on berezia Raqueli eman nahi diot. Zu gabe, nagoen prozesu osoa ez zen posible izango. Nitaz fidatu zinen halako zerbait jada bideragarria ez zela pentsatzen nuen une batean. Zuekin, talde bikaina alderdi guztietan, lan egiteko eta berriro aktibo egoteko ametsa gauzatu ahal izateko aukera eman zenidan. Eskerrik asko Raquel. ALDAPA ikerketa-taldeari ere eskerrak. Eskerrik asko zuetako bakoitzari: Javi, Asier, Raquel, Ainhoa, Natxo, Andoni, Olatz, Txus, Ibai, I˜nigo, Jodra eta Maitane. Eskerrik asko egin duzuen moduan neu hartzeagatik, laguntzeagatik eta taldeko beste kide bat izateko aukeragatik. Eskerrik asko Natxo azken irakurketa egitea onartzeagatik. Eskerrik asko Gurutzetako Unibertsitate Ospitaleko eta Biocruceseko ikerketa-taldea osatzen duten pertsonei, hori guztia posible izan dadin. Eskerrik asko Cesarri eta UPV/EHUko irakasleei. Zuekin partekatu ditut nire hastapenak, eta eskerrak eman nahi dizkidazue eman didazuen laguntzagatik eta errefortzu pertsonal eta laboralagatik. Eskerrak ere eman nahi dizkiot tesi honen epaimahaiari, ni babesteko egindako ahaleginagatik eta hain azkar parte hartzea onartu izanagatik. Eskerrik asko Helgueras City nire lagun taldeari. Mila esker poztasun uneak nirekin partekatzeagatik eta indarrak ahultzen diren uneetan neu erortzen ez uzteagatik. Soilik esan ahal dizuet ESKERRIK ASKO eta... taldean bi doktore dauzkagula! Mila esker nire lagun Sheila, Evelyn eta Aitorri. Eskerrik asko nigan sinesteagatik eta bizitzan sortzen den edozein arazo konpontzeko zuekin konta dezakedala erakusteagatik. Beti nirekin kontatu ahal izango duzue!! Eskerrik asko Soniari. Beti eskaintzen didazun prestutasunari esker, prozesu hau askoz errazagoa izan da. vii Eskerrik asko Karmen eta Fernandori. Zuen denbora nire tesiaren irakurketan inbertitzeagatik. Niretzat laguntza handia izan da. Eskerrik asko, Tito. Eskerrik asko nigatik egiten duzun guztiagatik, eskerrik asko nire familiaren parte izateagatik. Inoiz ez dut nahikoa eskertuko nire bizitzan zeu agertu izana. Mila esker nire neba Ikerri. Oso berezia zara niretzat. Eskerrik asko zaren bezalakoa izateagatik, gehiago ezin dudala sentitzen dudan uneetan ere nire zain egoteagatik. Zu bakarrik izan zitekeen nire tesia irakurtzen lehena. Eskerrik asko nire bizi-lagunari. Eskerrik asko, Edorta. Gai sentiarazten nauzu proposatzen didan edozein helburu lortzeko. Elkarrekin dena askoz errazagoa da, dena askoz hobea. Nire apusturik onena zinen, aukerarik onena. Egurre!!! Eskerrik asko nire semea Aratzi eta nire alaba Laiari. Nire bizitza elikatzen duen bateria zarete, dena aurrera jarraitzeko arrazoia zarete. Zeuek amaz harro sentitzea espero dut, aski dut zuetaz zein harro nagoen milaren bat. Eskerrik asko ama zure baldintzarik gabeko maitasunagatik, zure etengabeko laguntzagatik eta egin behar izan dituzun sakrifizioengatik. Aukeraz beteriko bizitza niri emateko egin dituzun ahalegin guztiengatik. Eskerrik asko aita eta ama izateagatik. Eskerrik asko guztiagatik. Ezin nituzke esker on hauek beste era batera amaitu. Eskerrik asko, aita. Hainbeste denbora igaro da, faltan botatzen zaitut. Azkenean arrazoi zenuen: Lortu dut! viii Laburpena Gaur egun, osasunaren ikusmoldea pazientearen ongizate integralera hedatu da, eta haren irismena gaixotasunik eza hutsetik haratago dago, alderdi fisikoak, mentalak eta sozialak barne hartuz. Osasun-sistemaren eskakizun aldakorren aurrean, ingeniaritzak eta konputazio-zientziek diagnostiko medikoak hobetzeko eta gaixotasunen detekzioan kostuak murrizteko teknologiak garatzera bideratuta daude, medikamentu berritzaileen garapenetik hasi eta prebentziomedikuntzako programetaraino. Helburu horiek lortzeko, konputazio fisiologikoaren esparruko ikerketa-talde batzuek seinale fisiologikoetan patroiak identifikatzen dituzten sistema informatikoak sortzen dituzte. Aplikazio eta sistema horien erabilera diagnostiko medikotik haratago doa, eta pertsonen egoera mentalak eta emozionalak identifikatzeko eta detektatzeko ere baliagarriak dira. Horrela, agerian geratzen da medikuntzaren eta ingeniaritzaren munduen arteko diziplinarteko lankidetzaren garrantzia, eta bi diziplina horien arteko sinergiak bilatzeko beharra azpimarratzen da, prebentzioaren, detekzio goiztiarraren eta gaixotasunen diagnostikoaren arloan gizarte-, klinikaeta teknologia-mailan aurrerapen esanguratsuak bultzatzeko. Testuinguru horretan, tesi honek, funtsean, bi ikerketa-ildo jorratzen ditu. Lehenengoa, bizkarrezur-muineko lesio zerbikalak edo dortsal altuak dituzten pazienteen disreflexia autonomoko gertakariak hautematera bideratzen da. Muineko lesio baten ondoren, neurona sinpatikoak erregulatzen dituzten zirkuitu lokaletan aldaketa plastikoak ikusten dira. Ildo horren helburu nagusia Ikaskuntza Automatikoan oinarritutako sistema bat garatzea da, bizkarrezur-muineko lesioak dituzten pazienteen disreflexia autonomoaren hasierako diagnostikoaren erronkari aurre egiteko, diagnostiko horretarako metodo inbaditzaileak erabiltzeko beharra minimizatzeko. Helburu hori betetzeko, diagnostikoa bi mailatan banatzen duen sailkapen hierarkikoko sistema bat proposatzen da, modu ezinbaditzailean ateratako ezaugarriak soilik erabiliz. Laburbilduz, ildo horretan egindako ekarpenak hipotesi hau planteatzen du: bideragarria da gaixotasunaren hasierako diagnostikoa Machine Learning eta ezaugarri ez-inbaditzaileetan oinarritutako sistemen bidez egitea. Bestalde, bigarren ikerketa-ildoa egoera mentalen detekzio automatikoan oinarritzen da. Ildo horren abiapuntua da aldaketa emozionalek, batez ere estresegoeretan eta erlaxazio-egoeretan, zuzenean eragiten diotela gizabanako baten nerbio-sistema autonomoari. Nerbio-sistema autonomoak hain sentsibilitate handia duenez, pertsona bat lasaitzen denean gertatzen diren aldaketa fisioloix AURKIBIDEA 4.3.3. Zuhaitzetan oinarritutako askotariko sailkapen-sistemak ............................. 51 4.3.4. k Nearest Neighbours (k-NN) . . . . . . . . . . . . . . . . 56 4.3.5. Na¨ıve Bayes (NB) . . . . . . . . . . . . . . . . . . . . . . 58 4.3.6. Support Vector Machines (SVM) . . . . . . . . . . . . . . 59 4.3.7. Logistic Regression (LR) . . . . . . . . . . . . . . . . . . . 62 4.3.8. Sare Neuronal Artifizialak (SNA) . . . . . . . . . . . . . . 64 4.4. Ereduen ebaluazioa eta baliozkotzea . . . . . . . . . . . . . . . . 69 4.4.1. Datuak zatitzeko metodologiak . . . . . . . . . . . . . . . 69 4.4.2. Errendimendu-metrikak . . . . . . . . . . . . . . . . . . . 73 4.5. Garrantziaren analisia. Test estatistikoak . . . . . . . . . . . . . 81 III. EKARPENAK 87 5. Ikaskuntza Automatikoak disreflexiaren diagnostikoari egindako ekarpenak . . . . . . . . . . . . . . . . . . . . . 89 5.1. Hitzaurrea............................... 89 5.2. Datu-bilketa.............................. 90 5.3. Datuak aurreprozesatzea eta seinaleak iragaztea . . . . . . . . . . 92 5.4. DA duten pazienteen disautonomia-mailaren analisi kuantitatiboa 93 5.4.1. Datuak bistaratzea . . . . . . . . . . . . . . . . . . . . . . 93 5.4.2. Datuen analisi estatistikoa . . . . . . . . . . . . . . . . . . 95 5.4.3. Analisi kuantitatiboaren emaitzak eta ondorioak . . . . . 95 5.5. Disreflexia autonomoaren diagnostiko ezinbaditzailea egiteko sistema hierarkikoa . . . . . . . . . . . . . . 96 5.5.1. Ezaugarriak ateratzea . . . . . . . . . . . . . . . . . . . . 97 5.5.2. Sailkapen-tresnaren konfigurazio esperimentala . . . . . . 101 5.5.3. Emaitzak ...........................101 5.5.4. Ondorioak...........................106 6. Ikaskuntza Automatikoaren ekarpenak egoera emozionalak detektatzeko . . . . . . . . . . . . . . . . . . . . . . 109 6.1. Hitzaurrea...............................109 6.2. Datu-bilketa..............................110 6.2.1. Konfigurazio esperimentala . . . . . . . . . . . . . . . . . 110 6.2.2. Ezaugarriak ateratzea . . . . . . . . . . . . . . . . . . . . 112 6.3. Sailkapen-tresnaren diseinua . . . . . . . . . . . . . . . . . . . . . 117 6.3.1. Hasierako ikuspegia . . . . . . . . . . . . . . . . . . . . . 117 6.3.2. Azken ikuspegia . . . . . . . . . . . . . . . . . . . . . . . 121 6.3.3. Erreferentziako datu-base batekin sailkatzeko tresnaren proba .............................126 6.4. Aplikazio praktikoak . . . . . . . . . . . . . . . . . . . . . . . . . 129 6.5. Ondorioak...............................130 xvi AURKIBIDEA IV. ONDORIOAK 131 7. ONDORIOAK . . . . . . . . . . . . . . . . . . . 133 7.1. Ondorioak...............................133 7.2. Patologiak detektatzeko informazio fisiologikoa eta Ikaskuntza Automatikoko teknikak . . . . . . . . . . . . . . . . . . . . . . . 134 7.3. Egoera emozionalak detektatzeko informazio fisiologikoa eta Ikaskuntza Automatikoko teknikak . . . . . . . . . . . . . . . . . . . 135 7.4. Etorkizuneko lan-ildoak . . . . . . . . . . . . . . . . . . . . . . . 137 7.5. Argitalpenak .............................138 V. ERANSKINAK 141 8. Disreflexia Diagnostikoaren Emaitzak eta Ondorio Medikoak 143 8.1. Emaitzak ...............................143 8.2. Ondorioak...............................150 Bibliografia . . . . . . . . . . . . . . . . . . . . . . 153 xvii AURKIBIDEA xviii Irudien aurkibidea 2.1. Izerdi-guruinak............................. 10 2.2. Gernu-aparatua. ........................... 11 2.3. Maskuria. ............................... 12 2.4. Odol-konposizioa. . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.5. Odol-hodien sailkapen anatomikoa. . . . . . . . . . . . . . . . . . 14 2.6. Giza gorputzaren arteria eta zain nagusiak. . . . . . . . . . . . . 16 2.7. Bihotzaren kokapena giza gorputzean. . . . . . . . . . . . . . . . 17 2.8. Bihotzaren barne-egiturak. . . . . . . . . . . . . . . . . . . . . . . 18 2.9. Bihotzaren funtzionamendua. . . . . . . . . . . . . . . . . . . . . 19 2.10. Neurona edo nerbio-zelula baten zatiak. . . . . . . . . . . . . . . 20 2.11. Nerbio-sistema zentralaren eta periferikoaren osagaiak . . . . . . 21 2.12. Zuntz sinpatiko aferenteen eta eferenteen jatorria eta banaketa. . 24 2.13. Zuntz parasinpatiko aferenteen eta eferenteen jatorria eta banaketa. 25 2.14. Sistema sinpatikoaren eta parasinpatikoaren funtzioak. . . . . . . 26 2.15. Prozesu disreflexikoaren eskema. . . . . . . . . . . . . . . . . . . 28 2.16. Egokitzapen Sindrome Orokorraren (SGA) irudikapen grafikoa. . 32 3.1. 3 eta 5 deribazioko elektrodoak jartzea. . . . . . . . . . . . . . . 36 3.2. Elektrokardiograma (EKG). . . . . . . . . . . . . . . . . . . . . . 36 3.3. Ondoz ondoko taupadetan jasotako presio arteriala. . . . . . . . 38 3.4. EDA jasotzeko elektrodoak jartzea. . . . . . . . . . . . . . . . . . 39 3.5. EDA seinale fisiologikoa bere bi osagaiekin. . . . . . . . . . . . . 40 3.6. Elektrodo tetrapolarren sistema. . . . . . . . . . . . . . . . . . . 41 3.7. Toraxaren eredu zilindriko sinplifikatua. . . . . . . . . . . . . . . 42 3.8. Inpedantzia-kardiografiaren trazadura eta uhinak. . . . . . . . . . 43 4.1. Sailkapeneta erregresio-arazoen irudikapen grafikoa. . . . . . . . 47 4.2. Tratamendu medikoen aplikazioari buruzko erabaki-zuhaitza eraikitzekoadibidea. ........................... 50 4.3. Baggingen algoritmoaren egituraren adibidea. . . . . . . . . . . . 52 4.4. AdaBoost algoritmoa entrenatzeko jatorrizko datuak . . . . . . . 53 4.5. AdaBoost algoritmoak sortutako sailkatzaile errazak . . . . . . . 53 4.6. AdaBoost algoritmoarekin lortutako azken sailkatzailea . . . . . 54 4.7. Random Forest algoritmoaren funtzionamendua. . . . . . . . . . 55 xix IRUDIEN AURKIBIDEA 4.8. k-NN metodoa erabiliz sailkatzeko prozedura. . . . . . . . . . . . 57 4.9. Sailkapen prozesua Na¨ıve Bayes algoritmoaren bidez. . . . . . . . 59 4.10. Sailkapen optimoa euskarri-bektoreen makinekin (SVM). . . . . . 60 4.11. Sailkapen optimoa euskarri-bektoreen makinekin (SVM) erregularizazio-teknika aplikatuta. . . . . . . . . . . . . . . . . . . . . . . 61 4.12. Sailkapen optimoa euskarri-bektoreen makinekin (SVM) Kernelen transformazio-teknika aplikatuta. . . . . . . . . . . . . . . . . 62 4.13. Erregresio Logistikoarekin (LR) sailkatzea funtzio logistikoaren edo sigmoidearen bidez. . . . . . . . . . . . . . . . . . . . . . . . 63 4.14. Sare neuronal artifizialaren egitura. . . . . . . . . . . . . . . . . . 64 4.15. Perzeptroi multigeruza (MLP) sare baten oinarrizko arkitektura. 65 4.16. Oinarri Erradialeko Sarea (RBF) algoritmoaren bidezko sailkapenprozesuaren egitura. . . . . . . . . . . . . . . . . . . . . . . . . . 67 4.17. Sare neuronal artifizial tradizional eta sakon baten adibidea. . . . 68 4.18. Datu guztien ausazko banaketa bi bloketan. . . . . . . . . . . . . 70 4.19. Datu guztien ausazko banaketa hiru bloketan. . . . . . . . . . . . 70 4.20. K-fold metodoaren funtzionamendu-metodologia. . . . . . . . . . 71 4.21. Bootstrap metodologia: datuen laginketa-prozesua ordezkapena erabiliz. ................................ 73 4.22. Nahaste-matrizea. . . . . . . . . . . . . . . . . . . . . . . . . . . 74 4.23.AUC1.adibidea............................ 79 4.24.AUC2.adibidea............................ 79 4.25.AUC3.adibidea............................ 80 4.26.AUC4.adibidea............................ 80 4.27. t-BC banaketa. 1. adibidea: ia beti ∆acc <0............ 84 4.28. t-BC banaketa. 2. adibidea: ia beti ∆acc >0............ 84 4.29. t-BC banaketa. 3. adibidea: ia beti -0.1 <∆acc <0.1. . . . . . . 85 5.1. Esperimentu-etapak. . . . . . . . . . . . . . . . . . . . . . . . . . 91 5.2. Lagineko subjektuetako baten jatorrizko seinalea aurrez prozesatzea eta iragaztea. . . . . . . . . . . . . . . . . . . . . . . . . . 93 5.3. Esperimentuaren hirugarren fasean jasotako seinale fisiologikoak bistaratzea. .............................. 94 5.4. Presio arterial sistolikoaren bilakaera paziente disreflexikoetan eta patologia hori jasaten ez dutenetan. . . . . . . . . . . . . . . 95 5.5. Proposatutako sailkapen hierarkikoko sistemaren egitura. . . . . 105 6.1. Parte-hartzaile batengandik esperimentuan zehar lortutako RR eta EDA seinaleak, detektatutako RRespekin batera. . . . . . . . 112 6.2. Poincar´eren sakabanatze-diagrama egitean lortutako elipsearen adibidea.................................115 6.3. Bikoteka egindako alderaketaren emaitzak, BC testa eta puzzlearen datu-basearen 50 ezaugarriak erabiliz. . . . . . . . . . . . . . 119 6.4. AdaB vs. Bag konparaziorako ondorengo PDFa. . . . . . . . . . . 120 6.5. RR Band ezaugarriak RR seinalearen anplitudea diskretizatzen duhirubandatan. ..........................122 xx IRUDIEN AURKIBIDEA 6.6. Bikotekako alderaketaren emaitzak, BC testa erabiliz, RR Band ezaugarria puzzlearen datu-basearen beste 50 ezaugarriei gehitu ondoren.................................123 6.7. Sailkatzaile onenen nahaste-matrizeak, puzzlearen datu-basea erabiliz...................................125 6.8. WESAD datu-basearen erregistro baten seinaleak. . . . . . . . . 127 6.9. Batezbesteko nahaste-matrizea AdaB algoritmoarentzat, WESAD datu-basea erabiliz. . . . . . . . . . . . . . . . . . . . . . . . . . . 128 8.1. Presio arteriala handitzeko eredua, gatz disoluzioarekin 37oC-tan maskuria betetzen den bitartean. . . . . . . . . . . . . . . . . . . 148 8.2. Erreflexu barohartzailearen sentsibilitatea neurketa atsedenean, oreka sinbobagala eta noradrenalina eta basopresina zinetikoa, disreflexia autonomikoarekiko eta gabeko bizkarrezur-muineko lesioa duten pazienteengan. . . . . . . . . . . . . . . . . . . . . . . 149 xxi IRUDIEN AURKIBIDEA xxii Taulen aurkibidea 5.1. Pazienteen historial klinikotik ateratako ezaugarriak. . . . . . . . 98 5.2. Esperimentuaren hormona-zati (odol-analitika) ez-inbaditzailearen jatorri fisiologikoko ezaugarriak. . . . . . . . . . . . . . . . . . . . 98 5.3. Esperimentuko bioseinaleak biltzeko zati ez-inbaditzailearen jatorri fisiologikoko ezaugarriak. . . . . . . . . . . . . . . . . . . . . 99 5.4. Sailkatzaile onena zenbatestea historial klinikoaren ezaugarrien azpiespazioa erabilita. . . . . . . . . . . . . . . . . . . . . . . . . 102 5.5. Sailkatzailerik onena zenbatestea metodo ez-inbaditzaileen bidez ateratako ezaugarri fisiologikoen azpiespazioa erabilita. . . . . . . 103 5.6. Sailkatzailerik onena zenbatestea ezaugarri kliniko eta fisiologiko ez-inbaditzaileen azpiespazio konbinatua erabilita. . . . . . . . . 103 5.7. Bi mailatako sailkatzaile hierarkikoaren ebaluazioa. . . . . . . . . 105 5.8. Leave-one-out metodologia erabiliz sailkatzaile hierarkikoaren emaitzak. ...............................106 6.1. Aztertutako leiho bakoitzetik ateratako denbora-eremuko ezaugarriak. ................................114 6.2. Sailkatzailearen probaren errendimenduak, puzzlearen datu-basearen 50 ezaugarriak erabiliz. . . . . . . . . . . . . . . . . . . . . . 118 6.3. Sailkatzailearen probaren errendimenduak, CFS algoritmoak puzzlearen datu-baserako hautatutako 11 ezaugarriak bakarrik erabiliz.121 6.4. Sailkatzailearen probaren errendimenduak, puzzlearen datu-multzoaren beste 50 ezaugarriei RR Band ezaugarria gehitu ondoren. . 123 6.5. Sailkatzailearen probaren errendimenduak, RR Band ezaugarria gehitu ondoren eta soilik CFS algoritmoak puzzlearen datu multzorako hautatutako 6ak erabiliz. . . . . . . . . . . . . . . . . . . 124 6.6. Sailkatzailearen probaren errendimenduak WESAD datu-basea erabiliz. ................................127 8.1. Sintomen prebalentzia, Autonomic Standards Assessment Form (ASAF) erabiliz neurtua. . . . . . . . . . . . . . . . . . . . . . . 144 8.2. Demografia, datu klinikoak eta neurketa autonomikoak, disreflexia autonomikoa duten eta ez duten BMLko pazienteei dagokienez.146 xxiii TAULEN AURKIBIDEA xxiv I. Zatia HITZAURREA xxv 2. Kapitulua Giza Gorputzaren Anatomia eta Fisiologia 2.1. Hitzaurrea Lan honen 1. Sarreran planteatu den bezala, osasun-sistemak teknologia berriak eskatzen ditu pazientearen ongizate fisikoa, psikologikoa eta emozionala lortzeko. Helburu horri begira, beharrezkoa da ezagutza medikoak eta ingeniaritzakoak batzea, esperimentazio eta ikerketa-lan desberdinetatik lor daitezkeen aurrerapen teknologiko guztiak irizpide medikoetan oinarritu behar baitira. Kontuan hartuta anatomia dela medikuntzaren oinarria [7], tesi honetan kapitulu hau ezinbestekoa da giza gorputzaren egitura zein den ulertzeko. Giza gorputzaren anatomia, gorputzaren egitura aztertzen duen zientzia bezala definitzen da eta zientzia biologiko zein medikoen hasiera izan zela uste da. Antzinaroan hitz hau erabiltzen hasi ziren: antzinako greziarrak hasi ziren gorpuak disekzionatzen. Horregatik agertu zen anatomia hitza, moztu, banatu esanahia duena. Historian zehar, zibilizazioek aurrerapenak egin dituzte giza gorputza, haren ehunak, organoak eta zelulak aztertzeari dagokionez. Gaur egun, termino horren dibisioak edo azpi-diziplinak daude, hala nola: Anatomia Sistemikoa edo Deskriptiboa (gorputzaren azterketa sistemen eta aparatuen arabera), Anatomia Erregional edo Topografikoa (gorputzaren azterketa gorputz-zonaldearen arabera), Anatomia Mikroskopikoa edo Histologikoa (ehunen eta organoen azterketa mikroskopioa erabiliz), Anatomia Funtzionala (giza gorputza osatzen duten egituren helburuaren azterketa), Neuroanatomia (nerbio-sistemaren anatomiaren azterketa) eta Anatomia Patologikoa (organo eta sistemen gaixotasun edo patologien azterketa). Tesi hau garatzeko ezinbestekoa da giza gorputzaren anatomia eta fisiologia ezagutzea. Anatomia giza gorputzaren egituraren osagaien azterketan zentratzen den bitartean, aurreko paragrafoetan azaldu den bezala, fisiologia organismo bizidunen funtzioak aztertzen dituen zientzia da, bai osasunaren egoeran, bai gaixotasunarenean. 7 2. KAPITULUA - GIZA GORPUTZAREN ANATOMIA ETA FISIOLOGIA XVIII. mendean sortu zen fisiologia edo anatomia biziduna terminoa, esperimentazioan oinarrituta, giza gorputzak nola funtzionatzen duen ulertzen laguntzeko. Teknologiak aurrera egin ahala, esperimentazioeta behaketa-teknika berriak agertzen dira, eta XX. mendean aurkikuntza fisiologikoak gero eta erritmo handiagoan gertatzen dira. Aurrerapen teknologikoei esker, fisiologia hainbat adarretan banatzen da: neurofisiologia (nerbio-sistema zentralaren eta periferikoaren funtzioen miaketa), elektrofisiologia (bihotzaren jarduera elektrikoaren miaketa), fisiologia zelularra (zelula batean gertatzen diren jardueren azterketa biologikoa, bizirik mantentzeko) eta medikuntzako espezialitateei dagozkien beste batzuk: kardiofisiologia, endokrinologia, arnas fisiologia, etab. Fisiologia medikuntza modernoaren funtsezko zutabea da; izan ere, talde medikoentzat ezinbestekoa da organismoaren funtzioak ezagutzea, bai baldintza normaletan, bai patologikoetan. Azken hauek funtzio normalen alterazioak dira, detektatu eta ulertu ahal izateko aldez aurretik giza gorputzaren fisiologia zein den jakin behar da. Tesi honetan aurkezten den lana giza gorputzean gertatzen diren fenomenoak automatikoki ikasiz hautematean oinarritzen da. Hori horrela izanik, ezinbestekoa da anatomiari eta fisiologiari buruzko oinarrizko ezagutzak izatea tesimemoria honetan deskribatuko den lana ulertzeko. Horregatik, kapitulu honetako 2.2. Atalak tesi honetan egindako ikerketa-lanarekin lotutako bizi-organoen egitura eta funtzioak deskribatuko ditu. Jarraian, 2.3. Atala zehatz-mehatz sartuko da disreflexia autonoma izeneko patologiaren azalpenean, lan honetan aurkeztutako lehen ekarpenaren oinarria baita. Azkenik, 2.4. atalak egoera emozionalen eremua aztertuko du, tesi honen bigarren ekarpena babesten duena. 2.2. Giza gorputzaren sistema organikoak eta funtzioak Funtzio komuna betetzen duten eta giza gorputzaren antolamendu-maila garrantzitsua ordezkatzen duten organoen multzoari sistema organikoak esaten zaio. Giza gorputza ezaugarri morfofuntzional komunak dituzten lau sistema organikotan banatzen da: somatikoak, erraietakoak, zirkulaziokoak eta nerbiozkoak. Sistema organiko horietako bakoitza, aldi berean, aparatu ezberdinez osatuta dago, betetzen duten funtzioaren arabera. Ondoren, sistema horietako bakoitza osatzen duten organoak zerrendatzen dira. Giza gorputzaren hormak osatzen dituzten organoak eta egiturak sistema somatikoen parte dira. Sistema horien barruan, sistema tegumentarioa (azala eta eranskinak) eta sistema osteomioartikularra edo lokomozio-aparatua (hezurrak, artikulazioak eta muskulu eskeletikoak) daude. Errai-sistemen parte diren organo eta egiturei erraiak esaten zaie, giza gorputzaren barrunbe handietan daude eta organismoaren funtzio begetatiboetan esku hartzen dute. Erraietako sistemen barruan daude digestio-aparatua (elikadura-kanala eta guruin erantsiak), arnas aparatua (arnas-hodiak eta birikak), gernu-aparatua (gernu-hodiak eta giltzurrunak), aparatu genitala (guruin 8 2.2. GIZA GORPUTZAREN SISTEMA ORGANIKOAK ETA FUNTZIOAK sexualak edo gonadunak, ubide genitalak, guruin erantsiak eta kanpoko edo perinealeko zatia) eta aparatu endokrinoa (guruin independenteak eta elkartuak). Gorputzeko likidoak (odola eta linfa) garraiatzen dituzten organoek eta egiturek osatzen dute zirkulazio-sistema. Talde horren barruan daude sistema kardiobaskularra (bihotza, odoleta linfatiko-hodiak) eta immunitate-sistema edo organo hematopoietikoak (mieloideak eta linfoideak). Azkenik, nerbio-sistema dago. Sistema hori organo eta egiturek osatzen dute, eta organo eta egitura horiek organismo osoan banatzen dira, nerbio-erregulazioko funtzio integratzailea betetzeko. Nerbio-sistema bi taldetan banatzen da: erdialdea (bizkarrezur-muina eta entzefaloa) eta periferikoa (nerbioak, gongoilak eta nerbio-amaierak). Giza gorputzaren sistema organikoen sailkapena ikusi ondoren, tesi honetan aurkeztutako lanak aurretik zerrendatutako lau lan bakarrik izango ditu ardatz: tegumentario aparatua, gernu-aparatua, sistema kardiobaskularra eta nerbiosistema. 2.2.1. Tegumentario aparatua Sistema tegumentarioaren funtzioak dira, batetik, kaltearen aurkako babesa eta, bestetik, inguruko ingurunea hautemateko gaitasuna. Sistema hau honako hauek osatzen dute: larruazalak, larruazalaren eranskinek (ileak, azazkalak, izerdi guruinak, seba guruinak), larruazalpeko ehunak, larruazal-muineko loturek eta bularrek. Hau da, gorputz osoa inguratzen duen gorputz-sistema da. III. Zatian azaldutako ekarpenetan deskribatzen den bezala, tesi honen oinarrian dagoen lanaren helburua da Ikaskuntza Automatikoko teknikak aplikatuz gorputzean gertatzen diren hainbat fenomeno detektatzea. Horretarako, hainbat seinale fisiologiko bildu behar dira, larruazalaren gainean kokatutako elektrodoak erabilita. Aurreko paragrafoan zerrendatutako sistema tegumentarioaren osagai guztien artean, lan hau izerdi-guruinetan baino ez da zentratzen, horiek ematen baitute tesi honetan aurrerago bilatuko diren fenomenoen zati bat hautemateko behar den informazioa. [8]-tik ateratako 2.1. Irudian erakusten diren izerdi-guruinak larruazalean kokatutako tutu-egitura txikiak dira, eta organismoaren guruin sekretuen parte dira. Beraz, bere funtzioa substantziak, kasu honetan izerdia, gainazal epitelialera eroatea da, hainbat hodiren bidez. Bi izerdi guruin mota daude: ekrinak eta apokrinak. Lehenengoak, ugarienak ia gorputz osoa estaltzen dutenak, larruazalaren gainazalean irekitzen dira zuzenean izerdiaren poroan zehar, eta gorputzaren tenperatura erregulatzeaz arduratzen dira, izerdi usaingabea, koloregabea eta urtsua jariatuz. Normalean, izerdi horrek eragiten du hiperizerdia. Bigarrenak larruazalaren gainalderaino hedatzen diren ile-folikuluetan amaitzen dira, eta horregatik daude, batez ere, ile-folikulu asko dituzten eremuetan, hala nola buruko ile-larru, besape eta eremu genitaletan. Guruin horiek esentziak askatzen dituzte, usaindun izerdia sortuz. 9 2. KAPITULUA - GIZA GORPUTZAREN ANATOMIA ETA FISIOLOGIA Izerdi guruin ekrina Izerdi guruin apokrina Ile-folikulua Poroa 2.1. Irudia: Izerdi-guruinak. Tesi honi dagokionez, izerdi guruin ekrinak dira gehien interesatzen direnak, ugarienak direnez eta gorputzeko atal askotan daudenez, neurketak egiteko elektrodoak jartzea errazten baitute. 2.1. Irudian ikus daitekeen bezala, guruin horiek egitura tubular luzeak dira, dermisean oso biribilkaturik dagoen zati bat eta guruinetik abiatzen den eta izerdia gorputzaren kanpoaldera eramaten duen hodi estu bat dituztenak, larruaren gainazaleko poro batetik. 2.2.2. Gernu-sistema Gernu-aparatua osatzen duten organoen funtzio nagusiak dira gernua ekoiztea, biltegiratzea eta kanporatzea, organismotik hondakin nitrogenatu likidoak kentzeko, hala nola urea eta azido urikoa, baita beste gai toxiko batzuk ere. 2.2. Irudiak, [9]-tik ateratakoak, erakusten duenez, aparatu hau bi giltzurrunek, bi ureterrek, maskuriak eta uretrak osatzen dute [10]. 10 2.2. GIZA GORPUTZAREN SISTEMA ORGANIKOAK ETA FUNTZIOAK Giltzurruna Ureterra Maskuria Uretra 2.2. Irudia: Gernu-aparatua. Giltzurrunak saihetsen azpian dauden bi organo dira, azken bi torax-ornoen parean, eta oinarrizko bi funtzio dituzte. Lehenengoan, odolean dauden hondakin likidoak (urea) iragazten dira nefronak izeneko iragazketa-unitateen bidez, eta gernu-forman desagerrarazten dira. Bigarrena, globulu gorriak sortzeko eritropoyetina izeneko hormona ekoiztea da. Giltzurrunetatik datorren gernuak ureter izeneko bi hodi estuetan zehar zirkulatzen du. Hodi horiek 10 segundoan behin uzkurtzen eta erlaxatzen diren muskuluak dira, eta gernua maskurira iristea ahalbidetzen dute. Jarraian maskuria dago. Organo hori zehatzago azaltzen da, tesi honetarako egindako lanaren zati bat hartan oinarritzen baita. Maskuria gorputzaren beheko sabelean dagoen organo huts bat da. 200 ml inguruko edukiera du, eta forma esferikoa du beteta dagoenean, eta tetraedrokoa hutsik dagoenean. Maskuriak bi funtzio nagusi ditu. Alde batetik, ureterretatik zehar iristen den gernua metatzeko funtzioa du, organo horiek osatzen dituzten hormak erlaxatuz eta dilatatuz. Beste aldetik, maskuriak horma horiek hartu eta lautzen ditu, uretran zehar gernua kanporatuz husteko. 2.3. Irudian ikus daitekeenez, [11]-tik lortua, maskuria egitura batzuek osatzen dute. Egitura horiei esker, organoa handitu egiten da gernua biltegiratzeko, eta, bolumen jakin batera iritsi denean, hustu egiten da, gernua gorputzaren kanpoaldera irits dadin mikzio-fluxu egoki baten bidez. 11 2. KAPITULUA - GIZA GORPUTZAREN ANATOMIA ETA FISIOLOGIA Ureterrak Ureter-zuloak Muskulu detrusorea Uretra Gernua Peritoneoa 2.3. Irudia: Maskuria. Gernua maskurian sartzen da organo horren erdialdean dauden ureter-zuloetatik. Sartzeko bide horiek maskuriaren ezkerraldean eta eskuinaldean dauden bi irekidurek osatzen dituzte. Maskuriaren gainazalari peritoneoa esaten zaio. Mintz horren funtzioa organo horren barne-zatiak babestea da, eta tolesturek osatzen dute. Tolesturek malgutasun handia ematen diote maskuriari, jasaten dituen tamaina-aldaketekiko erresistentea izan dadin. Peritoneoaren azpian muskulu-zuntz batzuk daude, maskuri osoa inguratzen duen muskulu detrusorea osatzen dutenak. Betetze-bolumen maximoa lortzen denean edo, bere borondatez, mikzionatu nahi denean, garunak seinaleak bidaltzen dizkio muskulu detrusorearekin konektatuta dauden nerbio-talde bati, eta muskulu hori osatzen duten zuntzak uzkurtu egiten dira, gernua uretran zehar kanpora ateraraziz eta maskuriaren tamaina txikituz. Azkenean uretra dago. Maskuritik datorren gernua gorputzetik kanporatzeko hodia da, garunak esfinterreko muskuluei lasaitzeko bidaltzen dizkien seinaleei esker. 2.2.3. Sistema kardiobaskularra Sistema kardiobaskularrak, odoleko zirkulazio-sistema ere deitua, eta sistema linfatikoak osatzen dute zirkulazio-sistema, odola eta linfa gorputzetik zirkulatzea ahalbidetzen duten organoeta egitura-multzo batez osatua. Helburua da mantenugaiak eta beste substantzia batzuk garraiatzea, hondakin metabolikoak biltzea, organismoa gaixotasun infekziosoetatik defendatzea eta organismoaren gorputzeko eta zeluletako tenperatura erregulatzen laguntzea. 12 2.2. GIZA GORPUTZAREN SISTEMA ORGANIKOAK ETA FUNTZIOAK Sistema linfatikoa linfa (proteinak, gatzak, glukosa eta beste substantzia batzuk dituen likido garden eta urtsua) gorputz osoan garraiatzen duten hodi linfatikoz osatutako sare batek eratzen du. Bere funtzio nagusiak dira, batetik, gorputz-likidoak orekan mantentzea eta, bestetik, gorputza infekzioetatik babestea [12]. Sistema kardiobaskularra odolak, odol-hodiek eta bihotzak osatzen dute. Bere funtzio nagusia organismo osoan zehar odol-zirkulazioa ahalbidetzea da, horrela oxigenoa, hormonak, mantenugaiak eta beste substantzia batzuk gorputzeko zeluletara, ehunetara eta organoetara banatzea lortuz. Odola Odola ehun konektibo bat da, likidoa eta zelulak nahasten dituena, oinarri koloidal urtsua eta osaera konplexu eta berriztagarria duena, hezur-muinean egiten dena eta zirkulazio-sistemako odol-hodietan zirkulatzen duena. Odola zati solido batek osatzen du ( %45), osotasunaren %95ean globulu gorriek (eritrozitoak edo hematiak) eta gainerako %5ean globulu zuriek (leukozitoak) eta plaketek (tronboitoak) eratua. Zati likidoa, odol-plasma deritzona, odolaren bolumen osoaren %55 da, %90 ura da eta gainerako %10 proteinak eta gatzak dira. 2.4. Irudiak grafiko zirkular bat erakusten du, eta horri esker ikusten da odolaren osagaien ehunekoa. Odola Plasma Globulu gorriak Globulu zuriak eta plaketak 2.4. Irudia: Odol-konposizioa. Odolaren funtzioak ugariak dira, baina garrantzitsuenak honako hauek dira: lehena globulu gorriei esker, mantenugaiak, oxigenoa (O2) eta hormonak gorputzeko atal guztietara garraiatzea da. Beste zeregin bat da antigorputzak bidaltzea leukozitoen bidez, organismoan agertzen diren infekzioei aurre egiteko. 13 2. KAPITULUA - GIZA GORPUTZAREN ANATOMIA ETA FISIOLOGIA Globulu gorriak berriro ere karbono dioxidoa (CO2) eta zelula desberdinetatik datozen beste hondakin batzuk garraiatzeko hirugarren lanean protagonista dira. Azkenik, bizi-funtzio desberdinak betetzen ditu, hala nola termorregulazioa, gorputza tenperatura egokian mantenduz eta koagulazioa, plaketen bidez, odolaren fluxua bera eta organismoaren ehunen orbaintzea erraztuz. Sistema kardiobaskularraren lehen osagai horren deskribapena amaitzeko, aipatu behar da batezbesteko odol kopurua gorputz-pisu osoaren %7 dela (4 eta 5 litro artean) eta bere kolore gorrixka globulu gorrien hemoglobina pigmentuaren ondorio dela. Odol-hodiak Odol-hodiak hodi hutsen formako egiturak dira, odola gorputz osoan zehar garraiatzen dutenak. 2.5. Irudian ikus daitekeenez ([13]-tik aterata), odol-hodiak beste bost egituraz osatuta badaude ere (arteriak, arteriolak, zainak, benulak eta kapilarrak), hiru talderen sailkapen anatomikoa egin daiteke, egitura bakoitzaren ezaugarrietan zentratuta. Lehenengoa arteriek eta arteriolek osatzen dute: odola bihotzetik urruntzen den hodiak dira. Bigarrenak benulei eta zainei egiten die erreferentzia, odola bihotzera isurtzen den hodiak barnebilduz. Horrelako hodiek balbulak dituzte, baina beste bi kasuetan ez da horrelakorik gertatzen. Azkenik, hirugarren multzoan, kapilarrak daude. Hormen argaltasunari esker, zelulaz kanpoko ingurunearekin elkartrukea ahalbidetzen duten hodiak dira. Kapilarrak Arteria Arteriola Benula Zaina 2.5. Irudia: Odol-hodien sailkapen anatomikoa. 14 2.2. GIZA GORPUTZAREN SISTEMA ORGANIKOAK ETA FUNTZIOAK Arteriak odol-hodiak dira, eta odolak bihotzetik gorputzeko organo guztietara zirkulatzen du, odolean dauden oxigenoa eta mantenugaiak garraiatuz, biriketako arteriak izan ezik, horiek karbono dioxidoa duen odola garraiatzen baitute. Hormak lodiak, gogorrak eta elastikoak dira presio handiak jasan ahal izateko. Paretetako muskuluak lauak dira eta nerbio-sistema autonomoaren mende daude, uzkurtu eta luzatu egiten dira bihotzeko odol oxigenatuak gorputzeko organo bakoitzera egiten duen presioa erregulatzeko. Sistole bentrikularrarekin, bihotza uzkurtzen den unea, honen muskulu-ehunaren uzkurduraren ondorioz, odola bihotzetik ateratzen da eta arteria bete egiten da. Odolak arteriatik bihotzera atzera egin ez dezan, behin sistolearen zikloa egin ondoren, balbula sigmoideak itxi egiten dira. Giza gorputzaren arteria handiena aorta da, helduetan 25 mm-ko zabalera izan dezakeena. Bihotzetik urrundu ahala, arteriak arteriola deritzen beste hodi meheago eta ez hain elastiko batzuetan adarkatzen dira, eta horien funtzioa kapilarrei odola askatzeko erabiltzen diren hodiak kontrolatzea da. Sailkapen anatomikoaren bigarren multzoan zainak eta benulak ageri dira. Odol-hodien barruan, odol desoxigenatua organoetatik eta odol-kapilarretatik bihotzeraino eramateko funtzioa duten zainak daude, bi salbuespenekin: lehenengoa, bihotzera iritsi aurretik gibeletik eta biriketatik igarotzen den zain porta da, karbono dioxidoa eta zelulen beste hondakin metaboliko batzuk kentzeko. Bigarren irregulartasuna zainetako odolaren ordez odol arteriala garraiatzen duten biriketako zainek ematen dute, zainek garraiatzen duten odolari esaten zaion bezala. Hodi huts formako egiturak dira, eta ez dute xafla elastikorik, arterien kasuan gertatzen den bezala, eta odola igarotzeko barrunbea arteriena baino handiagoa da. Giza gorputzean arteriak baino zain gehiago daude eta odol-bolumen osoaren %70 inguru dute. Giza organismoaren zainik handienak goiko kaba zaina eta beheko kaba zaina dira, heldu batean 35 mm-ko zabalera izan dezaketenak. Bigarren multzo horren barruan, benulak daude, kalibre oso txikiko odolhodiak, eta, gero, batu ahala, zainak eratzen dituzte. Hodi horien funtzioa kapilarretako odola biltzea eta zainetara eramatea da, ondoren zainek bihotzeraino eraman dezaten. Benulak kapilar ondoko mailan gasak, mantenugaiak eta hondakinak trukatzeaz arduratzen dira. 2.6. Irudian, [14]-tik ateratakoan, organismoan dauden zain eta arteria nagusiak ikus daitezke. Horiek bereizteko, literaturan arteriak gorriak eta zainak urdin kolorekoak irudikatzen dira. Zainei esleitutako kolorearen arrazoia da odol-hodien gainazala apur bat urdinxka dela, eta arteriak sakonago eta zainak azalago igarotzen direnez, normala da azkenekoetan tonu urdina detektatzea. 15 2. KAPITULUA - GIZA GORPUTZAREN ANATOMIA ETA FISIOLOGIA zioak, ikaskuntza, memoria eta mugimendua kontrolatzeaz ere. Zerebeloa bizkarrezur muineko estimuluak garunera iristeaz arduratzen da, eta bere funtzioen artean daude bihotzaren taupada erregulatzea, oreka, arnas funtzioa eta muskuluen mugimenduak kontrolatzea, hala nola ibiltzea eta idaztea. Entzefaloaren hirugarren osagaia enbor entzefalikoa da, eta haren xedea da oinarrizko funtzio ez-boluntarioak kontrolatzea (loa, arnasketa, bihotz-kontrola) eta seinaleak transmititzea entzefaloaren eta bizkarrezur-muinaren artean. NSZren bigarren osagaia bizkarrezur-muina da, entzefaloaren luzapen gisa defini daitekeena eta bizkarrezurraren barruan dagoena. Bere lana, alde batetik, gorputza eta entzefaloa komunikatzea da, bertatik sortzen diren nerbio espinalen bidez, eta, bestetik, erreflexu ekintza askoren kontrola darama. Nerbio-sistema periferikoa (NSP) Nerbio-sistema periferikoak bi osagai ditu: nerbioak eta gongoil periferikoak edo nerbio-gongoilak. Nerbioek edo nerbio-zuntz sortek garezurreko nerbioak (12 pare) zein bizkarrezurrekoak (31 pare) biltzen dituzte, hau da, nerbio-sistematik gorputz osora ateratzen diren 43 nerbio-bikoteak dira. Sorta gogorrak eta erresistenteak dira, eta funtzio nagusia nerbio-sistema gorputzeko gainerako elementuekin komunikatzea da. Nerbio-gongoilak NSZtik kanpo eta NSPren parte diren nerbioen ibilbidean dauden gongoil neuronek osatutako egiturak dira. Bere egitekoa NSZ organo sentsorialekin konektatzea da. Ikuspegi funtzionaletik, nerbio-sistema periferikoa nerbio-sistema somatikoan eta nerbio-sistema autonomoan (NSA) banatzen da. Hurrengo atalak NSP aurkezten du ikuspuntu horretatik. Nerbio-sistemaren antolaketa funtzionala Aipatu bezala, ikuspuntu funtzionaletik, nerbio-sistema bi taldetan banatzen da: nerbio-sistema somatikoa eta nerbio-sistema autonomoa. Nerbio-sistema somatikoa Nerbio-sistema somatikoa neurona sentsitiboek eta neurona motorrek osatzen dute. Lehenengoek hartzaile sentsorialetatik NSZra eramaten dute informazioa; bigarrenek, berriz, bulkada edo seinale elektrikoak muskulu eskeletikoetara eramaten dituzte, borondatezko mugimenduak egiteko. Beste era batera esanda, nerbio-sistema somatikoa nerbio-sistema periferikoaren egitura guztiek osatzen dute, eta horien xedea informazio sentsitiboa bideratzea eta muskulu eskeletikoetara kontrol motorraren informazioa eramatea da. Bere funtzio nagusia hartzaile sentsitiboak NSZren organo sentsorialetara konektatzea da, ondoren muskuluetara konektatzeko eta mugimendu boluntarioak eragiteko. 22 2.2. GIZA GORPUTZAREN SISTEMA ORGANIKOAK ETA FUNTZIOAK Nerbio-sistema autonomoa (NSA) Nerbio-sistema autonomoa, neurobegetazio-sistema edo nerbio-erraietako sistema ere deitua, neurona eta nerbio-bide multzo batek osatzen du, eta gorputzaren erraietako sistemak kontrolatzea du eginkizun. Hau da, nerbio-sistema periferikoaren zatia da, erraien nahi gabeko funtzioak kudeatzen dituena. Izenak berak adierazten duen bezala, sistema autonomoa da, eta ekintza ez-borondatezkoez edo inkontzienteez eta automatikoez arduratzen da. NSAren eginkizun nagusia homeostasi-egoerari edo organismoaren egonkortasunari eustea da, eta erantzun egokiak sortzea, kanpoko eta barruko aldaketen aurrean egokitu ahal izateko. NSAk kontrolatzen dituen nahigabeko funtzioak ugariak dira: bihotz-maiztasuna, zirkulazioa, arnasketa, izerditzea, digestioa, metabolismoa, gorputz-tenperatura, jariaketa glandularra, listu-jarioa, mikzioa, etab. Nerbio-sistema honek gaizki funtzionatzearen ondorioz NSAren disfuntzioek hainbat sintoma eragiten dituzte, eta horiek disautonomia izenpean taldekatzen dira. NSAren oinarrizko egitura eta funtzionamendua XX. mendearen hasieran definitu ziren, eta haren funtsezko bi banaketa aipatu ziren: sistema sinpatikoa eta parasinpatikoa [21,22]. Gaur egun, NSA erraietako bide aferenteek, integraziozentroek (hipotalamoa eta garun-kortexa) eta erraietako bide eferente sinpatiko eta parasinpatikoek osatzen dutela baieztatzen da. Nerbio-sistema sinpatikoa (NSS) Nerbio-sistema sinpatikoa alerta-egoeretan aktibatzen da, hau da, gorputza alertaedo indar-egoerak eskatzen dituzten ekintzetarako prestatzeaz arduratzen da, hala nola arriskua, beldurra, haserrea, lotsa edo emozioa eragiten duten egoeretarako. Bere funtzioa organo batzuk kontrolatzea da, funtzioak, erreflexuak eta erraien erreakzioak azkar aktibatzea eskatzen duten egoeretan. NSS aktibatzeak epe laburrean larrialdiei aurre egin ahal izateko balio du. Sistema sinpatikoaren bide eferenteak osatzen dituzten neurona sinpatikoak bizkarrezur-muinaren tarteko zutabean daude, T1 eta L2 segmentuen artean [23], [24]-tik ateratako 2.12. Irudian erakusten den bezala. Gorputza larrialdi-egoera batean prestatzeko, nerbio-sistema sinpatikoak hainbat bide konplexu aktibatzen ditu. Bide horietan, agerikoa da bihotzeta arnasketa-erritmoa eta odol-presioa areagotzea, begi-ninien dilatazioa, izerditzea areagotzea eta odol-fluxua aldatzea, odola larruazaletik, urdailetik eta hesteetatik atera dadin, jarduera sinpatikoaren aurrean erantzun hori emateko behar diren garun, bihotz eta muskuluetara zuzentzeko. NSS aktibatzen denean egindako funtzio horietako batzuk 2.14. Irudian agertzen dira. 23 2. KAPITULUA - GIZA GORPUTZAREN ANATOMIA ETA FISIOLOGIA Hanketara nerbio arrakideoagatik Begi-niniaren dilatadorea Guruin lakrimala Guruin azpimandibularra Parotida guruina Bihotza Trakea Bronkioak Birikak Urdaila Gibela Pankrea Giltzurrun-gaineko muina Giltzurruna Heste lodia Bufeta Genitalak Gonada 2.12. Irudia: Zuntz sinpatiko aferenteen eta eferenteen jatorria eta banaketa. Nerbio-sistema parasinpatikoa (NSPS) Nerbio-sistema parasinpatikoaren funtzio nagusia energia biltegiratzea edo aurreztea errazten duten jarduerak estimulatzea da. Energia kontserbatzera eta berreskuratzera eta epe luzerako ongizatea ziurtatzera bideratutako aldaketak eragiten ditu. Esan liteke nerbio-sistema parasinpatikoa sinpatikoaren kontrakoa dela, hau da, atsedenaldietan aktibo mantentzeaz arduratzen da, adibidez, digestioan. NSPSren bide eragileak osatzen dituzten neurona parasinpatikoek soma enbor entzefalikoaren nukleoetan edo bizkarrezur-muin sakratuaren alboko zutabean dute, [24]-ko 2.13. Irudian ikus daitekeen bezala. 24 2.2. GIZA GORPUTZAREN SISTEMA ORGANIKOAK ETA FUNTZIOAK Muskulu ziliar Pupilar esfinterra Guruin lakrimala Mihiko guruin azpimandibularra Parotida guruina Bihotza Bihotza Urdaila Gibela Pankrea Giltzurruna Heste lodia Bufeta Gonada Genitalak Trakea Bronkioak Birikak 2.13. Irudia: Zuntz parasinpatiko aferenteen eta eferenteen jatorria eta banaketa. NSPSren funtzioak atseden hartu eta digestioaz arduratu erantzun moduan deskribatzen dira; izan ere, sistema hori aktibatzen denean, bihotz-erritmoa moteltzen da, esfinterrak erlaxatzen dira eta glandulaeta heste-jarduera areagotzen da. Azken emaitza energia biltegiratzea eta gorputzaren funtzioak erregulatzea da, hala nola digestioa eta mikzioa. 2.14. Irudian zehazten dira organismoan gauzatzen diren funtzioetako batzuk NSPS aktibazioaren aurrean. Nerbio-sistema autonomoaren sistema sinpatiko eta parasinpatikoa aktibatzearen ondoriozko ekintzek zuzeneko elkarketan lan egiten dute, hau da, kontrastatutako ondorioak dituzte, baina oso koordinatuak. Bi sistema horien oreka funtsezkoa da gizakiaren ongizaterako. Elkarren osagarri izan behar dira; beraz, batak estimulazio-funtzioa badu, besteak inhibitu egin beharko du, eta, horrela, jardueraren eta atsedenaren arteko oreka mantentzen da, barne-organoek, guruinek, muskuluek, arteriek eta zainek erritmikoki lan egitea lortzeaz gain. 25 2. KAPITULUA - GIZA GORPUTZAREN ANATOMIA ETA FISIOLOGIA 2.14. Irudiak, [25]-tik ateratakoak, bi sistemek nola elkarreragiten duten erakusten du: sinpatikoa eta parasinpatikoa. PARASINPATIKOAk SINPATIKOAk Begi-niniak uzkurtzen ditu Digestio-aparatua estimulatzen du Arnasbideak uzkurtzen ditu Bihotz-erritmoa murrizten du Heste-jarduera estimulatzen du Maskuria uzkurtzen du Genitalen erekzioa sustatzen du Glukosa askatzea inhibitzen du eta besikula estimulatzen du Saliba estimulatzen du Begi-niniak dilatatzen ditu Bihotz-erritmoa areagotzen du Saliba inhibitzen du Digestio-sistema inhibitzen du Heste-jarduera inhibitzen du Arnasbideak erlaxatzen ditu Epinefrina eta norepinefrina jariatzen ditu Maskuria erlaxatzen du Glukosa askatzea estimulatzen du eta besikula inhibitzen du Eiakulazioa eta uzkurdura baginala sustatzen ditu GARUNA Bizkarrezurmuin Kate ganglionatu sinpatikoa 2.14. Irudia: Sistema sinpatikoaren eta parasinpatikoaren funtzioak. 26 2.3. DISREFLEXIA AUTONOMOA 2.3. Disreflexia Autonomoa Disreflexia autonomoa (DA), hiperreflexia autonomikoa edo sinpatikoa ere esaten zaiona, gaixotasun larria da, bizkarrezur-muineko lesioa (BML) duten pazienteen artean hilgarria eta arrunta izan daitekeena. Lesioaren mailaren azpitik sortutako estimulu baten aurrean kontrolatu gabeko erantzun sinpatikoa da haren ezaugarria. Muineko lesioa organismoaren funtzio sentsitibo, motor edota autonomoetan alterazioa eragiten duen prozesu patologikoa da. Funtsean, bizkarrezur-muineko nerbio-ehuna modu konponezinean kaltetzen da, eta sentsibilitaterik eta paralisirik eza eragiten du kaltetutako eremuaren azpitik [26]. Bizkarrezur-muineko lesioa zenbat eta handiagoa eta larriagoa izan, orduan eta handiagoa izango da narriadura funtzionala. Lesioa zerbikala edo toraziko altua bada (T5aren gainetik [3, 27, 28]) kasuen erdian baino gehiagotan garatzen da, [4, 5], kontuan hartuta lesioaren maila zenbat eta altuagoa izan, orduan eta larriagoak izango direla DA gertakariak [29–31]. BMLren ondoren, oro har T5 baino lesio handiagoa izanez gero, enbor entzefalikoaren eta dientzefaloaren irteerako fluxu sinpatikoa galdu egiten da. Denborarekin, neurona atseginak kontrolatzen dituzten zirkuitu lokaletan aldaketa plastikoak izaten dira. DA edozein unetan gara daiteke BMLren ondoren, eta, ikuspegi klinikotik, hiperaktibitate sinpatiko baten ondoriozko hipertentsio akutuko gertakariak ditu ezaugarri. DA gertakariak muineko lesiotik beherako estimulu bat gertatzen denean agertzen dira. Estimulua ez da burmuinera iristen lesio horren presentziagatik, eta erantzun sinpatiko orokor bat sortzen da, basokonstrikzioa eragiten duena, eta horrek, aldi berean, krisi hipertentsiboa eragiten du. Organismoak sistema parasinpatikoa aktibatzen du, eta erantzun parasinpatikoa estimulatzen du, tentsioa handitzeari aurre egiteko. Arazoa da estimulu parasinpatiko hori lesioaren gainetik baino ez dela sortzen, hau da, lesioaren azpitik hiperestimulazio sinpatikoa dago, eta lesioaren gainetik hiperestimulazio parasinpatikoa. [32]-tik ateratako 2.15. Irudian grafikoki irudikatutako agertoki horrek DAren balizko gertakari baten sintomak edo zeinuak agertzea eragingo du [33]. Klinikoki, DA hipertentsio akutuarekin lotzen da (20 mmHg-ko igoera oinarrizko presio arterialean (PA)), hiperaktibitate sinpatikoaren ondorioz [34, 35]. Sintomarik gabeko pazienteak egon daitezkeen arren, DA gertaera bat jasotzen den unean, ohikoena da zenbait zeinu edo sintoma garatzea, hala nola PA batbatean handitzea, antsietatea, ikusmen lausoa, buruko mina eta bradikardia erreflexua, eta lesioaren mailaren gainetik gorritzea eta izerditzea [36–38]. Lesioaren mailatik beherako edozein estimuluk eragindako edozein unetan gara daiteke DA; ohikoena maskuriaren distentsioa da, kasuen %75etik %85era bitarte [34,38–40], eta ondoren, eragin fekala. Horregatik, 5. Kapituluan xehetasun handiagoz ikus daitekeenez, maskuri-betetze artifiziala egingo da, gernukateterren bidez, BMLa duten pazienteengan disreflexia-gertakari bat sorrarazteko helburuarekin. 27 2. KAPITULUA - GIZA GORPUTZAREN ANATOMIA ETA FISIOLOGIA 1:Maskuri betea edo hestearen estimulua 2:Estimulu aferentea 3:Erantzun sinpatiko masiboa 4:Basokonstrikzio orokorra 5:Hipertentsioa 6:Barohartzaileek odol-hodietan krisi hipertentsiboak detektatzen dituzte – Garun-seinalea Muineko lesioaren maila = T5 edo gainetik Bizkarrezur-muin 7a:Bihotzerritmo motela 7b:BMLak blokeatutako beheranzko seinale inhibitzaileak 2.15. Irudia: Prozesu disreflexikoaren eskema. Ondoren, 5.5. Atalean, DA gertaerak detektatzeko sistema bat aurkeztuko da, seinale fisiologikoak biltzean inbaditzailetasuna minimizatuta. Zehazki, pazienteei zunda bat jartzea da esperimentaziotik kendu beharreko zati inbaditzailea, pisuzko bi arrazoirengatik. Lehenik eta behin, kontuan hartuta artatu beharreko pazienteen hauskortasuna eta mugikortasun-falta, deserosoa eta zaila zen zunda jartzea, eta ondoeza eragiten zien, gerora aztertu beharreko seinaleetako batzuk jasotzea eragotz baitzezakeen. Bigarren arrazoia da gernu-traktuko infekzioen (GTI) %80 baino gehiagok jatorria duela gernu-zundak erabiltzean [41]; beraz, prozesu hori saihesten bada, parte-hartzaileen osasuna okertzea prebenitzen da. 28 2.4. EGOERA EMOZIONALAK DAa kausa-faktorea ezabatu bezain laster ebazten da. Hala ere, kontrol autonomiko kardiobaskularraren narriadurak BMLa duten pazienteak gertaera baskularren arrisku handiagoan jartzen ditu, hala nola, iskemia miokardikoa, garuneko odoljario hilgarria, entzefalopatia hipertentsiboa, konbultsioak, biriketako edemak eta baita heriotza ere [42,43]. Horregatik guztiagatik, DA larrialdi mediko hilgarritzat jotzen da [44]. DA eragiten duten faktoreak ezagutzea funtsezkoa da eragin hori prebenitzeko. Oro har, prebentzio-neurririk onena maskuria eta hestea behar bezala hustea da, DAren gertakari gehienak lotutako estimuluek eragiten baitituzte. 2.4. Egoera emozionalak Giza gorputzaren ulermena eta emozioekin duen harremana etengabeko bilakaera izan da zientziaren eta medikuntzaren historian. Mendeetan zehar adimenaren eta gorputzaren arteko dikotomia bat mantendu zen, bi alderdi horiek entitate bereizi gisa tratatuz. Azken hamarkadetan, ordea, paradigma-aldaketa esanguratsua sortu da. Aldaketa horren ardatza izan da giza gorputza entitate integrala dela eta osasuna eta emozioak lotuta daudela ondorioztatzea. Horregatik, adimen emozionalaren garapenak funtsezko zeregina du emozioak ulertzeko eta emozioen aurrean erantzuna kudeatzeko [45]. Garrantzitsua da nabarmentzea erantzunen kudeaketak funtsezko elementuak dituela, hala nola, autoerregulazio emozionala, enpatia eta hainbat egoera emozionali modu egokian erantzuteko gaitasuna. Norbera sentitzen dena erabat aitortzeko gai denean, emozioei modu oso eraginkorrean heltzeko gaitasuna lortzen da eta, horri esker, emozio negatiboen ondorio kaltegarriak murrizteko neurri zehatzak har daitezke, ongizatea eta osasuna oreka ezin hobean mantentzen lagunduz [46]. Pertsona baten egoera emozionala sakonago ulertzeko tresna bat emozioek gorputzean eragiten dituzten erantzun fisiologikoak aztertzea da. Emozioek, esperientzia subjektiboak badira ere, zenbait aldaketa eragiten dituzte jarduera fisiologikoan. Erritmo kardiakoa, presio arteriala, jarduera zerebralaren ereduak, azalaren konduktantzia eta maila hormonalak dira emozioek eragiten dituzten aldagai ugarietako batzuk [47,48]. Horrela, bada konputazio fisiologikoaren eremuko adar bat, giza gorputzaren aldagaietan patroi espezifikoak identifikatu eta hautematen dituena, emozio bat edo beste sentitzen ari dela ondorioztatzeko. Era berean, erlazio horiek ohiko emozio garbiak ez diren egoera mentalak identifikatzeko ere erabil daitezke, erlaxazioa eta estresa kasu, aurrerago 6. Kapituluan azalduko den bezala. Gorputzerantzun horien ulermen sakonagoa lortzeko, beharrezkoa da 2.2.4. Azpiatalean ikusitako nerbio-sistemari buruzko ezagutzak izatea, baita jarraian deskribatzen diren emozioei, estresari eta erlaxazioari buruzko kontzeptuak ere. 29 2. KAPITULUA - GIZA GORPUTZAREN ANATOMIA ETA FISIOLOGIA 2.4.1. Emozioak Emozioak aztertzea funtsezko zutabea da psikologian eta giza portaerarekin lotutako beste diziplina batzuetan. Historian zehar, emozio terminoak bilakaera esanguratsua izan du, bai kontzeptuzko definizioan bai ulermenean, jainkozko azalpenetatik ikuspegi zientifikoagoetara eta diziplina anitzekoetara igaroz. Antzinaroan, emozioak giza portaeran eragina zuten eragin jainkotiar edo espiritual gisa interpretatzen ziren. Filosofo grekoek, Aristotelesek bezala, rol nagusi bat bete zuten emozioen kontzeptualizazioari ekin ziotenean, emozioak identifikatuz eta konbentzitzeko eta erretorikarako funtsezko elementuak zirela argudiatuz [49]. XIX. mendean, emozioen ulermen zientifikoagoranzko aldaketa bat gertatu zen, erantzun fisiologikoak emozioen aurretik daudela proposatzen zuten teoriekin. Hori da The Principles of Psychology [50] lanaren kasua, non emozioak erantzun fisiologikoen pertzepziotik sortzen direla argudiatzen den. XX. mendearen hasieran, zientzialariek emozioen garrantzia azpimarratu zuten [51] eta XX. mendearen bigarren erdian, Paul Ekman psikologo estatubatuarrak funtsezko zeregina bete zuen osagaietan oinarritutako emozioen teoria garatzean. Aurpegi-adierazpenei buruzko ikerketaren bidez [52] sei emozio unibertsal (tristura, poza, haserrea, beldurra, desira, nazka, interesa eta harridura) identifikatu zituen, emozioak hobeto ulertzen lagunduz. Gaur egun funtsezkotzat jotzen dira biziraupenerako eta garapen pertsonalerako [45,53]. Emozio terminoaren bilakaera historikoa aztertu ondoren, garrantzitsua da azpimarratzea haren definizioa konplexua dela eta ez dagoela aho bateko adostasunik zientzialarien artean. Oro har, emozioek prozesu batzuk dakartzate, eta funtsezko hiru elementuk osatzen dituzte. Lehenengoak osagai kognitiboari egiten dio erreferentzia; osagai horrek egoera bat modu kontzientean edo inkontzientean ebaluatzea eta hautematea eskatzen du. Bigarrena osagai fisiologikoa da, nerbio-sistema autonomoaren nahigabeko aldaketak barne hartzen dituena, hala nola, bihotz-maiztasuna handitzea, izerditzea edo hormonak askatzea. Azkenik, jokabide-osagaia emozioak gorputz-hizkuntzaren, hitzezko komunikazioaren eta ekintzen bidez adieraztean agertzen da, eta horrela, ingurunearekiko elkarreragina errazten da eta emozioei lotutako erantzun fisiologikoak ematen dira. Emozioek funtsezko hiru funtzio betetzen dituzte: egokitze-funtzioa, pertsonei horiek eragiten dituzten inguruabarretara modu ezin hobean egokitzeko aukera ematen diena; motibazio-funtzioa, jokabidearen energia eta eraginkortasuna handitzen dituena, organismoa beharrizan eta jomugak asetzera bideratuz; eta komunikazio-funtzioa, pertsonen barruko eta pertsonen arteko komunikazioa barne hartzen duena, norberaren egoera emozionalari buruzko informazioa emanez eta besteen portaerari eraginez. Gaur egun, emozioei buruzko ikerketa dibertsifikatu egin da, eta diziplinarteko ikuspegiek haien ulermena aberastu dute, beren ikuspegi zehatzago eta sofistikatuagoa eskainiz. Neurozientzia, psikologia kognitiboa eta psikologia positiboa bezalako diziplinek, besteak beste, argia eman dute biologiarekin, pertzepzioarekin eta emozioen maneiuarekin lotutako gaiei buruz. Adimen emozionalaren 30 2.4. EGOERA EMOZIONALAK garapenaren garrantziari buruzko akordio bat ezarri da. Akordio horrek emozioak onartzearen eta erregulatzearen garrantzia nabarmentzen du, eta horrek, aldi berean, gure eguneroko bizipenen bilakaeran arrakasta izaten laguntzen du [45]. 2.4.2. Estresa Historian zehar, estresaren kontzeptuak eraldaketa esanguratsua izan du, eta sorreratik aurrera eguneroko erabilera duen hitz gisa ibili da, psikologiaren eta medikuntzaren esparruetan funtsezko zutabe bihurtu arte. Estres terminoa XVII. mendeko ingeniaritzan eta arkitekturan sortu zen, non materialei aplikatutako presioa edo tentsioa deskribatzeko eta objektuak kanpoko indarrei erantzunez nola deformatzen diren azaltzeko erabiltzen zen. Denborarekin, termino hori medikuntzara, biologiara eta kimikara hedatu zen. Hala ere, bere benetako eragina XX. mendearen hasieran gertatu zen, Walter Cannonen ikerketa iraultzaileei esker estres kontzeptua psikologian zein medikuntzan sartu zenean [54]. Bere ekarpenik esanguratsuena estresari buruzko teoria berritzaile bat garatzea izan zen, egoera potentzialki kaltegarrien aurrean funtsezko egokitzapen-mekanismo gisa, eta aldi berean homeostasis kontzeptua txertatu zuen [55]. Homeostasiak, Cannonen definizioaren arabera, organismo baten barneko ingurunearen propietateetan eta konposizioan konstantzia mantentzera bideratutako fenomeno autoerregulatzaileen multzoa biltzen du. Bere argudioetan, Cannonek esan zuen pertsona batek egoera arriskutsu bati aurre egin behar dionean, estresa instintuzko erantzun gisa agertzen dela, borroka edo ihesaren bidez, borrokaedo ihes-erantzuna deitu izan zaion printzipio bati aurre egiteko. Prozesu horretan, organismoa alarma-fase batean sartzen da, arousal deitua. Egoera horretan, nerbio-sistema autonomoa, zehazki bere adar sinpatikoa, aktibatu egiten da. Aldi berean, emozioen prozesamenduan berebiziko garrantzia duen sistema linbikoa martxan jartzen da. Bi sistemek modu harmoniatsuan laguntzen dute organismoaren oreka homeostatikoari eusteko. Aktibazio fisiologiko hori funtsezko osagaia da giza gorputzak arrisku-egoerei berez ematen dien erantzunean, eta funtsezko rola betetzen du estresari eta egokitzapenari buruzko Cannon-en teorian. XX. mendearen bigarren erdian, estresak osasunean eta portaeran zituen ondorio kaltegarriak aitortzen hasi ziren. Bilakaera horretan funtsezko zeregina Hans Selye endokrinologoak bete zuen, funtsezko kontzeptuak baliatu baitzituen, hala nola Egokitzapen Sindrome Orokorra (SGA [56]), estresarekiko etengabeko esposizioaren aurrean gorputzak dituen erantzun sistemikoak deskribatzen dituena, ikus 2.16. Irudia, [57]-tik ateratakoa. Bere obran, The Stress of Life [58], Selyek estresa definitu zuen gorputzak edozein eskariri emandako erantzun ez-espezifiko gisa, eta estresatzaile terminoa sortu zuen estresa eragin zuen agentea identifikatzeko. Erantzun ez-espezifikoari dagokionez, Selyek adierazten du gorputzak erreakzio komuna eta orokorra duela estresaren aurrean, eta antzera agertzen dela hainbat egoera estresagarritan, organismoak aurre egiten dion eskariaren edo estresatzailearen izaera zehatza kontuan hartu 31 3. KAPITULUA - SEINALE FISIOLOGIKOAK Presio arteriala bi parametrotan oinarrituta ebaluatzen da. Lehenengoari presio arterial sistolikoa (PAS) deitzen zaio. Presio hori arteria batean eragindako tentsioak eragiten du, bihotza uzkurtzen denean odola kanporatzeko. Bigarrena presio arterial diastolikoari (PAD) dagokio, bihotza lasaitzen denean arteria batean egindako presioak eragindakoa. Lagunarteko hizkuntzan, presio sistolikoari eta diastolikoari presio altua eta txikia esaten zaie, hurrenez hurren, lehenengoa bigarrena baino handiagoa baita zenbakiz. PA merkuriozko milimetrotan neurtzen da (mmHg). Pertsona osasuntsu batentzat balio normalak 120 mmHg (16 kPa) dira sistolikarentzat eta 80 mmHg (11 kPa) diastolikoarentzat. Presio arterial sistolikoaren balio handiegiak zein diastolikoaren balio oso baxuak arazo kardiobaskularrak eragin ditzakete. Pertsona baten odol-presioaren balioak modu erraz eta ez-inbaditzailean lortzen dira tentsiometroen bidez. Bere funtzioa odolak arterietan eragiten duen presioa neurtzea da, bi une zehatzetan. Lehen unean bihotza lasaitzen da, odolez bete dadin. Bigarrena bihotza uzkurtzeko uneari dagokio, odola kanporatzeko. Tensiometroa besoko batez osatuta dago. Besoan ukondoaren gainetik 2 cm inguru jartzen da, eta konprimitu egiten da zirkulazioa eten arte. Une horretan puzten hasten da eta PAren neurriak hartzen dira. 3.3. Irudian, [75]-tik ateratakoan, pertsona osasuntsu baten PAri dagokion seinale fisiologikoa bistaratzen da. Irudi horretan bertan agertzen da EKGa ere, eta, horri esker, presioaren seinalea ondoz ondoko taupada-tarteekin lotu daiteke. Presioa (mmHg) 120 100 80 1 0.5 0 -0.5 0 Tentsioa (mV) Sistolikoa Diastolikoa Denbora segundotan Presio arterialaren eta EKGren arteko korrelazioa Q S P T R 3.3. Irudia: Ondoz ondoko taupadetan jasotako presio arteriala. 38 3.4. JARDUERA ELEKTRODERMIKOA 3.4. Jarduera elektrodermikoa Larruazalaren jarduera elektrodermikoa (EDA) izerdi-guruinen erantzunarekin lotutako seinale fisiologiko bat da, lehenago tesi honen 2.2.1. Azpiataleko 2.1. Irudian erakutsia. Izerdi guruinen inerbazio sinpatikoaren adierazpen elektrikoa da [76], eta izerdia sortzean larruazalaren propietate elektrikoen aldaketa irudikatzen du. Giza ehunetako elektrizitatea asko aztertu da XIX. mendetik [77–79]. Bioelektrizitateari buruzko ikerketa berriak alternatibak sortzen ari dira osasunaren arloan. Jarduera elektrodermikoa seinale bioelektrikoetatik abiatuta diagnostiko eta tratamenduetan ebidentzia ugari dituen aplikazio ugarietako bat baino ez da [80]. Neurketan sentsibilitate handia du eta bere aldaketak pertsonaren egoera kognitibo eta emozionalarekin erlazionatzen dira [81]. Azken hori dela eta, EDA batez ere estresa neurtzeko erabili da [82–84]. Garrantzitsua da aipatzea giza larruazala bere forma puruan (elementu hidrolipidorik edo elektronegatibitate-propietateak dituzten agente arrotzik gabe) ez dela karga elektrikoen eroale ona [85]. Korne-geruzak menderatzen ditu larruazalaren propietate elektrikoak: eroankortasuna eta erresistentzia. Azken hori aldatu egiten da keratina epidermikoaren geruzaren lodieraren, garbiketaren eta lehortasunaren arabera [86]. Larruazalaren erresistentziari eragiten dion beste faktore bat izerdi-guruinen aldizkako kitzikagarritasun irregularra da. Izerdia honela osatuta dago: uraren %99 eta mineralen %1: gatzak, elektrolitoak edo ioiak. Mineral horiek, ingurune urtsuan diluituak, korronte elektrikoa elektrodo negatibotik (katodoa) positibora (anodoa) zirkulatzea ahalbidetzen dute, emaitza gisa zelula elektrolitiko baten eredu bidimentsional moduko bat emanez [85]. EDAren neurketa esku ahurraren edota atzamarren gainean elektrodoak jarriz egiten da, 3.4. Irudian ikus daitekeen bezala ([85]-tik lortua). (-) (+) 3.4. Irudia: EDA jasotzeko elektrodoak jartzea. EDA batez ere bi osagaik eratzen dute: tonikoak eta fasikoak. 3.5. Irudiak, [87]-tik ateratakoak, aldaketa moteleko jarduera sinpatiko tonikoa zein aldakuntza azkarreko jarduera fasikoa islatzen ditu. Jarduera sinpatiko tonikoa aldakuntza geldoekin lotuta dago eta maila elektrodermikoko unitateetan adie39 3. KAPITULUA - SEINALE FISIOLOGIKOAK raz daiteke (SCL). Aitzitik, jarduera fasiko sinpatikoa aldakuntza azkarrekin lotuta dago eta erantzun elektrodermikoen unitateetan adierazten da (SCR) [76]. EDA seinalea Osagai tonikoa Osagai fasikoa Konduktantzia (µS) Konduktantzia (a.u.) Konduktantzia (a.u.) Denbora (s) a) Osagai tonikoa Osagai fasikoa Denbora (s) Konduktantzia (µS) Konduktantzia (a.u.) Konduktantzia (a.u.) b) EDA seinalea 3.5. Irudia: EDA seinale fisiologikoa bere bi osagaiekin. a) Irudia. Kanpoko estimuluen eraginpean dagoen subjektua. b) Irudia. Estimulurik gabeko subjektua. 40 3.5. BIHOTZEKO INPEDANTZIA 3.5. Bihotzeko inpedantzia Bihotz-inpedantzia teknika ez-inbaditzailea da, taupadaka egindako gastu kardiakoa azkar, etengabe eta erreproduzitzeko moduan zehaztea ahalbidetzen duena. Bihotz-zikloan aortako odol-bolumenaren aldaketen ondorioz toraxaren erresistentzia elektrikoan gertatzen diren aldaketak neurtzen ditu. Sistolean eta diastolean zehar izandako inpedantziaren edo odol-bolumenaren gorabeheren etengabeko neurketa horri esker, bolumen sistolikoa, gastu kardiakoa, kontraktilitate miokardikoa eta toraxaren fluidoaren guztizko edukia zehaztu daitezke [88]. Bihotzeko gastua teknika ez-inbaditzaileen bidez zehaztea [89] teknika inbaditzaileak aplikatzeko problematika ezabatzen saiatzen da, Swan-Ganz kateterraren kasuan bezala [90,91]. Bihotzeko inpedantziaren azterketa eta erabilera etengabe garatu da azken berrogeita hamar urteetan. National Aeronautical and Space Administration (NASA) erakundeko ikertzaileek, William Kubiceckekin batera, bihotzaren inpedantzia egiteko lehen metodo praktikoa garatu zuten 1960ko hamarkadan, toraxeko bioinpedantzia elektrikoaren (TEB) kontzeptua aplikatuz [92]. Gaur egungo inpedantzia-kardiografiako gailuek elektrodo tetrapolarren sistema erabiltzen dute; ikusi 3.6. Irudia, [88]-tik hartua. Bi elektrodoren bidez (bata abdomenaren goiko aldean eta bestea lepoaren goiko aldean) maiztasun altuko eta magnitude baxuko korronte konstante bat sartzen da, toraxean eremu elektriko homogeneo bat sortuz. Beste bi elektrodoek, bata lepoaren sustraian eta bestea bularrezurraren beheko muturrean, tentsioaren aldaketak eta elektrokardiogramaren seinalea detektatzen dituzte [89]. Toraxean sartzen den korrontea Inpedantzian detektatuko aldaketak 3.6. Irudia: Elektrodo tetrapolarren sistema. Korronte elektrikoa toraxera sartzen da kanpoko elektrodoen bidez. Toraxeko korrontearen fluxuarekiko inpedantzia-aldaketak elektrodo barnekoenek detektatzen dituzte. 41 3. KAPITULUA - SEINALE FISIOLOGIKOAK Bihotzeko inpedantziaren kalkulua Ohm-en legean oinarritzen da, ikusi 3.1 ekuazioa, zeinean zirkuito baten terminal baten tentsioaren jauskera (E) korronte elektriko baten fluxua (I) adinakoa baita, korronte-fluxuarekiko erresistentzia edo inpedantziaz (Z) zatituta. I=E/Z o Z =E/I (3.1) Kubicek-ek, [88]-tik ateratako 3.7. Irudian ikus daitekeen bezala, toraxa eremu sekzionala (A) eta luzera (l) dituen zilindro soil gisa hartu zuen, eroale elektriko ez-homogeneo gisa balioko lukeena. Planteamendu horri esker, Ohmen legea aplikatu ahal izan zuen organismoan [93]. 3.7. Irudia: Toraxaren eredu zilindriko sinplifikatua. As: odolez betetako eremu sekzionala. At: gainerako ehunek okupatutako eremu sekzionala. 3.8. Irudian [88]-tik ateratako bihotz-inpedantziari dagokion bioseinalea bistaratzen da. 42 3.5. BIHOTZEKO INPEDANTZIA ECG ΔZ dZ/dt A dZ/dtmax Z0 B T P ITS QRS C X O Y sistolea diastolea PPE TRIV TEV TLLV 3.8. Irudia: Inpedantzia-kardiografiaren trazadura eta uhinak. Z0: inpedantzia basala; A: uzkurdura aurikularra (sistole elektromekanikoaren hasiera); B: aorta-balbularen irekiera; C: aorta-fluxu gehieneko puntua (dZ/dtmax), uzkurdura mekanikoa; X: aorta-balbularen itxiera; Y: birika-balbularen itxiera; O: mitral-balbularen irekiera; PPE: aurre-ejekzio-aldia; TEV : ejekzio bentrikularreko denbora; TRIV : erlaxazio isobolumetrikoko denbora; TLLV : bentrikulubetetze-denbora, ITS: denbora-tarte sistolikoa. 43 3. KAPITULUA - SEINALE FISIOLOGIKOAK 44 4. Kapitulua Ikaskuntza Automatikoan oinarritutako teknikak 4.1. Hitzaurrea Adimen artifiziala (AA), 1956an Dartmoutheko Konferentzian formalki proposatutako adierazpena [94], informatikaren barruko ikerketa-eremu bat da, eta bere helburua da giza adimenaren esku-hartzea behar duten zereginak egiteko gaitasuna duten sistemak garatzea. Sistema horiek prozesu kognitiboak emulatzen ahalegintzen dira, hala nola arrazoiketa, ikaskuntza, pertzepzioa eta erabakiak hartzea. AAren helburu nagusia arazoei modu autonomoan eta moldagarrian aurre egin ahal izateko makinak sortzea da, beren esperientziatik ikasiz eta denbora igaro ahala errendimendua hobetuz. Adimen artifiziala sistema oso bat bezala ikusten den arren, egia esan, sistema batean inplementatutako teknologien nahaspila bat da, arrazoitzeko, ikasteko eta arazo konplexuei aurre egiteko aukera emango dioten erabakiak hartzeko gaitze aldera. AAren esparruan Ikaskuntza Automatikoa (Machine Learning, ML) dago. Giza prozesu kognitiboak emulatzea eta adimena eskatzen duten zereginak egitea bilatzen duten sistemak eta algoritmoak garatzea du helburu, hau da, sistemen ulermen-gaitasuna hobetzea. Algoritmo mota hori aldez aurretik biltegiratutako datu edo adibideetan oinarrituta ikasten da. Ondoren, 4.2. Atalean, Ikaskuntza Automatikoari eta haren formei buruzko deskribapen zehatza emango da. 4.3. Atala Gainbegiratutako Ikaskuntzaren eremua osatzen duten algoritmoen azalpen zehatza emateko erabiliko da. Gainera, 4.4. Atalean, sailkatzaileen ebaluazioeta baliozkotze-prozesua zehaztuko da, baita haien jarduna ebaluatzeko aukera ematen duten hainbat metrikaren azalpena ere. Azkenik, 4.5. Atalean, emaitzen garrantziaren analisia egiteko tesi honetan erabilitako metodo estatistikoak azalduko dira. 45 4. KAPITULUA - IKASKUNTZA AUTOMATIKOAN OINARRITUTAKO TEKNIKAK 4.2. Ikaskuntza Automatikoa Ikaskuntza Automatikoa AAren adar bat da, makinek datuetatik abiatuta ikasteko eta programazio espliziturik gabe zereginak egiteko aukera izan dezaten. Funtsean, algoritmo matematikoak dira, eta sarrera-aldagaien araberako emaitza lortzea dute helburu. Ikaskuntza Automatikoak berekin dakar datu-historiko batetik abiatuta ikasteko eta bere burua hobetzeko gai diren algoritmoak garatzea, patroiak ezagutzea eta erabakiak hartzea pertsona baten laguntzarik behar izan gabe. Argibide programatuei jarraitu beharrean, Ikaskuntza Automatikoko algoritmoak datuetara egokitzen dira automatikoki, eta haien errendimendua hobetzen dute, datu gehiago erakutsi eta horiekin entrenatzen diren heinean. Ikaskuntza Automatikoaren ereduak entrenamendu-datuekin algoritmo bat exekutatzearen emaitza dira. Oro har, entrenamendurako zenbat eta datu gehiago erabili, eredua hobea izango da, eta iragarpenak egiteko edo erabaki zehatzak hartzeko gaitasuna izango du. Laburbilduz, Ikaskuntza Automatikoa analisi-tresna bat da eta datu kopuru handiekin elikatutako algoritmoen bidez giza portaerak imitatzeko gai da. Egoeraren eta erabili diren datuen arabera, algoritmo horiek erabaki desberdinak hartzen ikasiko dute, eta eredu matematiko bat sortuko dute, makinari automatikoki jarduteko aukera emango diona, konpondu beharreko arazora egokituta. Ikaskuntza Automatikoak funtsezko lau etapa ditu. Lehenengo etapa datuak biltzea da. Bertan, ebatzi beharreko arazoari buruzko datu garrantzitsuak biltzen dira, bai etiketatutako adibideak, bai etiketatu gabekoak. Horrez gain, Ikaskuntza Automatikoko algoritmoetarako aurreprozesuko fase bat edo datuak prestatzeko fase bat izan ohi du. Bigarren etapan, ereduaren entrenamendua deiturikoan, algoritmo egokia aukeratzen da eta eredu prediktibo bat eraikitzeko entrenamendu-datuetan patroiak eta erlazioak bilatzen dira. Prozesu horretan, algoritmoak bere parametroak doitzen ditu ereduaren zehaztasuna hobetzeko (baliozkotze-datuen bidez). Hirugarren etapa ebaluazioa eta iragarpena da. Bertan, ereduaren errendimendua ebaluatzen da, orain arte erabili ez diren datu gehigarriak erabiliz (testedo proba-multzoa). Azkenik, laugarren etapan, hau da, ustiapen-fasean, errendimendu egokia egiaztatu ondoren, ereduak datu berrietan eta aurrez ezagutu gabekoetan iragarpenak egiteko gaitasuna du. Ikaskuntza Automatikoa funtsezko bi kategoriatan oinarritzen da nagusiki: Gainbegiratutako Ikaskuntza eta Gainbegiratu Gabeko Ikaskuntza. Lehenengoan, entrenamendu-fasean, eredua gaitzeko erabiltzen diren datuak aldez aurretik etiketatu behar izan dira. Etiketa hori mendeko klasea edo aldagaia da. Bigarrenean, aldiz, etiketarik ez duten datuetan ereduak eta egiturak bilatzen dira. Hau da, ereduak modu autonomoan ikasten du, aurreikusitako kategoriei edo emaitzei buruzko aurretiazko informazioaren mende egon gabe. Bi modalitateetan, datu batekin lotutako informazioa (patroi bat, kasu bat edo adibide bat) aldagai independenteen bidez adierazten da, atributu edo ezaugarri gisa ere ezagutzen direnak. Hurrengo atalean, Gainbegiratutako Ikaskuntza Automati46 4.3. GAINBEGIRATUTAKO IKASKUNTZAKO ALGORITMOAK koaren algoritmoak deskribatuko dira, tesi honetan algoritmoak soilik garatzen baitira kategoria honen barruan. 4.3. Gainbegiratutako Ikaskuntzako algoritmoak Aurrez aipatu bezala, Gainbegiratutako Ikaskuntzaren ikuspegian, algoritmoa etiketatutako datuak erabiliz entrenatzen da. Hau da, entrenamendu-multzoak adibideak ditu, espero diren emaitzekin batera. Helburua da ereduak sarrerak irteera zuzenekin lotzen ikastea eta datuetan iragarpen zehatzak egin ahal izatea, aurrez ikusi gabeko etiketarik jarri gabe. Beste era batera esanda, algoritmoak orokortzeko gaitasuna garatzea da helburua. Ikaskuntza Automatikoko algoritmoak bi arazo motatan banatzen dira: sailkapena eta erregresioa, ikus 4.1. Irudia [95]-tik aterata. Lehenengo arazoa gertatzen da klasea aldagai diskretua denean eta algoritmoa klase desberdinei elementuak esleitzeaz arduratzen denean, emandako datuetan aurkitzen dituen patroien arabera. Horrela, elementu berri bat zein taldetakoa den iragar dezake. Bestalde, erregresio-arazoa gertatzen da klasea aldagai jarraitua denean eta helburua zenbakizko balio espezifiko bat lortzea denean, elementua talde bati esleitu beharrean. Beste era batera esanda, algoritmoak datuetan oinarritutako estimazio bat egiten du nahi den zenbakizko iragarpena emateko. SAILKAPENA ERREGRESIOA 4.1. Irudia: Sailkapena (klaseen arteko bereizketa) eta erregresioa (balio jarraitu baten iragarpena) arazoen irudikapen grafikoa. 4.2. aurreko Atalean deskribatu den bezala, Gainbegiratutako Ikaskuntzako algoritmoek funtsezko lau etapako prozesuari jarraitzen diote. Lehenengo etapan, atributuak eta dagozkien etiketak biltzen dira. Gero, bigarren etapan, eredu 47 4. KAPITULUA - IKASKUNTZA AUTOMATIKOAN OINARRITUTAKO TEKNIKAK (Hfinal)azken sailkatzailea sailkatzaile sinpleen (h1,h2 eta h3) haztapen gisa eraikitzen da, 4.6. Irudian erakusten den bezala. 4.6. Irudia: Azken sailkatzailea lortzea. (αt)balioak [103]-ren metodoaren azalpen xehatuan agertzen diren haztapenak dira. Aurreko adibidean ikus daitekeen bezala, AdaBoost metodoaren abantaila nagusietako bat sailkatzaile ahulen errendimendua hobetzea eta eredu zehatzagoa eta orokorragoa sortzea da. Hala ere, bere mugen artean gaindoikuntzarako duen joera nabarmentzen da, entrenamendu-multzoak zarata edo balio atipikoak dituenean ager daitekeena. Eraginkorra izan arren, AdaBoost-a beste ikaskuntza-algoritmo batzuk baino motelagoa izan daiteke, prozesu iteratiboa eta instantzien haztapena direla eta. Gogoeta horiek gorabehera, AdaBoost-a asko erabiltzen da sailkapen-arazoetan, eta mundu errealeko hainbat aplikaziotan eraginkorra dela erakutsi du. Random Forest (RF) Random Forest algoritmoa, Leo Breimanek eta Adele Cutlerrek proposatua [104], Gainbegiratutako Ikaskuntza Automatikoko teknika bat da, sailkapenzereginetarako zein erregresio-zereginetarako erabiltzen dena. Bagging-a eta Boosting-a bezala, ensemble learning (baterako ikaskuntza) ideian oinarritzen da, non eredu asko konbinatzen diren algoritmoaren errendimendu orokorra hobetzeko. Funtsean, metodo honek hainbat erabaki-zuhaitz sortzen ditu entrenamendu-datuen multzo batetik abiatuta, eta emaitzak konbinatzen ditu zuhaitz bakoitzaren banakako emaitzekin alderatuta eredu bakarra eta sendoagoa sortzeko. RF algoritmoa bereizten eta ezaugarritzen duena da konbinazio hori datuen eta ezaugarrien ausazko laginketa-tekniken bidez lortzen dela, eta horrek algoritmoari zaratarekiko erresistentzia eta dimentsionalitate handiko datumultzo handiak maneiatzeko gaitasuna ematen dio. Azken batean, RF algoritmoak Ikaskuntza Automatikoko ataza askotan eraginkorra dela erakutsi du, bereziki zehaztasun eta erresistentzia oneko ereduak bilatzen direnean. 4.7. Irudian, [105]-tik ateratakoan, RF algoritmoaren funtzionamendua osatzen duten lau etapak bistaratzen dira. Etapa hauek dira: basoaren sorrera, zuhaitzen entrenamendua, ezaugarrien hautaketa eta iragarpena. 54 4.3. GAINBEGIRATUTAKO IKASKUNTZAKO ALGORITMOAK X datu-multzoa N1 ezaugarriak N4 ezaugarriak N3 ezaugarriak N2 ezaugarriak 1.NZUHAITZA 4.NZUHAITZA 3.NZUHAITZA 2.NZUHAITZA C KLASEA D KLASEA B KLASEA C KLASEA GEHIENGOAREN NNALDEKO BOTOA AZKEN KLASEA 4.7. Irudia: Random Forest algoritmoaren funtzionamendua. Hasteko, RFak hainbat erabaki-zuhaitz sortzen ditu modu independentean. Basoko zuhaitz kopurua aurretik doitu daitekeen parametro bat da. Zuhaitz horietako bakoitza entrenamendu-datuen ausazko lagin bat eta ezaugarrien (atributuak) ausazko azpimultzo bat erabiliz eraikitzen da. Ausazko laginketa-estrategia honek zuhaitz bakoitzaren aniztasuna bermatzen du, eta horrek algoritmoaren eraginkortasunari eta sendotasunari laguntzen dio. Hurrengo etapan, zuhaitz bakoitza Bagging prozesuaren bidez entrenatzen da. Horrek esan nahi du zuhaitz bakoitza jatorrizko entrenamendu multzotik hartutako ausazko lagin batekin entrenatzen dela, adibide batzuk errepikatzeko eta beste batzuk baztertzeko aukerarekin. Ordeztutako ausazko laginketaren teknika honek aldakortasuna dakar zuhaitzen entrenamenduan, haien arteko korrelazio handia saihestuz eta algoritmoa orokortzeko gaitasuna hobetuz. Ondoren, hirugarren etapan, algoritmoak ezaugarrien ausazko laginketa egiten du. Basoko zuhaitz bakoitzaren nodo bakoitzean, ezaugarrien ausazko azpimultzo bat hautatzen da, puntu horretan zatiketarik onena zehazteko. Ezaugarriak ausaz hautatzeko estrategia hori funtsezkoa da zuhaitzen arteko korrelazioa murrizteko eta eredua orokortzeko gaitasuna hobetzeko. Zuhaitz bakoitzean hainbat ezaugarri-azpimultzo erabiltzean, baso anitzagoa eta sendoagoa lortzen da, eta horrek gaindoikuntza prebenitzen eta datu berrietan iragarpenen zehaztasuna handitzen laguntzen du. Azkenik, basoko zuhaitz guztiak eraiki ondoren, baso osoa erabiltzen da iragarpenak egiteko. Sailkapen atazetan, zuhaitz bakoitzak iragarpen bat igortzen du, eta RFren azken iragarpena gehiengoaren bozketaren bidez zehazten da, zuhaitz guztien erantzunak kontuan hartuta. Bestalde, erregresio atazetan, 55 4. KAPITULUA - IKASKUNTZA AUTOMATIKOAN OINARRITUTAKO TEKNIKAK zuhaitz guztien iragarpenen batezbestekoa egiten da azken emaitza lortzeko. Zuhaitz independenteetatik datozen iragarpen anitzen konbinazio honek RF algoritmoaren zehaztasuna eta egonkortasuna indartzen ditu Ikaskuntza Automatikoko hainbat aplikaziotan. RF algoritmoak modeloaren entrenamenduan erabilitako ezaugarrien garrantziari buruzko informazio garrantzitsua ematen du. Garrantzizko neurri hori ezaugarri bakoitza sartzeak ereduaren zehaztasuna hobetzen laguntzen duen zenbatekoan oinarritzen da. Funtzionalitate horri esker, hobeto uler daiteke ezaugarriek nola eragiten duten ereduaren aurreikuspenetan, eta errazagoa da lortutako emaitzak interpretatzea. RFak hainbat abantaila esanguratsu eskaintzen ditu. Lehenik eta behin, entrenatzeko erraztasunagatik nabarmentzen da, errazagoa baita teknika konplexuekin alderatuta, baina antzeko errendimenduari eutsiz. Gainera, zehaztasuna mantentzeko gai da, baita datu galduen proportzio esanguratsuekin ere, eta datu-base handietan errendimendu handia erakusten du. Iragarle bat baino gehiago erabiltzeko gaitasuna, bat bera ere baztertu gabe, eta iragarle horien garrantzia balioesteko trebetasuna direla medio, dimentsionaltasuna murrizteko tresna baliotsua da. Datu zaratatsuen eta balio atipikoen aurrean duen sendotasunagatik ere nabarmentzen da, datuak normalizatzeko beharrik gabe eta erabakitzeko zuhaitz bakar batekin alderatuta gaindoikuntzarako joera txikiagoarekin. Gainera, ezaugarrien garrantziaren neurketa bat ematen du, atributuen hautaketa erraztuz. Bestalde, RFak ere baditu zenbait desabantaila. Bere eragozpen nagusia konputazioan datza, baliabideei dagokienez garestia izan daitekeelako eredu sinpleagoekin alderatuta. Gaindoitzeko joera txikiagoa duen arren, zuhaitzen artean nolabaiteko korrelazioa egon daiteke zuhaitz kopurua txikia bada. Bestalde, emaitzak grafikoki ikusteak interpretatzeko zailtasunak ekar ditzake, basoaren konplexutasuna dela eta. Gainera, bere iragarpenak ez dira jarraituak eta ereduaren entrenamenduan erabilitako datu-multzoaren balio-tartera mugatuta daude. Maila desberdinetako iragarle kategorikoak dituzten egoeretan, emaitzak maila altuenetara lerratu daitezke. 4.3.4. k Nearest Neighbours (k-NN) k-Nearest Neighbors algoritmoa (k-NN) Ikaskuntza Automatikoko metodo ezagun bat da, sailkatzeko eta erregresiorako erabiltzen dena. Instantzietan oinarritutako ikuspegia da, eta horrek esan nahi du ez duela eredu esplizitu bat ikasten entrenamenduan zehar. Horren ordez, entrenamendu-datuen zati bat gordetzen du, erreferentzia-patroien multzoa (CPR) izenekoa, eta instantzien arteko antzekotasuna erabiltzen du iragarpenak egiteko. Kalitatezko CPR bat sortzeko, edizio-teknikak inplementatzen dira, erreferentzia-patroien multzoaren kalitatean eragina izan dezaketen datu ez-sendoak edo okerrak ezabatzea barne. Halaber, datuek formatu uniformea izatea eta eskala berean egotea ziurtatzen da, konparazioa eta analisia errazteko. Gainera, kondentsazio-teknikak aplikatzen dira datuen konplexutasuna sinplifikatzeko, funtsezko informazioa galdu gabe, eta jatorrizko datu-multzoaren lagin adierazgarri bat aukeratzeko; 56 4.3. GAINBEGIRATUTAKO IKASKUNTZAKO ALGORITMOAK horrela, datuen tamaina murrizten da, patroien aniztasuna sakrifikatu gabe. Instantzia berri baten zein erreferentzia-multzoren antz handiena duen zehazterakoan, k-NN algoritmoak instantzia berri horrek aldez aurretik sailkatutako instantziekiko duen hurbiltasuna kalkulatzen du, distantzia-neurriak erabiliz, hala nola distantzia euklidearra. Gero, bozketa-prozesu bat hasten da, eta instantzia berria klaseko kide gisa sailkatzen da, hurbileko instantzia gehien dituena. Horretarako, k parametroa erabiltzen da, eta parametro horrek zehazten du gertuen dauden instantzietatik zenbat hartuko diren kontuan bozketan, ez baitira instantzia guztiak kontuan hartzen, baizik eta hurbilen daudenak bakarrik. Funtsezkoa da k-rako balio egokia aukeratzea, horrek eragin nabarmena izan baitezake sailkapenaren emaitzan. k txikia bada, eredua zaratarekiko eta ezohiko balioekiko sentikorra izan daiteke; aldiz, balio handi batek eredu konplexuetara egokitzeko gaitasuna murriztu dezake. 4.8. Irudian, [106]-tik aterata, algoritmo hori erabiliz egindako sailkapenaren adibide bat ikusten da. Bertan, emaitzen arteko aldea ikusten da, aukeratzen den k balioaren arabera. Diagraman bi klase bereiz daitezke, A klasea eta B klasea. Helburua da puntu berri bat sartzean bi klaseetako batean sailkatzea. Datu berri bat sartzen denean (izar batek irudikatua), k-NN algoritmoak bere sailkapenprozedura erabiltzen du datu berri horri klase bat esleitzeko. k balioa 3 denean, izarraren inguruan zirkunferentzia bat sortzen da, izarretik hurbilen dauden 3 puntuak hartzen dituena. Zirkunferentzia honen barruan, B klaseko 2 puntu eta A klaseko puntu 1 daude. Kasu honetan, k-NNk izarra B klasean sailkatuko du, klase horretako puntu gehiago baitaude bere 3 ondoko hurbilenen artean. Hala ere, k balioa 6ra aldatuz gero, egoera aldatu egiten da. Orain, izarraren 6 ondoko hurbilenen artean, 4 A klasekoak dira eta 2 bakarrik B klasekoak. Beraz, k-NNk izarra A klasean sailkatuko du. A klasea B klasea K = 3 K = 6 X2 X1 4.8. Irudia: k-NN metodoa erabiliz sailkatzeko prozedura. 57 4. KAPITULUA - IKASKUNTZA AUTOMATIKOAN OINARRITUTAKO TEKNIKAK Laburbilduz, k-NN ikuspegi erabilgarria eta erraza da, instantzien arteko hurbiltasuna erabiltzen du iragarpenak egiteko, baina k egokina aukeratzea funtsezko alderdia da sailkapen-zereginetan emaitza zehatzak lortzeko. k-NN algoritmoak abantaila esanguratsuak eskaintzen ditu bere sinpletasunari, inplementatzeko erraztasunari eta datuetako harreman konplexuetarako moldagarritasunari dagokienez. Hala eta guztiz ere, garrantzitsua da zenbait muga kontuan hartzea, hala nola kostu konputazional handia sailkapenean zehar, bereziki entrenamendu talde handientzat edo denbora errealeko iragarpenentzat. Kasu horietan, eskaeren arteko distantziak kalkulatzea garestia izan daiteke. Gainera, funtsezkoa da datuen aurreprozesamendu egokia egitea, alborapenak saihesteko eta ereduaren osotasuna bermatzeko, ezaugarrien normalizazioa barne, eskala bera izan dezaten, eta falta diren balioak erabil daitezen. 4.3.5. Na¨ıve Bayes (NB) Na¨ıve Bayes (NB) Ikaskuntza Automatikoko algoritmo bat da, datuen sailkapenean eta testu-meatzaritzan oso erabilia, ezaugarrien arteko baldintzapeko independentzia bere gain hartzen duena, eta horrek aplikazio konkretu batzuetan azkar eta eraginkor bihurtzen du. NB algoritmoa Bayesen teoreman oinarritzen da, bi gertakariren baldintzazko probabilitateen arteko erlazioa ezartzen duena. Demagun ezaugarri multzo bat X(atributuak) eta Cklaseko etiketa bat ditugula. 4.1 ekuazioan Bayesen teoremak emandako adierazpena agertzen da. P(C|X) = P(X|C)∗P(C) P(X)(4.1) 4.1 ekuazioan, P(C |X)-k instantzia Cklasekoa izateko probabilitatea adierazten du, Xezaugarrien balioa kontuan hartuta (a poteriori probabilitatea). P(X|C) X ezaugarriak gertatzeko probabilitatea da, instantzia Cklasekoa delako. Azkenik, P(C) C klasearen aurretiko probabilitatea da (a priori probabilitatea) eta P(X) X ezaugarrien probabilitatea da. Lehen esan bezala, algoritmo hori baldintzapeko independentzian oinarritzen da (hortik dator Na¨ıve terminoa), eta horrek esan nahi du Xezaugarri guztiak independentetzat jotzen direla, Cklasearen balioa kontuan hartuta. Horrek ezaugarri bat egoteak edo ez egoteak ez duela eraginik beste ezaugarri batzuen presentzian edo absentzian esan nahi du. [107]-tik aldatutako 4.9. Irudian ikus daitekeenez, algoritmo honekin sailkatzeko prozesuan, lehenik eta behin etiketatutako instantziak dituen entrenamendu-multzo bat behar da. Algoritmoak klase bakoitzerako ezaugarrien probabilitateak eta klase bakoitzaren aurretiko probabilitatea kalkulatzen ditu. Ondoren, etiketatu gabeko instantzia berri bat aurkezten denean, algoritmoak Bayesen teorema eta baldintzapeko independentzia-ustea erabiliz klase bakoitzarena izateko probabilitatea estimatzen du. Azkenik, probabilitate handiena duen klasearen etiketa esleitzen da, hala nola iragarpena. 58 4.3. GAINBEGIRATUTAKO IKASKUNTZAKO ALGORITMOAK 𝑷(𝑪|𝑿)= 𝑷(𝑿|𝑪)∗ 𝑷(𝑪) 𝑷(𝑿) 4.9. Irudia: Sailkapen prozesua Na¨ıve Bayes algoritmoaren bidez. Na¨ıve Bayes-en hiru aldaera daude, bakoitza ezaugarri eta aplikazio espezifikoekin. Lehenengoa NB Gaussianoa da, ezaugarriek banaketa normala dutela onartzen denean erabiltzen dena. Mota hau erabilgarria da datuak kanpai edo gaussiana banaketa bati egokitzen zaizkionean. Bigarrenik, NB Multinomial aldaera dago, ezaugarri diskretu edo kategorikoetarako egokia. Bereziki erabiltzen da testua sailkatzeko arazoetan, hala nola sentimenduaren analisian (testu baten polaritate emozionala zehaztea, hau da, testuak sentimendu positiboak, negatiboak edo neutroak adierazten dituen zehaztea) edo dokumentuen sailkapenean (dokumentu bati kategoria bat esleitzea edukian oinarrituta), non hitzburutazioak (hitz konkretu batzuk agertzen diren maiztasunez) kontatzen diren. Azkenik, hirugarren mota NB Bernoulli da, eta bertan onartzen da ezaugarriak bitarrak direla, hau da, benetako edo gezurrezko balioak dituztela. Testua sailkatzeko arazoetan ere erabiltzen da, eta egokia da hitzen presentzia edo gabezia bakarrik kontuan hartzen denean. Aldaera bakoitzak bere abantailak eta aplikazio espezifikoak ditu, eta horrek aukera ematen du Ikaskuntza Automatikoan eta datuen sailkapenean hainbat egoeratara egokitzeko. Hala ere, garrantzitsua da kontuan hartzea baldintzapeko independentzia kasu batzuetan ez dela baliozkoa eta eragina izan dezakeela algoritmoaren zehaztasunean. Hala eta guztiz ere, Na¨ıve Bayes aukera hedatua da oraindik ere, hainbat aplikaziotan duen sinpletasuna eta errendimendu ona dela eta. 4.3.6. Support Vector Machines (SVM) Euskarri-Bektorialeko Makinen algoritmoak, SVM izenez ezagutzen denak ingelesezko siglengatik (Support Vector Machines), ospe handia lortu du, datumultzo konplexuetan sailkapen zehatzak egiteko duen gaitasunagatik. Asko erabiltzen da sailkapeneta erregresio-zereginetan Gainbegiratutako Ikaskuntzaren eremuan. 59 4. KAPITULUA - IKASKUNTZA AUTOMATIKOAN OINARRITUTAKO TEKNIKAK SVMren helburu nagusia klaseen arteko ahalik eta bereizketarik onena bilatzea da, klase desberdinen arteko datuak hobeto bereizten dituen hiperplano optimoa aurkituz. Hiperplano hau azalera laua baino ez da, (n-1) dimentsiokoa, non n-k datuen ezaugarri edo atributuen kantitatea adierazten duen. Horrela, hiperplanoak klase ezberdinen arteko muga gisa jokatzen du. Hiperplanoaz gain, algoritmo honetarako funtsezko bigarren kontzeptu bat dago: euskarribektoreak. Hiperplanoak ezarritako mugatik gertuen dauden eta muga horren kokapenean eta orientazioan eragina duten datuen puntuak dira. Algoritmoak klaseen arteko tartea maximizatu nahi du, hau da, hiperplanoaren eta euskarri-bektoreen arteko distantzia perpendikularra. Klaseak bereiziko dituen lerro optimo bat aurkitu beharrean, SVMk hiperplano bat aurkitzen du, bereizketa-marjina maximizatzen duena, eta horrek datu berrietan orokortzeko gaitasun hobea ematen du. [108]-tik aldatutako 4.10. Irudiak bi klasetako distantzien arteko gehieneko tartea lortuko lukeen hiperplanoaren adibide bat erakusten du. Gehieneko marjina Euskarri-bektoreak 4.10. Irudia: Sailkapen optimoa euskarri-bektoreen makinekin. Kasu askotan, SVM algoritmoa entrenatzeko erabiltzen diren datuek zarata izan dezakete edo modu inperfektuan etiketatuta egon daitezke. Gainera, batzuetan, datu puntu batzuk zaila da behar bezala sailkatzea, arazoa konplexuegia delako. Hala ere, kasu gehienetan, Ikaskuntza Automatikoaren ereduak ondo orokortzea bilatzen da, nahiz eta entrenamendu multzoan puntu gutxi batzuk era bikainean sailkatuta ez egon. 60 4.3. GAINBEGIRATUTAKO IKASKUNTZAKO ALGORITMOAK Egoera horiei aurre egiteko, SVMk konponbide bat eskaintzen du Cizeneko hiperparametro bat erabiliz. Hiperparametro hau alfa-ren alderantzizkoaren antzekoa da Ridge, Lasso eta ElasticNet erregularizazioetan [109]. Chiperparametroaren bidez, ereduari aplikatzen zaion erregularizazio-kantitatea kontrola dezakegu. Beste era batera esanda, C-k zehazten du nola den zorrotza edo malgua SVMa, sailkapen-prozesuan puntu batzuk ezin hobeto doitzea ahalbidetzen baitu. [108]-tik aldatutako 4.11. Irudiak erakusten du nola SVM gai den kasu gehienetan ondo orokortzeko, baita entrenamendu multzoko puntu batzuk behar bezala sailkatuta ez daudenean ere. Horri esker, eredua sendoagoa da eta datu berrietan hobeto lan egiten du. C = 1 𝛼 4.11. Irudia: Sailkapen optimoa euskarri-bektoreen makinekin erregularizazioteknika aplikatuta. Batzuetan ezinezkoa da bi klase bereiztea ahalbidetzen duen hiperplano bat aurkitzea, linealki bereizgarriak ez diren klaseak bezala ezagutzen dena. Arazo horri aurre egiteko, Kernelaren transformazio-teknika erabiltzen da, hau da, dimentsio berri bat sortzea, klaseak bereizteko hiperplano bat aurkitu ahal izateko. [108]-tik aldatutako 4.12. Irudiak adibide bat ematen du: dimentsio berri hori gehitzean, bi klaseak erraz bereiz daitezke erabaki-azalera baten bidez. Horrela, SVMk hiperplano ezin hobea eraiki dezake espazio berrian, klaseak eraginkortasunez bereizteko. Teknika hau bereziki erabilgarria da datu konplexuekin edo ez-linealekin lan egiten denean, bereizteko aukerak zabaltzen dituelako eta SVM algoritmoaren errendimendua hobetzen duelako. 61 4. KAPITULUA - IKASKUNTZA AUTOMATIKOAN OINARRITUTAKO TEKNIKAK y x _ x x _ x z y Erabaki-azalera 4.12. Irudia: Sailkapen optimoa euskarri-bektoreen makinekin Kernelen transformazio-teknika aplikatuta. SVM algoritmoa dimentsio handiko espazioetan duen eraginkortasunagatik nabarmentzen da, sailkapen bitarreko eta multiklaseko arazoetan duen errendimendu onagatik eta kernelak erabiliz linealki bereiz ez daitezkeen datuei heltzeko duen gaitasunagatik, eta horrek gaindoikuntza-arriskua murrizten du. Hala ere, desabantailak ditu, hala nola hiperparametroak kontu handiz doitzeko beharra, datu multzo oso handietan izan dezaketen kostu konputazionala eta ezaugarri kopurua lagin kopurua baino askoz handiagoa denean duten muga. 4.3.7. Logistic Regression (LR) Erregresio Logistikoak (edo Logistic Regression ingelesez, LR) bi emaitza posiblerekin modelatzen ditu probabilitateak sailkapen-arazoetan, hau da, nagusiki sailkapen bitarreko zereginetarako erabiltzen den Gainbegiratutako Ikaskuntzako algoritmo bat da. Asko erabiltzen da datu-zientzia, Ikaskuntza Automatikoa eta estatistika bezalako arloetan. Izenak erregresio hitza barne hartzen duen arren, LRa sailkapen-teknika bat da, eta ez erregresio linealaren eredutik eratorriko erregresio-teknika bat. Erregresio linealaren eredua erregresio-zereginetan eraginkorra izan daiteke, baina arazoak izaten ditu sailkapen-arazoei aplikatzen zaienean. Izan ere, ikuspegi lineala ez da egokia sailkatzeko aukerak sortzeko, eta ez du ahalmenik klaseak zenbakizko balio gisa interpretatzeko (0 eta 1). Gainera, eredu linealak puntuen arteko interpolazioa egiteko joera du, eta horrek zaildu egiten du emaitzak probabilitate gisa interpretatzea. Hala ere, Erregresio Logistikoak sailkapenerako irtenbide bat eskaintzen du funtzio logistikoa erabiliz ekuazio lineal baten irteera 0 eta 1 artean mugatze62 4.3. GAINBEGIRATUTAKO IKASKUNTZAKO ALGORITMOAK ko. Instantzia bat klase jakin batekoa izateko probabilitatea aurreikustea du helburu. Erregresio linealak irteera jarraituak sortzen ditu, baina LRak probabilitateak sortzen ditu 0tik 1era bitartean. Probabilitate horiek gero klase bitar bihurtzen dira erabaki-atalase baten bidez, 0.5 normalean (probabilitatea 0.5ekoa edo handiagoa bada, klase bat bezala sailkatzen da; bestela, beste klasea bezala sailkatzen da). [110]-tik ateratako 4.13. Irudian ikus daitekeenez, erregresio linealaren etengabeko irteerak 0tik 1era bitarteko tartean probabilitate bihurtzen dituen funtzioa sigmoide (edo funtzio logistikoa) funtzioa da. Funtzio honek edozein balio erreal hartzen du eta 0 eta 1 arteko balio bati esleitzen dio, S-ko kurba baten forma hartuz. Funtzio logistikoa 4.2 formula matematikoaren bidez definitzen da, non P(y=1)-k instantzia klase 1ekoa izateko probabilitatea adierazten duen, eta zezaugarrien eta ereduaren koefizienteen konbinazio lineala da. P(y= 1) = 1 1 + e−z(4.2) 0 1.75 3.5 5.25 0 0.5 1 Klase batekoa izateko probabilitatea 1 BAI 0 EZ 4.13. Irudia: Erregresio Logistikoarekin sailkatzea funtzio logistikoaren edo sigmoidearen bidez. LRak abantaila esanguratsuak eskaintzen ditu eraginkortasun konputazionalari, inplementatzeko erraztasunari eta interpretatzeko erraztasunari dagokienez, sailkapen-prozesuan ezaugarri bakoitzak duen garrantziaren neurri bat ematen baitu, eta horrek ereduaren azterketa eta ulermena errazten du. Gainera, probabilitateak sortzeko duen gaitasunagatik nabarmentzen da, eta horrek azken sailkapena bakarrik eman dezaketen ereduetatik bereizten du. Adibidez, %99 edo %58 klase bateko kide izateko probabilitatea ezagutzeak alde handia adierazten du erabakiak hartzerakoan. Hala ere, LRak, linealak direlako, mugak ditu linealak ez diren sailkapenarazoetan eta horrek datu konplexuekiko moldagarritasuna murritz dezake. Kasu horietan, jada azalduta dauden SVM (ikus 4.3.6.) edo Sare Neuronal Artifizialak (ikus 4.3.8.) bezalako teknika aurreratuagoak kontuan hartzea iradokitzen 63 4. KAPITULUA - IKASKUNTZA AUTOMATIKOAN OINARRITUTAKO TEKNIKAK ditu, eta horrek aukera ematen du entrenamenduan zehar egoera ezezagunetara orokortzeko duen gaitasuna baloratzeko [119]. Hold-out metodoan funtsezkoa da datuak ausaz entrenamendu-multzoaren eta proba-multzoaren artean banatzen direla bermatzea; ikus 4.18. Irudia [119]- tik aterata. Horrela, aurrez ikusi gabeko datuetan ereduaren errendimenduaren ebaluazio inpartziala, alborapenik gabea eta fidagarria ziurtatzen da, eta horrek egoera berrietara orokortzeko duen gaitasunaren ebaluazio zehatzagoa egiten du. Lagin guztiak Entrenamendu-multzoa Proba-multzoa 4.18. Irudia: Datu guztien ausazko banaketa bi bloketan. Hold-out metodoa teknika erraza eta eraginkorra da sailkatzaile baten errendimendua ebaluatzeko, baina muga bat du, batez ere datu-multzo txikiekin, datuak bi multzotan banatzean kalkulu ez hain zehatzak egin baititzake. Horregatik, [119]-tik ateratako 4.19. Irudian ikus daitekeenez, sarritan hirugarren datu-multzo bat behar izaten da ereduaren zenbait alderdi doitzeko. Funtsezkoa da, eredua doitu ondoren, azken ebaluazioa egitea, doikuntza-prozesutik erabat independentea. Ikuspegi horretan, datuak hiru multzotan banatzen dira: entrenamendua (datuen %40-50), baliozkotzea (datuen %20) eta proba (datuen %3040). Zatiketa horri esker, sailkatzailearen errendimenduaren ebaluazio sendoagoa eta objektiboagoa egin daiteke aurrez ikusi gabeko datuetan. Entrenamendu-multzoa Proba-multzoa Ikaskuntza entrenamendua, prest jartzea eta ebaluazioa Azken errendimenduaren Hasierako datu-multzoa Proba-multzoa Entrenamendumultzoa Baliozkotzemultzoa Automatikoko algoritmoa (ML) Iragarpen-eredua zenbatespena 4.19. Irudia: Datu guztien ausazko banaketa hiru bloketan. 70 4.4. EREDUEN EBALUAZIOA ETA BALIOZKOTZEA Metodo honek muga batzuk ditu, hala nola, balantzeatu gabeko klaseen erronka eta hasierako datu gutxi daudenean hiru zatiketa egiteko zailtasuna. Desabantaila horiek gainditzeko, ikuspegi sofistikatuagoak daude, hala nola jarraian azaltzen den K-fold baliozkotze gurutzatua. K-fold cross-validation (K-fold baliozkotze gurutzatua) K-fold baliozkotze gurutzatua Ikaskuntza Automatikoko ereduen errendimendua ebaluatzeko erabiltzen den teknika da. Ikaskuntzako algoritmoa berez ez bezala, bere funtzioa da ikaskuntzako algoritmo baten orokortzeko gaitasuna zehaztea emandako entrenamendu-multzo batean [119]. Ikuspegi horretan, datu-multzoa antzeko tamainako K azpimultzoetan banatzen da, folds izenekoetan. Ondoren, entrenamendueta ebaluazio-prozesua K aldiz egiten da, fold bakoitza proba-multzo gisa erabiliz behin, eta gainerako fold-ak (K-1) iterazio bakoitzeko entrenamendu-multzo gisa. Azkenik, K iterazioetan egindako ebaluazioen batezbestekoa kalkulatzen da, eta horrek ereduaren errendimenduaren zenbatespen orokorra ematen du. Prozedura hau 4.20. Irudian ilustratzen da, [120]-tik hartua. Irudi honetan ikusten da datu-multzoa K zati berdinetan banatzen dela, ikuspegi estratifikatua lehenetsiz (non K-rako balio tipikoak 10 edo 5 izan ohi diren, nahiz eta beste balio batzuk ere erabil daitezkeen, hala nola 3 edo 20, aplikazio espezifikoaren arabera). Datu guztiak Entrenamendu-datuak Proba-datuak Fold 1 Fold 2 Fold 3 Fold 4 Fold 5 Fold 1 Fold 2 Fold 3 Fold 4 Fold 5 Fold 1 Fold 2 Fold 3 Fold 4 Fold 5 Fold 1 Fold 2 Fold 3 Fold 4 Fold 5 Fold 1 Fold 2 Fold 3 Fold 4 Fold 5 Fold 1 Fold 2 Fold 3 Fold 4 Fold 5 1. Iterazioa 2. Iterazioa 3. Iterazioa 4. Iterazioa 5. Iterazioa Parametroak aurkitzea 4.20. Irudia: K-fold metodoaren funtzionamendu-metodologia. K-fold baliozkotze gurutzatua bereziki baliagarria da datu-multzoa txikia denean edo ereduaren ebaluazio sendoagoa bilatzen denean. Partizio asko erabiltzean, datuen banaketa bakar baten mende egotea saihesten da eredua entre71 4. KAPITULUA - IKASKUNTZA AUTOMATIKOAN OINARRITUTAKO TEKNIKAK natzeko eta ebaluatzeko, eta horrek ebaluazioaren inpartzialtasuna eta zehaztasuna hobetzen ditu. Tresna baliotsua da Ikaskuntza Automatikoko ereduak garatzeko; izan ere, errendimenduaren ebaluazio fidagarriagoa eta objektiboagoa ematen du, ereduak eta hiperparametroak egoki hautatzea errazten baitu. Abantailak alde batera utzita, K-fold baliozkotze gurutzatuak baditu muga garrantzitsu batzuk. Bere desabantaila nagusia kostu konputazionalean datza, batez ere datu-multzo handiak direnean. K iterazioak egiteak denbora eta baliabide asko eska ditzake, eta, horren ondorioz, kasu batzuetan ez da oso praktikoa izango. Gainera, teknikak ereduaren errendimenduaren estimazio fidagarriagoa ematen badu ere entrenamendu-datuen multzoan, ez du bermatzen, nahitaez, ikusi gabeko datuak hobeto orokortzea. Beraz, funtsezkoa da kontu handiz aztertzea kostu konputazionalaren eta ebaluazioaren zehaztasunaren arteko oreka, proiektu espezifiko batean K-fold baliozkotze gurutzatua aukeratu aurretik. Mugetako batzuk konpontzeko, teknika horren aldaerak daude, hala nola baliozkotze gurutzatua, bat kanpoan utzita (leave one out), edo baliozkotze gurutzatua, ausazko partizioekin [119]. Lehenengoa baliozkotze gurutzatuko teknika berezia da, eta datuak zatitzeko muturreko ikuspegia erabiltzen du. K-fold baliozkotze gurutzatuan ez bezala, bertan banakako banaketa bat egiten da datu-multzoaren lagin bakoitzerako, lagin bakoitza proba-multzo gisa eta gainerakoak iterazio bakoitzean entrenamendu-multzo gisa erabiliz. Teknika hori egokiagoa da datu txikien multzoetarako, eta ereduaren errendimenduaren zenbatespen zehatzak egin ditzake. Hala ere, ez da gomendagarria datu multzo handientzat, kostu konputazional handia dutelako. Bigarren aldaerak esan nahi du datu multzoaren zatiketa K aldiz errepikatzea entrenamenduan eta proban, eta iterazio bakoitzean, eredua entrenatu eta ebaluatzen da. Banaketa bakoitzean, datuak ausaz banatzen dira, entrenamendurako eta probarako proportzio konstantea mantenduz. Teknika hau bereziki erabilgarria da datu asko daudenean, azpilaginketa ahalbidetzen baitu ereduak azkarrago eta modu eraginkorragoan entrenatu eta ebaluatzeko. Bootstrap Bootstrapping-a estatistika-teknika bat da, lagin baten ziurgabetasuna neurtzeko erabiltzen dena, behatutako datu-multzo batetik abiatuta. [121]-tik ateratako 4.21. Irudian ikus daitekeen bezala, Bootstrap metodoak behatutako datumultzo bera erabiltzen du lagin faltsu ugari (Bootstrap laginak) sortzeko ordezkapendun laginketaren bidez. Horri esker, estimazio interesgarriak kalkula daitezke eta konfiantza-tarteak lor daitezke jatorrizko datu-multzoaren parametroetarako. Iterazio bakoitza guztizko datu-multzoaren tamaina bereko lagin bat lortzean datza, elementuak ausaz ordezkapenarekin ateraz, eta horrek errepikapenak eta datu batzuk ez sartzeko aukera ematen du. Modeloa ateratako laginarekin entrenatzen da eta jatorrizko multzoarekin ebaluatzen da. Hala ere, hautatutako lagina ez da datu-basetik ezabatzen, eta, beraz, hurrengo iterazioan berriz aukera daiteke. Azken zenbatespena iterazio guztien batezbestekoa 72 4.4. EREDUEN EBALUAZIOA ETA BALIOZKOTZEA hartuz lortzen da. Hala ere, garrantzitsua da kontuan hartzea estimazio hori baikorra izan daitekeela, bi helburuetarako lagin bera erabiltzeak eragindako entrenamendueta proba-multzoen arteko gainjartze handia dela eta. X2 X3 X4 X5 X6 X7 X8 X9 X10 X8 X6 X2 X9 X5 X8 X1 X4 X8 X2 Bootstrap 1 Bootstrap 2 Bootstrap 3 Conjuntos de entrenamiento Conjuntos de prueba X10 X7 X3 X9 X6 X10 X1 X3 X5 X1 X7 X4 X2 X1 X8 X7 X3 X8 X10 X6 X5 X4 X1 X2 X4 X2 X6 X9 X2 X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X8 X6 X2 X9 X5 X8 X1 X4 X8 X2 X3 X7 X10 X10 X1 X3 X5 X1 X7 X4 X2 X1 X8 X6 X9 X6 X5 X4 X1 X2 X4 X2 X6 X9 X2 X3 X7 X8 X10 Jatorrizko datu-multzoa 1. Bootstrap Bootstrap 2 3. Bootstrap Entrenamendu-multzoak Proba-multzoak 2. Bootstrap 4.21. Irudia: Bootstrap metodologia: datuen laginketa-prozesua ordezkapena erabiliz. Bootstrap metodoak hainbat abantaila esanguratsu eskaintzen ditu. Lehenik eta behin, lagin txikiekin kenkari estatistikoak egitea errazten du, jatorrizko lagina oinarri hartuta birlagin-multzo zabala sortzen baitu. Gainera, laginketa birjartzearekin erabiltzean, birlaginak independenteak direla ziurtatzen du, eta horrek estimazio fidagarriak dakartza. Hala ere, Bootstrap metodoak ere muga handiak ditu. Alde batetik, birlagin kopuru handia sortzea oso garestia izan daiteke konputazionalki, bereziki tamaina handiko jatorrizko laginekin lan egiten denean. Bestalde, Bootstrap estimazioen zehaztasuna jatorrizko laginaren kalitateari lotuta dago, hau da, lagina alboratua bada, Bootstrap estimazioak ere hala izango dira. Azkenik, ez da egokia datu eta arazo mota guztietarako; izan ere, baliteke emaitza onak ez eskaintzea salbuespenezko egoeretan edo oso ezohikoak diren datu-banaketekin. 4.4.2. Errendimendu-metrikak Orain arte, ereduak ebaluatzeko datuak banatzeko hainbat metodo eztabaidatu dira. Hala ere, ez dira zehaztu ereduak ebaluatzeko metodologietan erabilitako jardunaren metrikak. Horien helburua ereduaren errendimendua eta kalitatea neurtzea da, proba-multzoan lortutako aurreikuspenetan eta emaitzetan oinarrituta. Azpiatal honetan errendimendu-metrika ohikoenak aurkeztuko di73 4. KAPITULUA - IKASKUNTZA AUTOMATIKOAN OINARRITUTAKO TEKNIKAK ra, arazo jakin batean sailkatzaile desberdinen jarduna alderatzeko funtsezkoak direnak. Metrika horiek funtsezkoak dira ereduaren eraginkortasuna ebaluatzeko, eta aukera ematen dute zehazteko zein ondo egokitzen den datuetara eta nola jokatzen duen lagin berrien sailkapenean. Sailkapen-lanetan, ikuspegi komun bat da klaseetako bat erreferentziatzat hartzea eta indize hauek erabiltzea erreferentzia-klase horri dagokionez instantziak behar bezala sailkatu diren irudikatzeko: Benetako positiboak (TP): behar bezala sailkatutako adibide positiboak, hau da, erreferentzia-klaserako zuzen sailkatu diren instantziak. Positibo faltsuak (FP): modu desegokian positibo gisa sailkatutako adibide negatiboak, hau da, erreferentzia-klaseko gisa sailkatu diren baina bertan ez zeuden instantziak. Benetako negatiboak (TN): behar bezala sailkatutako adibide negatiboak dira, hau da, erreferentzia-klasekoak ez direla zuzen sailkatu diren instantziak. Negatibo faltsuak (FN): modu desegokian negatibo gisa sailkatutako adibide positiboak dira, hau da, erreferentzia-klasekoak ez diren baina bertan sartzen ziren instantziak. Indize horiek modu argi eta errazean bistaratzeko modu bat nahaste-matrizea da, errore-matrize gisa ere ezagutzen dena, sailkapen-eredu baten errendimendua ebaluatzeko erabiltzen den taula laburtua [122]. Bertan, iragarpen zuzen eta okerren kopurua laburbiltzen da, klase bakoitzeko banakatuta. Matrize horrek ereduaren errendimenduaren ikuspegi argia ematen du, eta haren sailkapengaitasuna hobetzeko arloak identifikatzen laguntzen du. 4.22. Irudiak nahasmenmatrizearen adibide bat erakusten du, eta bertan ikus daiteke nola antolatuko liratekeen sailkapen baten lau emaitza posibleak, klase bat erreferentziatzat hartuta. TP Positivo Negativo FN FP TN Positivo Negativo Predicción Realidad Iragarpena Errealitatea Positiboa Negatiboa Positiboa Negatiboa TN FP FN TP 4.22. Irudia: Nahaste-matrizea. 74 4.4. EREDUEN EBALUAZIOA ETA BALIOZKOTZEA Ikus daitekeenez, nahaste-matrizea funtsezko tresna da sailkapen-arazoetan, Gainbegiratutako Ikaskuntzako algoritmo batek egindako iragarpenak erakutsi behar zituen emaitza zuzenekin erlazionatzean ereduaren jarduna ebaluatzeko. Gainera, ereduak klase bakoitzeko laginak zuzen edo oker sailkatzeko moduari buruzko informazio baliotsua ematen duten hainbat ebaluazio-metrika kalkulatzeko aukera ematen du. Nahaste-matrizearen interpretazioak arazo posibleak azal ditzake, adibidez, klase espezifiko batean lagin gehiago sailkatzeko joera, eta sailkapen-atalaseak egokitzen lagundu, emaitza hobeak lortzeko. Indizeak eta horiek bistaratzeko modua azaldu ondoren, jarraian, gehien erabiltzen diren neurketa-metriketako batzuk deskribatuko dira, indize horiekin lan eginez kalkulatzen direnak. Asmatutakoen tasa edo Zehaztasuna (Accuracy) Egindako iragarpen guztien gaineko ereduaren iragarpen zuzenen proportzioa neurtzen du, hau da, ereduak zuzen sailkatu zituen iragarpenen proportzioa adierazten du. Asmatutakoen tasaren kalkulua 4.3 adierazpenean agertzen da. acc =TP +TN TP +TN +F P +FN (4.3) Zehaztasunaren balioa, 4.3 adierazpenean lortua, [0-1] artekoa da. Behin ezaguna denean, errore-tasa (err, ingelesez error rate) zuzenean kalkula daiteke 4.4 adierazpenean agertzen den bezala edo aldez aurretik zehaztasuna kalkulatu beharrik gabe 4.5 adierazpenaren bidez. err = 1 −acc (4.4) err =FP +F N TP +TN +F P +FN (4.5) Asmatutakoen eta akatsen garrantzia nabarmen alda daiteke. Adibidez, gaixotasunen diagnostikoaren kasuan, positibo faltsu bat (FP) onargarriagoa da negatibo faltsu bat (FN) baino [119]. Beraz, testuinguruaren arabera, ohikoa da hainbat neurri erabiltzea akats mota guztien eragina ebaluatzeko eta ulertzeko. Jarraian, errendimenduaren ikuspegi desberdinak modu egokian atzematea ahalbidetzen duten neurri batzuk aurkezten dira. Dointasuna (P) Dointasunak, predikzio-balio positibo gisa ere ezagutzen denak, berreskuratutako instantzien arteko instantzia garrantzitsuen proportzioa adierazten du. Beste era batera esanda, 4.6 adierazpenak erakusten duen bezala, positibotzat sailkatutakoen proportzioa eta benetan positibotzat jotzen direnen proportzioa 75 4. KAPITULUA - IKASKUNTZA AUTOMATIKOAN OINARRITUTAKO TEKNIKAK adierazten ditu. Funtsezko neurria da eredu edo metodo baten zehaztasuna eta fidagarritasuna ebaluatzeko datuen sailkapenean. P=TP TP +FP (4.6) Sentsibilitatea edo Recall (R) Sentsibilitatea datu guztien lagin positibo guztiekiko benetako positiboen proportzioa da. Beste era batera esanda, 4.7 adierazpenean azaltzen den bezala, sailkatzaileak kasu positiboak behar bezala detektatzeko duen gaitasuna adierazten du. Neurri hori funtsezkoa da eredu edo metodo batek datuen sailkapen baten barruan kasu positiboak behar bezala identifikatzeko duen gaitasuna ebaluatzeko. Sentsibilitate handiak adierazten du sailkatzaileak trebetasun ona duela positibo faltsuak saihesteko eta kasu positiboen sailkapen zehatzak egiteko, eta horrek balio handia du hainbat aplikaziotan, hala nola diagnostiko medikoan eta anomalien detekzioan. R=TP TP +FN (4.7) Espezifikotasuna (S) Espezifikotasuna datu guztien lagin negatiboen guztien gaineko benetako negatiboen proportzioa da, 4.8 adierazpenean erakusten den bezala. Beste era batera esanda, benetako kasu negatiboak zuzen identifikatzeko gaitasuna neurtzen du. Espezifikotasuna sentsibilitatearen kontrakoa da, kasu positiboak detektatzeko sailkatzailearen gaitasunean zentratzen baita. S=TN TN +FP (4.8) Espezifikotasunak adierazten du zer gaitasun duen sailkatzaileak alarma faltsuak saihesteko. Espezifikotasun handia bereziki garrantzitsua da positibo faltsuak edo kasu negatiboen sailkapen okerrak minimizatu nahi diren egoeretan. Neurri hori garrantzitsua da hainbat arlotan, hala nola proba medikoetan eta iruzurrak antzemateko sistemetan. Positibo faltsuen tasa (FPR) 4.9 adierazpenean agertzen den positibo faltsuen tasak positibotzat oker sailkatzen diren kasu negatibo guztien proportzioa adierazten du. Beste era batera esanda, sailkatzaileak lagin negatiboak positibo gisa oker identifikatzean sortutako alarma faltsuen kopurua adierazten du. Neurri garrantzitsua da eredu 76 4.4. EREDUEN EBALUAZIOA ETA BALIOZKOTZEA baten errendimendua eta fidagarritasuna ebaluatzeko, positibo faltsuak minimizatu behar diren egoeretan, hala nola iruzurrak antzemateko edo medikuaren diagnostikoa egiteko sistemetan. Positibo faltsuen tasa zenbat eta txikiagoa izan, orduan eta zehatzagoa eta fidagarriagoa izango da mota horretako erroreak saihesteko sailkatzailea. FPR=F P TN +FP = 1 −S(4.9) F1-Score edo F1 Puntuazioa F1-Score neurketak metrika bakarrean doitasuna eta sentsibilitatea (recall) orekatzea du helburu. 4.10 adierazpenak erakusten duen bezala, bi neurketen batezbesteko harmoniko gisa kalkulatzen da. Bere balioa 0 eta 1 artekoa izan daiteke, non 1ek dointasun eta sentsibilitate perfektua adierazten duen, eta 0k errendimendu eskasa adierazten duen. F1 = 2∗P∗R P+R=2TP 2TP +FP +F N (4.10) F1 puntuazioa ereduaren zehaztasuna eta sendotasuna islatzen dituen neurria da. Bereziki erabilgarria da datu-multzo desorekatu bat dagoenean, kasu positibo eta negatiboen kopurua oso desberdina baita, bi neurriak ere haztatzen baititu. Oro har, F1en balio handi batek adierazten du ereduak oreka ona duela dointasunaren eta sentsibilitatearen artean, eta horrek esan nahi du gai dela kasu positiboak zein negatiboak behar bezala sailkatzeko. Sailkapen-lanetan asko erabiltzen den metrika da, eta bere maximizazioa helburu komuna da hainbat eredu eta algoritmo ebaluatzean eta alderatzean. ROC kurbaren azpiko eremua (AUC-ROC) ROC (Hartzailearen Ezaugarri Operatiboa, ingelesetik Receiver Operating Characteristic) kurbaren azpiko eremuak ereduak klase positiboak eta negatiboak bereizteko duen gaitasuna neurtzen du, eta errendimenduaren ebaluazioa egiten du mozte-probabilitatea hainbat puntutan. Sailkatzaile askok iragarpenak egiten dituzte horiei lotutako ziurgabetasunmaila kuantifikatzean. Adibidez, Na¨ıve Bayesen algoritmoa edo Erregresio Logistikoa erabiltzean, probabilitateak lortzen dira emaitza gisa, eta EuskarriBektorialeko Makinek (SVM), berriz, erabaki-mugaren hurbiltasuna neurtzen dute. Normalean, klase positiboa aurreikusten da probabilitatea 0.5etik gorakoa denean (edo SVMren kasuan, ebaluazioa positiboa denean). Hala ere, onarpenatalasea doitu daiteke, sailkatzailea zorrotzagoa izan dadin adibide bat positibotzat sailkatzean. Atalase hori aldatzean, hainbat metrika-balio lortuko lirate77 4. KAPITULUA - IKASKUNTZA AUTOMATIKOAN OINARRITUTAKO TEKNIKAK ke (P, R, FPR, F1, besteak beste), sailkatzaile eta datu-multzo bera erabiliz. Doikuntza hori egitean, ereduaren metriken arteko oreka desberdina lortzen da. Horrelako doikuntzak egiten direnean, posible da grafikoki irudikatzea nola aldatzen diren metrikak atalase hori aldatzen den heinean. Bistaratze hori lagungarria izan daiteke bi metriken arteko konpromiso gogobetegarria zein puntutan lortzen den zehazteko (ahal bada), baita sailkatzaile desberdinak alderatzeko ere. Kurbak argiago ulertzen du nola eragiten dion ereduaren errendimenduari atalasearen doikuntzak, eta horrek erraztu egiten du sailkatzailearentzako konfigurazio egokiari buruzko erabakiak hartzea. ROC kurba tresna grafikoa da, eta Y ardatzeko benetako positiboen tasa (sentsibilitatea edo recall) eta X ardatzeko positibo faltsuen tasa (FPR edo 1 - espezifikotasuna) adierazten ditu, erabakitzeko atalaseak aldatzean parea (FPR,R) nola aldatzen den erakutsiz. Sailkapen-eredu bitar baten errendimendua ebaluatzeko erabiltzen da, atalasea doitzeko eta ereduaren sentsibilitatearen eta espezifikotasunaren arteko oreka desberdina lortzeko aukera emanez. ROC kurban, sailkatzaile ideal bat (0,1) puntuan kokatuko litzateke, eta horrek adierazten du %100eko sentsibilitatea (benetako positibo guztiak zuzen identifikatzen ditu) eta %100eko espezifikotasuna (ez dago positibo faltsurik). Oro har, ROC kurba puntu ideal honetatik zenbat eta gertuago egon eta ausazko sailkatzaile batek irudikatzen duen lerro diagonaletik zenbat eta urrunago egon, orduan eta hobea izango da ereduaren errendimendua. ROC kurbak diagonalarekiko duen distantziak iradokitzen du ereduak gaitasuna duela klaseen artean bereizteko eta bere jardunaren ebaluazio eraginkorragoa emateko. ROC kurbaren azpiko eremua (AUC-ROC) modeloaren errendimendua laburbiltzen duen zenbakizko metrika bat da. 1eko AUC-ROC batek errendimendu perfektua adierazten du, eta 0.5eko AUC-ROC batek, berriz, zoriaren antzeko jarduera adierazten du. AUC-ROCen balioa 0.5etik gorakoa bada, baina 1etik beherakoa, ereduak ausazko sailkatzaile batek baino diskriminazio-gaitasun hobea duela esan nahi du, nahiz eta zenbait sailkapen-eremutan muga batzuk izan ditzakeen. AUC-ROC 1etik zenbat eta hurbilago egon (idealki 1, baina gutxienez 0.7tik gorakoa), orduan eta hobea izango da ereduaren errendimendua. Neurri horrek informazio baliotsua ematen du ereduak sailkapen zehatzak egiteko eta klaseak sailkapen-arazoan bereizteko duen gaitasunari buruz. Jarraian, 4.23., 4.24., 4.25. eta 4.26. Irudiak agertzen dira, [123]-tik ateratakoak, ROC kurbaren azpiko eremuarekin lotutako hainbat egoera grafikoki ilustratzen dituztenak. Adibide horietarako, aldez aurretik ezarri da klase positiboa (positibo gisa etiketatutako kasuak) atalasearen gaineko tarteari dagokiola ([0.5-1]), eta klase negatiboa (negatibo gisa etiketatutako kasuak), berriz, atalasearen azpitik dagoela ([0-0.5]). Adibide grafiko horiek ikusizko perspektiba bat eskaintzen dute, eta, halaber, zera adierazten dute: metrika horiek nola aldatzen diren eta nola ebalua daitekeen sailkapen-eredu baten jarduna egoera desberdinetan. 78 4.4. EREDUEN EBALUAZIOA ETA BALIOZKOTZEA Atalasea 4.23. Irudia: AUC 1. adibidea: egoera ideala. Benetako negatiboen kurba berdea (VN) zein benetako positiboen kurba gorria (VP) ez dira inola ere gainjartzen, eta, beraz, ereduak banantzeko neurri ideala du. Oso gai da klase positiboa eta negatiboa bereizteko. Atalasea 4.24. Irudia: AUC 2. adibidea: bi kurbak (VN eta VP) gainjartzean erroreak sartzen dira. Atalaseren arabera, minimizatu edo maximizatu egin ditzakegu. AUC 0.7 denean, esan nahi du %70eko probabilitatea dagoela ereduak klase positiboa eta negatiboa bereizteko. Kurba berdearen (VN) azpiko azalera, atalasea gainditzen duenean, positibo faltsutzat (FP) joko litzateke. Atalasearen aurretik dagoen kurba gorriaren (VP) azpiko azalera negatibo faltsu gisa sailkatuko litzateke (FN). 79 4. KAPITULUA - IKASKUNTZA AUTOMATIKOAN OINARRITUTAKO TEKNIKAK 86 III. Zatia EKARPENAK 87 5. Kapitulua Ikaskuntza Automatikoak disreflexiaren diagnostikoari egindako ekarpenak 5.1. Hitzaurrea 2.3. Atalean aipatu den bezala, disreflexia autonomoa (DA) bizkarrezurmuineko lesioa (BML) duten pazienteen artean sarriago gertatzen den gaixotasun potentzialki hilgarria da. Klinikoki, hiperaktibitate sinpatiko baten ondoriozko hipertentsio akutuko gertakariak ditu ezaugarri. Erasan horren gertakari batean, gorputzaren behealdeko bulkada aferenteek tonu sinpatikoa bat-batean handitzen dute, eta basokonstrikzioa sortzen dute, eta horrek presio arterial sistolikoa hasierako baliotik 20 mmHg baino gehiago handitzen du [34,35]. Nerbio lausoak eta nerbio glosofaringeoek bizkarrezur-muinetik transmititzen ez dutenez, funtzio kardiobaskularrak bere horretan jarraitzen du BMLren ondoren [5,6], eta aktibatutako atzeraelikadura-sistemak bradikardia erreflexua sortzen du. DAren presentzia eta larritasuna oso aldakorrak dira BML duten pazienteen artean, eta ez dirudi lesioaren mailaren araberakoak direnik. Nahiz eta erasan hori edozein unetan gerta daitekeen lesioaren mailatik beherako estimulu bat gertatzen denean, ohikoenak, lehenik eta behin, maskuriko distentsioa [39, 40] dira, eta, ondoren, inpaktu fekala [34]. Beraz, maskuriko betetze kontrolatua proba diagnostikorik ohikoenetako bat da BML duen paziente batek DA duen zehazteko. Hala ere, azterketa gutxik ebaluatu dute patologia horren maiztasuna eta larritasuna maskuria bete eta hustean (adibidez, mikzio erreflexu edo gernuzundaketa iraunkor edo aldizkakoaren bidez) [38]. DA agertzearekin lotzen diren faktoreak identifikatzea, aldez aurretik BML duten zein pazientek izan ditzakeen gaixotasun horren gertakariak jakiteko, funtsezkoa da ondorio hilgarriak saihesteko, hala nola, iskemia miokardikoa edo 89 5. KAPITULUA - IKASKUNTZA AUTOMATIKOAK DISREFLEXIAREN DIAGNOSTIKOARI EGINDAKO EKARPENAK garuneko odoljarioa [42–44,133,134]. Gaur egun, proba kliniko autonomiko ez-inbaditzaileak eta ondo baliozkotuak eskuragarri daude ingurune klinikoan. Funtzio sinpatikoaren eta kardiobaskularraren ebaluazioa barne hartzen dute, bihotz-maiztasunaren (FC) kontrolaren eta presio arterialaren (PA) bidez, hainbat maniobrari dagokienez, hala nola arnasketa sakonari, Valsalvaren maniobrari edo burua gorantz makurtzeko probari dagokienez. Horrelako proben bidez, DA izateko arrisku handiena duten pazienteak identifika daitezke, ez bakarrik patologia horren kontrola hobetzeko, baita gaixotasun hori agertzearekin lotutako konplikazio larrien tasa murrizteko ere. Testuinguru horretan, kapitulu honetan aurkeztutako ikerketaren helburu nagusia gaixotasunaren hasierako diagnostikoa ahalik eta modu ez-inbaditzaileenean lortzea izan zen. 5.2. Datu-bilketa Esan bezala, maskuria betetzea da bizkarrezur-muineko lesioak dituzten pazienteengan DA gertaera bat eragiteko kausa ohikoena. Gainera, talde mediko batek maskuria betetzea erraz kontrola eta birjar dezake ospitaleko instalazioetan, eta ez du arrisku handiagorik pazienteentzat. Hori horrela, ikerketa-taldeak egoera hori laborategian simulatzea erabaki zuen, DAren hasierako diagnostikoaren arazoa sakonago aztertu ahal izateko. Ikerlana egiteko beharrezko datuak biltzeko esperimentazioa Gurutzetako Unibertsitate Ospitaleko (GUO) talde medikoekin lankidetzan egin zen. BML zerbikala edo torazikoa eta gutxienez 18 urteko adina izatea izan ziren sartzeko irizpideak. Baztertzeko irizpideak presio-ultzerak edo larruazalari eragiten dioten beste arazo batzuk izatea izan ziren. Gainera, proba egin aurreko 24 orduetan, neurketa hemodinamikoetan eragina izan zezakeen edozein farmako hartzea eten zen eta pazienteei hesteak eta maskuria hustu behar izan zitzaizkien ebaluazioa egin aurretik. Euskal Autonomia Erkidegoko Ikerketa Klinikoko Batzordeak onartu zuen ikerlana, PI2013132 baliozkotze-kodearekin, eta pazienteek baimen-formulario bat sinatu zuten azterketan sartu aurretik, Helsinkiko Adierazpenaren printzipioekin bat etorriz [135]. Azterlanaren laginari dagokionez, BML zuten 37 pazientek osatzen zuten (27 gizon eta 10 emakume), 17 eta 77 urte bitartekoak (batezbestekoa = 42.4 eta desbideratze tipikoa (DT) = 14.1 urte). Lesioa gertatu zen unean, pazienteak 17 eta 68 urte bitartean zeuden (batez bestekoa = 33.3 eta DT = 15.6 urte), baina gizonak emakumeak baino gazteagoak ziren une horretan (gizonek 39.6 ± 13.4 urterekin jasaten zuten lesioa, eta emakumeek, berriz, 49.7 ± 13.8 urterekin). Lesioaren estadioa akutua (lesiotik urtebete baino gutxiago) 14 pazienterengan ( %37.8) izan zen eta kronikoa (lesiotik urtebete baino gehiago) 23 pazienterengan ( %62.2), antzeko proportzioarekin bi sexuetan. Kausari dagokionez, BMLa 33 pazienteren traumatismo baten ondorio izan zen ( %89), eta kausa mediko bat izan zuen 4 pazienterengan ( %11). Kasu gehienetan, BMLa zerbikaletan izan zen (tetraplegia) (32 paziente, %86.5), eta gainerakoek BML torazikoa zuten (paraplegia) (5 paziente, %13.5). 90 5.2. DATU-BILKETA BMLren larritasuna proba klinikoen eta azterketa erradiologikoen bidez ebaluatu zen, gabezia motorrak eta sentsorialak eta haien inplikazio funtzionalak neurtuz, American Spinal Cord Injury Asociation-en (ASIA) [35] Bizkarrezur Muineko Lesioen Sailkapen Neurologikorako Nazioarteko Estandarretan (ISNCSCI) [35] oinarrituta. Zehazki, ASIAren narriadura-eskalak dauden bost kategorietako batean sailkatzen ditu pazienteak: bizkarrezur-lesio osoa (A), lesio motor osoa eta lesio sentsorial osatugabea (B), lesio motore eta sentsitibo osatugabea (C edo D, defizitaren hedaduraren arabera) edo normala (E). Nerbio-sistemaren erasanari dagokionez, Estandar Autonomikoak Ebaluatzeko Formularioa (ASAF) erabiliz ebaluatu zen. Formulario horrek funtzio autonomo orokorra, heste-funtzioa, beheko gernu-traktuaren funtzioa eta urodinamika betetzen ditu. Gainera, pazienteen datuak bildu ziren, BML duten pazienteen arrisku-faktoreei erreferentzia eginez, BMLn funtzio kardiobaskularren nazioarteko datu-basean definituta [136]. Datu horietan, besteak beste, hipertentsioa, hiperlipidemia, diabetes mellitusa, hipotentsio ortostatikoa, gehiegizko pisua eta DA bera sartu ziren. Datuak biltzeko eta disautonomia ebaluatzeko protokolo esperimentala 5.1. Irudian agertzen diren hiru etapetan banatu zen. Etapa horiek beti mediku baten eta erizain baten ikuskaritzapean egiten dira, eta jarraian deskribatuko dira. RESTING POSITION BLADDER FILLING RESTING POSITION TABLE TILTED on tilted at table 0o on tilted table at 0o on tilted at table 0o at 60o ATSEDEN-EGOERA MASKURIA BETETZEA ATSEDEN-EGOERA MAHAI NKLINATUA 0º mahai inklinatua 0º mahai inklinatua 0º mahai inklinatua 60º 1. Zatia: Historia klinikoa 2. Zatia: Odol-ateratzea (azterlan hormonala) 3. Zatia: Seinale fisiologikoak biltzea MAHAI INKLINATUA 60º 5.1. Irudia: Esperimentu-etapak. Esperimentuaren lehen etapan, pazientearen historial klinikoaren datuak bildu ziren, hala nola BML gertatu zen bizkarrezur-muinaren maila, lesio mota, esfinterren funtzionamendu-maila, aurretiko sintomatologia, etab. (datu hauen izaerari buruzko informazio gehiago emango da 5.5.1. Azpiatalean). Bigarren etapan, pazientea mahai kulunkari baten gainean jarri eta bularraldeari eta beheko gorputz-adarrei eutsi zieten. Ondoren, pazientea mahai gainean jarrita uzten zuten ahoz gorako posizioan (0o) eta klinikoek odol-lagin bat (30ml) ateratzen zuten pazientearen besotik. 3 minutu geroago, medikuek 60o-tan makurtu zuten mahaia, pazientea burua altxatuta utzita, eta beste odollagin bat hartu zuten. Bigarren erauzketa horren arrazoia bi odol-laginen arteko aldaketa hormonalak alderatu ahal izatea zen. Hain zuzen ere, konparazioa katekolaminen mailen artekoa litzateke (adrenalina, noradrenalina, dopamina eta 91 5. KAPITULUA - IKASKUNTZA AUTOMATIKOAK DISREFLEXIAREN DIAGNOSTIKOARI EGINDAKO EKARPENAK basopresina). Hormona horiek, aminikoak ere esaten zaienak, odol-fluxuan daude. Horrela, hormona horiek gehiegi askatuz gero, BML baten mailaren azpitik dagoen estimulu mingarri edo narritagarri batek pazientearen presio arteriala nabarmen handitzea eragin dezake. Horregatik, hormonen balioak alderatzea interesgarria izan zen azterlan honetarako. Ospitalearen protokoloari jarraituz, hirugarren eta azken etapa pazienteei gernu-kateter bat jarri zitzaien (maskuria betetzeko), bai eta seinale fisiologikoen jarraipena egiteko eta horiek biltzeko elektrodo egokiak ere, Task Force Monitor gailu batekin (CNSystems ® ). Esperimentuaren hirugarren zatian lau seinale fisiologiko bildu ziren: presio arterial sistolikoa eta diastolikoa, bihotzmaiztasuna eta erresistentzia periferiko osoa. Gero, elektrodoak eta kateterra jarri ondoren, pazientearen oinarrizko balio fisiologikoak 10 minutuz erregistratu ziren, pazientea mahaian 0o-tan etzanda zegoen bitartean. Gero, pazientearen seinale fisiologikoak erregistratzen ziren bitartean, medikuek maskuria gatz-soluzio batekin ( %0.9ko kontzentrazioa eta 37oC) bete zuten , DA gertaera batek eragin zezakeen estimulua sortzeko helburuarekin. Prozesu horrek maskuria bete arte iraungo zuen (prozesuaren iraupena aldatu egiten zen pazienteen artean). Azkenik, maskuria pixkanaka hustuz eta kateterra kenduz amaitzen zen esperimentua. Esperimentuaren hirugarren etapa amaitzeko, pazientea ahoz gorako posizioan egongo litzateke beste 10 minutuz, bere bioseinaleak erregistratzen ziren bitartean. Geroago, mahaia 60o-tara okertuko zen, eta pazientea 10 minutuz egongo zen posizio horretan. Puntu horretan, prozedura eten egiten zen pazienteak sintomak aipatzen bazituen, hala nola zorabioak edo konortea galtzea (sinkopea), edo presio arteriala azkar murrizten zela ikusten bazen. Azken etapa honetako 10 minutuak igarota, klinikoek mahaia 0o-tara okertuko lukete eta esperimentuak pazientea mahaitik askatuko luke. 5.3. Datuak aurreprozesatzea eta seinaleak iragaztea Datuak biltzeko fasea amaitu ondoren, hurrengo urratsa seinale fisiologikoetatik zetorren informazioa prozesatzea izan zen. Lehenik eta behin, bildutako datuen aurreprozesatze bat egin zen, eta ikusi zen denbora-tarte batzuetan neurketa-gailuek ez zutela informaziorik bildu. Mediku-taldeari kontsulta egin ondoren, ondorioztatu zen datu falta hori gailuek berek izan zitzaketen akatsengatik izan zela, eta, beraz, irtenbidea galdutako informazioa birkalkulatzea izan zen, lan egiteko informaziorik gabeko denbora-tarterik egon ez zedin. Datuen aurreprozesatze hori 5.2. Irudian ikus daiteke; bertan, adibide gisa, 32. subjektuaren erresistentzia periferiko osoari (RPT) buruzko seinalearen berreraikuntza erakusten da. Seinale gorriak neurtzeko gailuetatik lortutako jatorrizko seinalea adierazten du. Seinale horretan, denbora-tarte batean daturik ez dagoela ikusten da (zirkulu beltz batez markatuta). Seinale urdina informaziorik ez zegoen denbora-tarte horiei buruzko datuak berriro kalkulatu ondoren seinaleari 92 5.4. DA DUTEN PAZIENTEEN DISAUTONOMIA-MAILAREN ANALISI KUANTITATIBOA dagokio. Datuen aurreprozesatze horretan, balioen kalkulua egin zen informaziorik gabeko denbora-tartearen aurretik eta ondoren jasotako balioen arteko interpolazio lineal bat aplikatuz. 0 2000 4000 6000 8000 Jatorrizko seinalea L032 PAZIENTEAREN RPT (dyne*s*m2/cm5) SEINALEA BERRERAIKITZEA 0 2000 4000 6000 8000 Berreraikitako seinalea 0 500 1000 1500 2000 2500 Denbora (s) 0 2000 4000 6000 Iragazitako seinalea 5.2. Irudia: Lagineko subjektuetako baten jatorrizko seinalea aurrez prozesatzea eta iragaztea. Hurrengo urratsa datuen aurreprozesaketan lortutako seinalea iragaztea izan zen. Aurreko adibidearekin jarraituz, 5.2. Irudian ikusten da seinale berreraikiak (urdinez) jada ez duela informaziorik gabeko denbora-tarterik, baina zabaltasun handiko tontorrak eta gorabeherak ikusten dira, datuak neurtzeko eta biltzeko prozesuetan dauden zaraten ondorioz. Bihotzeko aldakortasuna eta aurreprozesatutako gainerako seinaleak maiztasun baxukoak direnez, ikerketa-taldeak 0.5 Hz-ko ebaketa-maiztasuneko urrats baxuko iragazki bat erabili zuen neurketagailuek eragindako zarata ezabatzeko. Horrela, iragazitako seinalea lortzen da, 5.2. Irudian kolore berdean ikus daitekeen bezala, hori baita ondorengo ataletan kalkulu estatistikoak egiteko erabili zen azken seinalea. 5.4. DA duten pazienteen disautonomia-mailaren analisi kuantitatiboa 5.4.1. Datuak bistaratzea Seinaleak aurreprozesatu eta iragazi ondoren, lantaldeak datu-base zabala zuen esperimentazioan zehar jasotako seinaleei buruzko datuekin. Datuak modu errazagoan aztertu ahal izateko, talde medikoak komenigarritzat jo zuen pazienteen seinale bakoitza ikustea eta, horrela, balio horiek prozesu osoan zehar izan zuten bilakaera ulertzea. 93 5. KAPITULUA - IKASKUNTZA AUTOMATIKOAK DISREFLEXIAREN DIAGNOSTIKOARI EGINDAKO EKARPENAK 5.3. Irudian, ekipo medikoak bistaratzeko eskatu zituen lau seinale fisiologikoen adibide bat agertzen da. Lehenengo bi seinaleak bat datoz presio arterial sistolikoarekin eta diastolikoarekin, hurrenez hurren; hirugarren seinaleak bihotz-maiztasuna adierazten du (FC), eta azkenak erresistentzia periferiko osoa (RPT). Irizpide klinikoaren arabera, bioseinale horien bilakaera ikusteak DAko balizko gertakari bat diagnostikatzea errazten du. 80 100 120 140 Sistolikoa (mmHg) ATSEDENA BETETZEA MAHAIA Iragazitako seinalea Disreflexia-marka 60 80 100 Diastolikoa (mmHg) Iragazitako seinalea Disreflexia-marka 60 80 100 FC (bpm) 0 500 1000 1500 2000 2500 3000 3500 4000 Denbora (s) 1000 1500 2000 RPT (dyne*s*m2/cm5) 5.3. Irudia: Esperimentuaren hirugarren fasean jasotako seinale fisiologikoak bistaratzea. Esperimentazio horretan ere funtsezkoa zen grafiko berean pazienteen seinaleak ikusi ahal izatea. Bistaratze horren helburua zen pazienteen seinaleen patroien arteko konparazioa egin ahal izatea esperimentuaren hirugarren faseko atal guztietan. 5.4. Irudiak 6 pazienteren presio arterial sistolikoaren bilakaera erakusten du, bai atseden-zatian, bai maskuria betetzean. Subjektu guztietatik hiruk disreflexia dute (L09, L10, L12), eta besteek (L03, L17, L20) ez dituzte gertakari horiek jasaten. Seinale horiek bistaratzeari esker, patologiarik ez dutenengan seinaleen patroi antzekoa ikusten da: seinaleen arteko rangoak ez dira oso ezberdinak atseden-uneetan eta betetze-uneetan. Hala ere, paziente disreflexikoek ere antzeko eredua dute, eta gorabehera handiak izaten dira maskuria betetzen den unean. 94 5.4. DA DUTEN PAZIENTEEN DISAUTONOMIA-MAILAREN ANALISI KUANTITATIBOA 0 50 100 150 200 250 300 Denbora (s) 40 60 80 100 120 140 160 180 Sistolikoa (mmHg) DISREFLEXIA EZ DUTEN PAZIENTEAK ATSEDENEAN L03 L17 L20 0 100 200 300 400 500 600 Denbora (s) 40 60 80 100 120 140 160 180 Sistolikoa (mmHg) DISREFLEXIA EZ DUTEN PAZIENTEAK BETETZEAN L03 L17 L20 0 50 100 150 200 250 300 Denbora (s) 40 60 80 100 120 140 160 180 Sistolikoa (mmHg) DISREFLEXIA DUTEN PAZIENTEAK ATSEDENEAN L09 L10 L12 0 100 200 300 400 500 600 Denbora (s) 40 60 80 100 120 140 160 180 Sistolikoa (mmHg) DISREFLEXIA DUTEN PAZIENTEAK BETETZEAN L09 L10 L12 5.4. Irudia: Presio arterial sistolikoaren bilakaera paziente disreflexikoetan eta patologia hori jasaten ez dutenetan. 5.4.2. Datuen analisi estatistikoa Datu guztiak prozesatu ondoren, hurrengo urratsa lortutako informazioa hainbat estatistika-analisiren mende jartzea izan zen. Horregatik kalkulatu ziren, batetik, aldagai kuantitatiboetarako batezbestekoak eta desbideratze estandarrak, eta, bestetik, aldagai kualitatiboetarako proportzioak. Txi-karratu proba [137] erabili zen aldagai kualitatiboak alderatzeko eta Mann-Whitneyren U proba [138] batezbesteko rangoak alderatzeko. Gainera, korrelazio-analisietarako Rho de Spearman korrelazio-koefizientea [139] kalkulatu zen, estatistikoki esanguratsuak diren p<0.05 balioak kontuan hartuta. Analisi estatistiko guztiak SPSS v.23 [140] softwarekin egin ziren, eta grafikoak R 3.6.1 eta GraphPad Prism 6. softwareekin sortu ziren. 5.4.3. Analisi kuantitatiboaren emaitzak eta ondorioak Puntu horretara arte, aurkeztutako lanak DA duen BML bat duten pazienteen huts autonomikoaren irudi orokorra definitzen du. Horretarako, parametro autonomikoak erabiltzen dira, ondoren, taupadaz taupadako monitorizazio hemodinamiko baten bidez neurtutako atsedenaldi luze baten ondoren. Egindako analisi estatistikoaren ondoren, lortutako emaitzak hertsiki medikoak dira, eta, beraz, horien esposizio osoa V. Eranskinean biltzen da. Oro har, nabarmentzekoa da DA duten pazienteek irteera-fluxu sinpatiko txikia erakutsi zutela atsedenean, presio arterialak eta bihotz-maiztasuna konparagarriak zirela atsedenegoera horretan. Termino sinpleetan, gaixotasun hori duten pertsonek nerbiosistema bat dute, normalean erne eta aktibo mantentzen dena, baina geldoago funtzionatzen duena atsedenean daudenean. Hala eta guztiz ere, bere presio 95 5. KAPITULUA - IKASKUNTZA AUTOMATIKOAK DISREFLEXIAREN DIAGNOSTIKOARI EGINDAKO EKARPENAK 5.4. Taula: Sailkatzaile onena zenbatestea historial klinikoaren ezaugarrien azpiespazioa erabilita. 1R DT kNN NB RBF SVM Zehaztasuna 79.31 79.31 86.21 86.21 82.76 82.76 0 klaseko akatsa (FP) 4 4 31 1 3 1 klaseko akatsa (FN) 2 2 13 4 2 LR AdaB Bag RF MLP Zehaztasuna 89.66 79.31 79.31 82.76 89.66 0 klaseko akatsa (FP) 1 4 4 3 1 1 klaseko akatsa (FN) 2 2 2 2 2 5.4. Taularen emaitzek erakusten dute posible dela kasu kopuru handi bat zuzen detektatzea, soilik historial klinikotik datozen ezaugarriak erabiliz. LR eta MLP algoritmoek zehaztasun onena lortu zuten, baina, hala ere, biek negatibo faltsuen (FN) 2 errore eragin zituzten. 5.5. Atalean adierazi den bezala, DA gertakarien ondorio hilgarriak kontuan hartzen badira, horrelako erroreak saihestu egin behar dira, kostu handia baitu pazienteen osasunean. Horrela, FN kantitatea minimizatu nahi denean, k-NNk lortu zuen emaitzarik onena, eta horregatik ezarri da algoritmo onena, nahiz eta zehaztasun handiena ez izan. Hala ere, algoritmoetako batek ere ez zituenez zehaztutako helburuak bete, esperimentazioa errepikatzea erabaki zen, metodo ez-inbaditzaileak aplikatuz bildutako ezaugarri fisiologikoen azpiespaziora aldatuz. Ezaugarri fisiologiko ez-inbaditzaileen azpiespazioa Sailkapenean gertatutako FN erroreak ezabatzeko beharraren aurrean, estrategia aldatu zen eta arazoari aurre egiteko, esperimentuaren zati ez-inbaditzailearen datu fisiologikoetatik ateratako 30 ezaugarrien azpiespazioa aztertu zen, ikus 5.2. eta 5.3. Taula. Kasu horretan, pazienteek gutxieneko proba inbaditzaileak egin beharko lituzkete, ohiko mediku-azterketetan egin daitezkeenen oso bestelakoak ez direnak. Aurreko ikuspegiko metodologiarekin jarraituz, bigarren azpiespazio hori aztertzeko aurreko kasuan erabili ziren Gainbegiratutako Ikaskuntzako 11 algoritmoak erabili ziren, eta jarraian 5.5. Taulan agertzen diren emaitzak lortu ziren. 5.5. Taulan erakutsitako emaitzak ikusita, ikusten da zehaztasunak okerragoak direla ezaugarri klinikoen azpiespazioan lortutakoak baino. NB algoritmoa da emaitzarik onena lortzen duena, bai zehaztasunari dagokionez ( %82.76), bai FNren kopuru txikienari dagokionez (FN = 3). Hala ere, lortutako emaitzak txarrak ez diren arren, ez da betetzen FN ez sortzeko helburua, eta, beraz, baztertu egin da azpiespazio hori erabiltzea DAren agerpena diagnostikatzeko. 102 5.5. DISREFLEXIA AUTONOMOAREN DIAGNOSTIKO EZINBADITZAILEA EGITEKO SISTEMA HIERARKIKOA 5.5. Taula: Sailkatzailerik onena zenbatestea metodo ez-inbaditzaileen bidez ateratako ezaugarri fisiologikoen azpiespazioa erabilita. 1R DT kNN NB RBF SVM Zehaztasuna 55.17 62.07 79.31 82.76 79.31 68.97 0 klaseko akatsa (FP) 6 6 2 23 5 1 klaseko akatsa (FN) 7 5 4 33 4 LR AdaB Bag RF MLP Zehaztasuna 62.07 62.07 58.62 58.62 68.97 0 klaseko akatsa (FP) 3 5 8 7 3 1 klaseko akatsa (FN) 8 6 4 5 6 Ezaugarri kliniko eta fisiologiko ez-inbaditzaileen azpiespazio konbinatua Aurreko bi saiakeretan frogatu den bezala, ez zen bete FNak ezabatzeko helburua. Horregatik, ikuspegi horretan, ikertzaileek pazienteen historial klinikoetatik datozen ezaugarriak nahiz metodo ez-inbaditzaileekin bildutako ezaugarri fisiologikoak erabili zituzten. 5.6. Taulak 35 ezaugarri ez-inbaditzaileen (klinikoak eta fisiologikoak) erabileraren emaitzak aurkezten ditu, 11 sailkapenalgoritmoekin. 5.6. Taula: Sailkatzailerik onena zenbatestea ezaugarri kliniko eta fisiologiko ez-inbaditzaileen azpiespazio konbinatua erabilita. 1R DT kNN NB RBF SVM Zehaztasuna 55.17 68.97 79.31 86.21 82.76 82.76 0 klaseko akatsa (FP) 6 4 41 2 2 1 klaseko akatsa (FN) 7 5 23 3 3 LR AdaB Bag RF MLP Zehaztasuna 75.86 75.86 75.86 75.86 72.41 0 klaseko akatsa (FP) 2 4 4 4 3 1 klaseko akatsa (FN) 5 3 3 3 5 5.6. Taulak erakusten duenez, zehaztasun-tasak ezaugarri fisiologikoen azpiespazioa erabiliz lortutakoak baino handiagoak dira, eta azpiespazio klinikoan lortutakoen antzekoak. NB algoritmoak lortu zuen zehaztasun handiena, eta 103 5. KAPITULUA - IKASKUNTZA AUTOMATIKOAK DISREFLEXIAREN DIAGNOSTIKOARI EGINDAKO EKARPENAK RBF eta SVM izan ziren ondoren. Hala ere, garrantzitsua da azpimarratzea horiek guztiek FNren 3 akats egin zituztela. Horregatik, nahiz eta zehaztasun handieneko algoritmoa ez izan, kNN hautatu zen emaitzarik onenak emandakoan, FNak 3tik 2ra murriztea lortu baitzuen. Sailkapen hierarkikoko sistema Aurreko hiru saiakerek baieztatu zuten ezinezkoa dela automatikoki diagnostikatzea DA, sailkapen-arazoari maila bakar batean helduz. Hori dela eta, gaixotasuna bi mailatan diagnostikatzea proposatzen zuen estrategia berri bat planteatu zen, azpiespazio bakoitzaren potentziala eta sailkapena egiteko haien arteko osagarritasuna aprobetxatuz. Lehen mailan historia klinikoaren ezaugarriekin bakarrik lan egin zen DA diagnostikatzeko. Lehen maila horrek kasu argiak sailkatzeko balioko luke, eta sailkapen sendorik lortuko ez luketen erabaki-mugetatik hurbil daudenak anbiguotzat hartuko lituzke. Lehen mailan lortutako kasu ez oso argietarako, bigarren maila bat proposatu zen, ezaugarri fisiologiko ez-inbaditzaileen azpiespazioa erabiliz kasu horien azken klasea zehazteko. Bi azpiespazioen miaketa, ordena horretan, bat dator pazienteei esperimentazio horren probak egiteko beharra minimizatzeko eta diagnostikoaren inbasibitatea ahalik eta gehien murrizteko helburuekin. Jarraitu beharreko estrategia planteatu ondoren, ikertzaileek 5.4. eta 5.5. Taulen emaitzetan oinarritu ziren maila bakoitzeko algoritmo onenak hautatzeko. Horrela, sailkatzaile hierarkikoaren lehen mailak k-NN algoritmoa erabiliko luke eta bigarrenak NB. Hala ere, aurreko esperimentazioak frogatu zuen ezinezkoa izan zela FN kopurua zerora murriztea. Beraz, arazo hori saihesteko, politika kontserbadorea aplikatu zitzaion lehen mailako sailkatzaileari, eta ziurtasun-murrizketa ezarri zen maila horretan sailkatzeko. Horrela, sailkatzaileak instantzia baten klasea zehaztuko luke, baldin eta gutxienez ondoko 5 patroietatik 4 klase berekoak balira. Aitzitik, instantzia anbiguoa izango litzateke lehen sailkatzailearen ziurtasuna ahulagoa denean, eta bigarren mailako sailkatzaileak erabakiko luke, azkenean, pazientea gaixotasunarekin diagnostikatzen den ezaugarri fisiologiko ez-inbaditzaileak erabiliz. 5.5. Irudiaren diagramak proposatutako sistema hierarkikoaren funtzionamendu-eskema erakusten du. Aurreko kasuetan bezala, taldeak 11 algoritmoekin probatu zuen sistema, beste behin ere azterketa osoan erabilitako leave-one-out metodologia erabiliz. 5.7. Taulan esperimentazio horren emaitzak agertzen dira, eta, azkenean, FNren sailkapen askea lortu ahal izan zen. Batetik, frogatzen da lehen mailan k-NN algoritmoak 29 kasutatik 21 zuzen sailkatu zituela, 1ean huts egin zuela eta 7 anbiguotzat jo zituela. Bestalde, bigarren mailan, NB algoritmoak zuzen katalogatu zituen lehen sailkatzaileak anbiguo gisa markatutako 7 kasuetatik 6. Horrela, proposatutako sistema hierarkikoak %93.10eko zehaztasuna lortu zuen. 104 5.5. DISREFLEXIA AUTONOMOAREN DIAGNOSTIKO EZINBADITZAILEA EGITEKO SISTEMA HIERARKIKOA Esperimentazioan jasotako datuak Sailkapen-prozesua Diagnostikoaren emaitza Lehen maila PAZIENTEAREN DATUAK Historial klinikoaren 5 ezaugarri Ez-inbaditzaile 30 ezaugarri fisiologikoak 5-NN sailkatzailea ziurtasun-atalasearekin Instantzia zehatzak Instantzia anbiguoak Bigarren maila Naïve Bayes (NB) sailkatzailea DArik EZ DArik EZ DArik EZ DA DA DA DA DA 5.5. Irudia: Proposatutako sailkapen hierarkikoko sistemaren egitura. 5.7. Taula: Bi mailatako sailkatzaile hierarkikoaren ebaluazioa. 1. maila: ezaugarri klinikoak 5-NN 4/5eko ziurtasun-atalasearekin 2. maila: ezaugarri fisiologikoak NB Guztira DA EZ klasea: 8 paziente Arrakasta Akatsa Anbiguoa 1 1 6 5 1 0 6 2 - DA klasea: 21 paziente Anbiguoa Akatsa Arrakasta 1 0 20 0 0 1 - 0 21 Sailkapen hierarkiko horren emaitzak erraz ulertzeko, 5.8. Taulak modu bisualagoan erakusten ditu behar bezala sailkatu ahal izan ziren instantziak (berdez), bai lehen mailan, bai bigarrenean. Gainera, 5.8. Taulak lehen mailako sailkatzailean (laranjaz) anbiguo geratu ziren kasuak ere erakusten ditu. Sistemak ezin izan zituen pazienteetako bi behar bezala sailkatu (gorriz), eta FPko bi akats sortu zituen. Nabarmendu behar da akats mota horren ondorioak ez direla hain larriak, esan nahiko lukeelako pazienteak esperimentuko maskuria betetzeko zati inbaditzailetik igaro beharko lukeela, eta, ondorioz, medikuak ohartuko lirateke pazienteak ez zuela gaixotasuna. Maskuria betetzeko probak ez dakarrenez inolako arriskurik pazientearentzat, horrelako akatsak sortzearen kostu bakarra da pazienteak saihestu zitekeen proba bat egingo zuela. 105 5. KAPITULUA - IKASKUNTZA AUTOMATIKOAK DISREFLEXIAREN DIAGNOSTIKOARI EGINDAKO EKARPENAK 5.8. Taula: Leave-one-out metodologia erabiliz sailkatzaile hierarkikoaren emaitzak. Parentesi arteko ziurtasunak [0-1] tartean daude. Paziente 1 2 3 4 5 6 7 8 9 10 Klasea: 0-DArik Ez / 1-DA 1 0 1 1 1 1 1 1 1 1 1. mailako sailkatzailea: Iragarritako klasea: 0 1 1 1 1 1 1 1 1 1 Ziurtasuna: (1) (0.6) (1) (1) (1) (1) (1) (1) (1) (1) 2. mailako sailkatzailea: Iragarritako klasea: - 0 - - - - - - - - Ziurtasuna: - (1) - - - - - - - - Paziente 11 12 13 14 15 16 17 18 19 20 Klasea: 0-DArik Ez / 1-DA 1 0 0 1 0 0 0 1 1 1 1. mailako sailkatzailea: Iragarritako klasea: 1 0 1 1 0 0 0 1 1 1 Ziurtasuna: (1) (0.6) (0.6) (1) (0.6) (0.6) (0.8) (1) (1) (1) 2. mailako sailkatzailea: Iragarritako klasea: - 0 0 - 0 1 - - - - Ziurtasuna: - (1) (1) - (1) (1) - - - - Paziente 21 22 23 24 25 26 27 28 29 Klasea: 0-DArik Ez / 1-DA 1 1 1 0 1 1 0 1 1 1. mailako sailkatzailea: Iragarritako klasea: 1 1 1 0 1 1 1 1 0 Ziurtasuna: (1) (1) (1) (0.6) (1) (1) (1) (1) (0.6) 2. mailako sailkatzailea: Iragarritako klasea: - - - 0 - - - - 1 Ziurtasuna: - - - (1) - - - - (1) 5.5.4. Ondorioak Ekarpen honetan aurkeztutako edukiaren arabera, egindako lanaren ekarpenak honako hauek izango lirateke: batetik, DAko gertakariak hautemateari buruzko egungo bibliografia aberastea, Ikaskuntza Automatikoko tekniken bidez. Eta, beste aldetik, arlo horretan lan egiten duten klinikoei euskarria ematea. Lehenik eta behin, 5.5. Atal honen hasieran egiaztatu den bezala, lan honek ikuspegi teknologikoak urriak diren arlo batean laguntzen du, aurkitutako bibliografia gehiena patologia horren eta haren ondorioen deskribapenean zentratzen baita. Hala ere, ia ez dago DA gertaerak ikuspuntu teknologikotik detektatzeko lanik. Izan ere, literatura zientifikoan ez dago ikerketa honetan sortu den datu-base konparagarririk. 106 5.5. DISREFLEXIA AUTONOMOAREN DIAGNOSTIKO EZINBADITZAILEA EGITEKO SISTEMA HIERARKIKOA Bigarrenik, lan horrek Gurutzetako Unibertsitate Ospitaleko klinikoen onarpena jaso zuen, DA diagnostikatzeko arazo konplexuaren aurrean irtenbide bat proposatu baitzuen. Konponbide hori irizpide medikoaren arabera zehaztutako bi helburuetara egokitu zen: FN tasa zerora murriztea eta inbasibitatea eta proba klinikoak egiteko beharra minimizatzea. Hori lortu zen inbaditzaileak ez diren iturrietatik (historial klinikoa eta jatorri fisiologikoko datuak, esaterako) ateratako informazioaren erabilerari esker. Lortutako emaitzak arrakastatsuak izan arren, ikerketa-taldeak etorkizuneko bi lan-ildo aurreikusi zituen. Lehenengoa azterketa-lagina handitzean oinarritzen zen; izan ere, esperimentazioan erabilitako 29 pazienteko lagina txikia izan zitekeen emaitzak populazio zabalago batera orokortzeko. Bigarrena propietate esplikatzaileak dituzten sailkatzaileen erabileran zentratu zen, proposatutako sistema hierarkikoak klase bat zergatik aukeratu zuten ez azaltzeko ahultasuna baitu. Horrela, sailkapena sendoa eta ez-inbaditzailea izateaz gain, klinikoei azalpen bat emango lieke erabaki diagnostiko bat hartzeko. 107 5. KAPITULUA - IKASKUNTZA AUTOMATIKOAK DISREFLEXIAREN DIAGNOSTIKOARI EGINDAKO EKARPENAK 108 6. Kapitulua Ikaskuntza Automatikoaren ekarpenak egoera emozionalak detektatzeko 6.1. Hitzaurrea Azken urteotan, osasunaren kontzepzioak, Osasunaren Mundu Erakundeak (OME) definitzen duen bezala [146], aldaketa nabarmena izan du pertsonen ongizate fisikoa eta emozionala txertatzean, soilik gaixotasunik ezera mugatu beharrean. Bilakaera horren ondorioz, osasun-sistemek teknologia berriak behar dituzte, diagnostiko-prozesua optimizatzeko eta gaixotasunak hautematearekin lotutako kostuak murrizteko. Testuinguru horretan, konputazio fisiologikoan espezializatutako ikertzaileek pazienteen seinale fisiologikoetan patroiak identifikatzeko gai diren sistema informatikoak diseinatzen dituzte, eta, horri esker, diagnostikoak egin eta haien egoera emozionalari buruzko informazioa eman dezakete. Ikerketa-talde askok landu dute estresaren eta osasun mentalaren arteko harremana [147–149]. Ikerketa horiek garrantzi berezia hartu dute, COVID-19aren pandemiari lotutako estres-mailak eta buruko nahasmenduen intzidentziak nabarmen gora egin dutelako [150,151]; beraz, estresaren detekzio goiztiarra interes handiko gaia da oraindik komunitate zientifikoan [152–154]. Joera horri jarraituz, egoera estresagarriek edo lasaigarriek organismoan eragiten duten zuzeneko inpaktuan oinarritzen da ekarpen hori, eta nerbio-sistema autonomoan (NSA) islatzen da. NSAk sentsibilitate handia du, eta erantzun fisiologikoetan desberdintasunak identifika ditzake, pertsona bat estres-egoera batean erlaxatuta dagoenean, giro lasai bati kontrajarrita. Lehenago, ikerketa-talde horrek algoritmo bat garatu zuen estres-maila desberdinak detektatzeko eta sailkatzeko, bi seinale fisiologikotan oinarrituta [155]: elektrokardiogramaren RR seinalea (EKG) eta jarduera elektrodermikoa (EDA), hurrenez hurren 3.2. eta 3.4. Ataletan azalduta. 109 6. KAPITULUA - IKASKUNTZA AUTOMATIKOAREN EKARPENAK EGOERA EMOZIONALAK DETEKTATZEKO Duela gutxi, ikertzaileek argitu zuten algoritmo batek organismoaren erlaxazio-erantzunak (RRespak) detekta ditzakeela pertsona baten EDA bakarrik monitorizatzean [156]. Azterlan honen helburua RRespen egoera mentalak detektatzea da, eta hiru motatan sailkatzen dira: erlaxazioa estresean, erlaxazioa atsedenean eta erlaxazio jarraitua. Horretarako, aldaketak egin ziren aurretiko sisteman [156], RR seinaletik eratorritako ezaugarri berriak gehituz eta partehartzaileen estres eta erlaxazio egoerak eragiten zituen esperimentu batetik ateratako seinaleak erabiliz. Erlaxazio-erantzunak ematen direnean, egoera mentala ezagutzea baliagarria izan daiteke terapia eta teknologia espezifikoetan, pazientearekiko egokitzapena ebaluatzeko [157]. Gainera, izaera neurofisiologikoko proba diagnostiko batzuetan [38,158], funtsezkoa da RRespetan pazientearen egoera mentala ezagutzea, emaitza zehatzak bermatzeko; izan ere, probaren unean balio fisiologiko basalak pazientearen testuinguru mentalak alboratu ditzake. Ekarpen horren egitura honako hau da: 6.2. Atalean, datuak biltzeko prozesua zehazten da, EDA eta RR seinaleak lortzeko prozeduraren konfigurazio esperimentala barne, baita aurreprozesua eta ezaugarrien erauzketa ere, ondoren aztertzeko. Horren ostean, 6.3. Atalak sailkatzailearen diseinua jorratzen du pazienteen egoera mentala zehazteko haien RRespak momentuetan, algoritmoaren errendimenduaren ebaluazio batekin eta hiru egoera mentalak bereizteko esperimentuan ateratako ezaugarrien analisi batekin. Gainera, lortutako irtenbiderik onena erreferentziazko datu-multzo bat erabiliz probatzen da. 6.4. Atalean, emaitza positiboak sortuz tresna aplika daitekeen eremuak aztertzen dira. Azkenik, 6.5. Atalean ondorioak aurkezten dira eta etorkizuneko ikerketa-ildoak proposatzen dira. 6.2. Datu-bilketa Sarreran aipatzen den bezala, atal hau bi azpiataletan banatzen da. Lehenengoak ikertzaile-taldeak egindako esperimentua deskribatzen du; bigarrenak, berriz, hainbat ezaugarri-motaren erauzketa-prozesua du ardatz, ondoren aztertzeko. 6.2.1. Konfigurazio esperimentala Ikertzaileek esperimentu bat egin zuten egoera estresagarriak eta lasaigarriak sortzeko Bilboko Ingeniaritza Goi Eskola Teknikoko 20 ikasleren lagin batean (15 gizon eta 5 emakume), 22 eta 32 urte bitartekoak (batezbestekoa = 25.76 urte, DT = 3.7 urte). Esperimentuak CEISH-UPV/EHU, BOPV 32 (M10 2016 189), etika-batzordearen onespena jaso zuen, pribatutasun-eskubide guztien babesa eta esperimentuari buruzko lege egokiak betetzea bermatu zuena. Gainera, parte-hartzaile guztiek borondatez parte hartu zuten eta datuak modu anonimoan partekatzeko baimena eman zuten. Esperimentuak hiru etapa izan zituen: lehenik, parte-hartzaileek bideo lasaigarri bat ikusi zuten fisiologiako oinarrizko mailak ezartzeko. Ondoren, bi110 6.2. DATU-BILKETA garren etapan, 3D zurezko puzzle bat osatu zuten egoera estresagarriak eragiteko. Azkenik, bideo lasaigarria erakutsi zitzaien berriro, egoera estresagarriaren ondoren haien fisiologia berriro lasaitzen ote zen ikusteko. Esperimentua amaitzean, parte-hartzaileek galdetegi bat osatu zuten eta banakako elkarrizketak egin zitzaizkien beren egoera emozionalei eta erreakzioei buruzko informazio gehigarria lortzeko etapa desberdinetan. Probetan zehar, parte-hartzaileen EDA eta RR seinaleak erregistratu ziren, ondoren Ikaskuntza Automatikoko tekniken bidez aztertzeko. Biopac ® MP36 gailua (1000 Hz-ko laginketa) eta Studentlab programa (seinale fisiologikoak eskuratzeko asko erabiltzen dena) erabiliz bildu ziren bioseinale horiek. Bi seinaleak elektrodoen bidez jaso ziren: bi elektrodo jarri ziren hatz nagi eta txikian EDA jasotzeko [159], eta hiru elektrodoko konfigurazioa [160] erabili zen elektrokardiogramarako (hortik eratortzen da RR seinalea). EDAren eta RRren arteko harremana egoera emozionalekin EDA asko erabili da elektrofisiologiaren esparruan fenomeno mentalak detektatzeko, hala nola, nekea, estresa eta emozioak [161–166]. Aurretiko ikerketetan, taldeak frogatu zuen RRespak detekta daitezkeela EDA-n aldaketak monitorizatuz [156]. Seinale horrek azalaren eroankortasuna islatzen du eta nerbio-sistema sinpatikoaren aktibazioen ondorioz izerdia zenbat eta handiagoa izan, orduan eta balio handiagoa du [167, 168]. Ondorioz, eta efektu horren aurka, sistema sinpatikoaren inhibizioek seinale horren beherapena eragiten dute eta RResp bat gertatzen ari dela erakusten dute. Ildo horretatik jarraituz, kapitulu honetan aurkezten den lanak RRespak detektatzeaz gain, erlaxazioa sortzen den egoera mentala ere bilatzen zuen, egoeraren arabera aldatzen dena. Bibliografiak RR seinalearen portaera aztertu duten ikerketak aurkezten ditu estres mental, fisiko, atseden eta erlaxazio egoeretan [169,170]. Elektrokardiogramatik eratorritako seinale horren aukeraketaren oinarria da sistema kardiobaskularrak estres eta erlaxazio egoerak islatzen dituela, nerbio-sistema autonomoaren inerbazio sinpatiko eta parasinpatikoaren eragina baitu. Gainera, erlaxazioaren testuinguruan, meditazioak bihotzmaiztasunaren aldakortasunean duen eragina ikertu da, eta elektroentzefalografiako datuak eta bihotz-seinaleak konbinatuz erlaxazioeta meditazio-mailak zenbatesteko algoritmo bat garatu da, RR seinalea barne [171,172]. Beraz, taldeak RR seinalea eta EDA azterketan sartzeko erabakia hartu zuen, argi baitago bi seinaleak baliogarriak direla egoera emozionalak sailkatzeko. Jarraian, 6.1. Irudian, esperimentuan bildutako RR eta EDA seinaleen adibide bat agertzen da. Gris argian, aurreprozesatu gabeko seinaleak irudikatzen dira, hau da, hutsuneekin eta artefaktuekin. Algoritmoetan erroreak saihesteko, ekipoak jatorrizko seinaleak iragazi zituen, iragazitako seinaleak (berdea) lortuz. Azken grafikoak erregistroetan atzemandako RRespak erakusten ditu [156] lanean aurkeztutako algoritmo espezifiko baten bidez. 111 6. KAPITULUA - IKASKUNTZA AUTOMATIKOAREN EKARPENAK EGOERA EMOZIONALAK DETEKTATZEKO 6.2. Taula: Sailkatzailearen probaren errendimenduak, puzzlearen datubasearen 50 ezaugarriak erabiliz: zehaztasunaren batezbestekoa %-tan (Prom. Exact.) eta zehaztasunaren desbideratze tipikoak %-tan (D.T. Exact.), F1 puntuazioa eta ROC kurbaren azpiko eremua (AUC). Metrika 1R DT 1-kNN 5-kNN NB RBF Prom. Exact. 73.14 86.63 88.16 83.88 71.27 74.07 D.T. Exact. 3.01 2.55 2.20 2.67 3.33 3.80 Prom. F1 0.73 0.87 0.88 0.84 0.71 0.74 D.T. F1 0.03 0.02 0.02 0.03 0.03 0.04 Prom. AUC 0.79 0.92 0.91 0.95 0.87 0.87 D.T. AUC 0.02 0.02 0.02 0.01 0.02 0.02 Metrika SVM LR AdaB Bag RF MLP Prom. Exact. 77.01 76.90 90.51 89.78 89.27 86.61 D.T. Exact. 3.10 3.30 2.37 2.18 2.37 2.73 Prom. F1 0.77 0.77 0.91 0.90 0.89 0.87 D.T. F1 0.03 0.03 0.02 0.02 0.02 0.03 Prom. AUC 0.86 0.91 0.97 0.97 0.97 0.95 D.T. AUC 0.02 0.02 0.01 0.01 0.01 0.01 6.2. Taulan, Bag ( %89.78 ± 2.18) eta RF ( %89.27 ± 2.37) sailkatzaileek AdaB-tik oso hurbil zeuden zehaztasunak erakutsi zituzten. Hiru algoritmoek ROC(AUC) balio bera lortu zuten, eta horrek zailtzen du zein den onena zehaztea. Hori dela eta, analisi estatistiko bat egin zen Friedman [130] testa erabiliz, eta horrek baztertu egin zuen algoritmo guztiek 0.05eko adierazgarritasunmailaren pareko emaitza zehatzak izatearen hipotesi nulua. Algoritmoek beren errendimenduan alde esanguratsuak zituztela baieztatu ondoren, egileek bigarren test estatistiko bat egin zuten sailkatzailerik onena zehazteko. Baliozkotze gurutzatuaren metodologia dela eta, t korrelatu bayestarra proba (BC testa) [131] erabili zuten hipotesi nuluaren garrantzi-probaren alternatiba egokientzat, noiz eta baliozkotze gurutzatuaren metodologia erabiltzen den sailkatzaile ugari konparatzeko. Test hau zehatzago deskribatzen da 4.5. Atalean. Azterketa estatistiko honen emaitzen interpretazioari buruzko oroigarri gisa, algoritmoak estatistikoki baliokideak direla jotzen da probabilitatedentsitatearen funtzioaren (PDF) zati handiena baliokidetasun praktikoaren zonaldearen barruan badago (ROPE, [132]), eta batezbesteko zehaztasun-diferentzia ± %1 baino txikiagoa bada. BC testaren metodologia erabiliz, egileek 12 algoritmoetako bakoitza bere 11 aurkariekin alderatu zuten. Konparazio horren emaitzak matrize moduan agertzen dira (6.3. Irudia), non gelaxka berdeek adierazten duten errenkadaren algoritmoak zutabearenak baino zehaztasun handiagoa lortzeko probabilitate handiagoa duela, eta gelaxka gorriek kontrakoa adierazten dute. Gris argiko 118 6.3. SAILKAPEN-TRESNAREN DISEINUA gelaxkek adierazten dute algoritmoek modu baliokidean funtzionatzen dutela eta probabilitate-dentsitate gehiena ROPE zonaldearen barruan dagoela. 1.00 1.00 1.00 0.75 0.48 0.99 0.98 1.00 1.00 1.00 1.00 1.00 0.69 0.94 1.00 1.00 1.00 1.00 1.00 0.99 0.95 0.68 1.00 0.69 1.00 1.00 1.00 1.00 1.00 0.93 0.74 0.55 0.70 1.00 0.94 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 0.95 0.75 1.00 1.00 1.00 0.95 1.00 1.00 1.00 1.00 1.00 1.00 0.48 1.00 1.00 1.00 0.95 0.95 0.92 1.00 1.00 1.00 1.00 0.99 1.00 1.00 1.00 1.00 0.95 0.81 1.00 1.00 1.00 1.00 0.98 1.00 1.00 1.00 1.00 0.92 0.81 1.00 1.00 1.00 1.00 1.00 1.00 0.93 1.00 1.00 1.00 1.00 1.00 0.64 0.61 1.00 1.00 0.99 0.74 1.00 1.00 1.00 1.00 1.00 0.64 0.73 0.99 1.00 0.95 0.55 1.00 1.00 1.00 1.00 1.00 0.61 0.73 0.96 1.00 0.68 0.70 0.95 1.00 1.00 1.00 1.00 1.00 0.99 0.96 1R 1R DT DT 1-NN 1-NN 5-NN 5-NN NB NB RBF RBF SVM SVM LR LR AdaB AdaB Bag Bag RF RF MLP MLP 6.3. Irudia: Bikoteka egindako alderaketaren emaitzak, BC testa eta puzzlearen datu-basearen 50 ezaugarriak erabiliz. Gelaxketako balioek konparazioaren ondorengo probabilitatea adierazten dute. Koloreak adierazten du ilararen algoritmoa zutabearena baino hobea (berdea) edo okerragoa (gorria) den. Zenbat eta kolore biziagoa, orduan eta probabilitate handiagoa. Gelaxka grisek adierazten dute algoritmoek modu baliokidean funtzionatzen dutela. 6.3. Irudian ikus daitekeenez, AdaB algoritmoak du garaipen kopuru handiena pareen arteko konparazioetan. Gainera, AdaB-en eta Bag-en arteko kasu espezifikoan, %64ko probabilitatea dago modu baliokidean funtzionatzeko. Hala ere, konparazio horren PDFaren irudikapena xehetasun handiagoz aztertuz gero (ikus 6.4. Irudia), ondoriozta daiteke PDFaren gainerako zatirik handienak AdaB-k Bag gainditzeko probabilitate handiagoa duela adierazten duela. Beraz, egileek ondorioztatu zuten AdaB zela sailkapena egiteko aukerarik onena datu-basearen ezaugarri guztiak erabiliz gero. 119 6. KAPITULUA - IKASKUNTZA AUTOMATIKOAREN EKARPENAK EGOERA EMOZIONALAK DETEKTATZEKO 0.02 0.00 0.02 0.04 AdaB vs Bag 0 20 40 PDF PDF ROPE 6.4. Irudia: AdaB vs. Bag konparaziorako ondorengo PDFa. Errendimenduaren analisian, ohikoa da sistemak sinplifikatzea, konplexutasuna eta kostu konputazionalak murrizteko erabilgarritasun gutxien duen informazioa ezabatzen baita. Beraz, arazoaren dimentsioa murriztu eta ezaugarri garrantzitsuenak bakarrik erabiliz sailkatzaileen errendimendua hobetu ohi da. Hori dela eta, hiru egoera mentalen artean bereizteko dauden 50 ezaugarri garrantzitsuenen hautaketa aztertu zen. Horretarako, Wekaren Korrelazioan oinarritutako Ezaugarriak Hautatzeko (CFS) [181] metodoaren best-first (greedy) inplementazioa erabili zen. Teknika honek 11 ezaugarri oso bereizgarri hautatu zituen: RR Mean, RR Norm Mean, RR Max, RR Min, RR Norm Max, RR Norm Mean Avg, RR Norm Max Avg, RR Norm Min Std, RR Slope, EDA Slope Avg eta EDA/EDA SurfDiff. Horrela, arazoaren dimentsioa murrizteak eta ezaugarri garrantzitsuenak bakarrik erabiltzeak sailkatzaileen errendimendua hobetu egin zuen. Errendimendu hori, 11 ezaugarriak erabiliz, 6.3. Taulan agertzen da. Taula horretan, RFk batezbesteko zehaztasunik onena lortu zuen ( %90.34 ± 2.32), eta, ondoren, AdaB algoritmoak ( %90.24 ± 2.56) eta Bag algoritmoak ( %89.88 ± 2.33). Gainera, hirurek F1 balio bera lortu zuten eta AUC oso antzekoak. Antzeko errendimendu-balioak dituzten algoritmoak lortu ondoren, egileek lehen aipatutako estatistika-probak egin zituzten zera zehazteko: ea hirurak baliokideak ziren edo zein zen onena. Friedmanen testak hipotesi nulua baztertu zuen, algoritmo guztiek berdin jokatu ez zutela adieraziz. BC testak AdaB, Bag eta RF algoritmoak alderatu zituen, eta hiru algoritmoetarako probabilitate maximoaren dentsitatea ROPEren mugen barruan zegoela erakutsi zuen. BC testak prestazio baliokideak adierazi zituen arren, 6.3. Taula behatzean, agerian 120 6.3. SAILKAPEN-TRESNAREN DISEINUA geratu zen RFk zehaztasun onena eta desbiderapen tipiko txikiena lortu zuela 12 algoritmoen artean. Beraz, egileek RFa erabiltzea erabakiko lukete, bat aukeratu beharko balute. Gainera, CFS metodoa aplikatzean eta 11 ezaugarri bakarrik hautatzean, sailkapena errazagoa eta azkarragoa izan zen, batezbesteko zehaztasunaren 0.5 baino kostu txikiagoarekin (AdaB (50 ezaugarri) = %90.51 eta RF (11 ezaugarri) = %90.34). 6.3. Taula: Sailkatzailearen probaren errendimenduak, CFS algoritmoak puzzlearen datu-baserako hautatutako 11 ezaugarriak bakarrik erabiliz: zehaztasunaren batezbestekoa %-tan (Prom. Exact.) eta zehaztasunaren desbideratze tipikoak %-tan (D.T. Exact.), F1 puntuazioa eta ROC kurbaren azpiko eremua (AUC). Metrika 1R DT 1-kNN 5-kNN NB RBF Prom. Exact. 73.14 87.11 89.65 87.87 72.76 72.24 D.T. Exact. 3.01 2.77 2.39 2.36 3.35 3.32 Prom. F1 0.73 0.87 0.90 0.88 0.73 0.74 D.T. F1 0.03 0.03 0.02 0.02 0.03 0.03 Prom. AUC 0.79 0.92 0.92 0.97 0.88 0.88 D.T. AUC 0.02 0.02 0.02 0.01 0.02 0.02 Metrika SVM LR AdaB Bag RF MLP Prom. Exact. 75.46 76.07 90.24 89.88 90.34 81.80 D.T. Exact. 3.35 3.11 2.56 2.33 2.32 3.25 Prom. F1 0.76 0.76 0.90 0.90 0.90 0.82 D.T. F1 0.03 0.03 0.02 0.02 0.02 0.03 Prom. AUC 0.85 0.90 0.97 0.98 0.98 0.93 D.T. AUC 0.02 0.02 0.01 0.01 0.01 0.02 6.3.2. Azken ikuspegia 6.3.1. Azpiatalaren emaitzak aztertu ondoren, egileek ikusi zuten CFSk hautatutako 11 ezaugarrietatik 8 RR seinalearen rangoarekin eta balioekin lotuta zeudela: RR Mean, RR Norm Mean, RR Max, RR Min, RR Norm Max, RR Norm Mean Avg, RR Norm Max Avg eta RR Norm Min Std. Hori ikusita, egileek RR seinalearekin lotutako ezaugarriak sintetizatu zituzten RR Band izeneko ezaugarri bakar batean, hiru baliotan banatzen dena: 1-erlaxazio-banda, 2-banda basala edo atseden-banda eta 3-estres-banda. Azterketa-leiho batean RR Band balioa esleitzeko mugak zehazten dira, seinale osoan maximo absolutuaren eta minimoaren arteko aldea hiru banda berdinetan zatituz. Ikus 6.5. Irudia. Gero, RR Mean balioa erabiltzen da aztertutako leihoa zein bandakoa den erabakitzeko. RR Band ezaugarri hori soluzio sendo eta moldagarri gisa agertzen da, mugak azterketa-subjektuaren fisiologia indibidualaren araberakoak baitira. 121 6. KAPITULUA - IKASKUNTZA AUTOMATIKOAREN EKARPENAK EGOERA EMOZIONALAK DETEKTATZEKO Denbora (s) RR seinalea Atseden-erlaxazioa atalasea Atseden-estresa atalasea Erlaxazio-banda Atseden-banda Estres-banda RResp Erlaxazioan RResp Atsedenean RResp Estresean RR (s) 6.5. Irudia: RR Band ezaugarriak RR seinalearen anplitudea diskretizatzen du hiru bandatan: 1 erlaxazio-bandarako, 2 atseden-bandarako eta 3 estresbandarako. Instantzia guztietarako RR Band balioa kalkulatu ondoren, ikertzaileek esperimentazioa errepikatu zuten 12 sailkatzaileekin, ezaugarri berri horrek sailkapena hobetzen zuen ikusteko. 6.3.1. Atalak bezala, lehenik, jatorrizko 50 ezaugarriak gehi RR Band biltzen zituen azpiespazio bat esploratu zuten, eta, ondoren, CFS algoritmoak hautatutako ezaugarriak bakarrik zituen beste azpiespazio bat, RR Band barne. Lehen probaren emaitzak 6.4. Taulan erakusten dira, non algoritmo guztien zehaztasunean gorakada nabarmena ikusten den: aurreko esperimentuetan errendimendu txarrena izan zuten algoritmoek ere nabarmen egin zuten hobera, beren batezbesteko zehaztasunak %71.27 ± 3.33tik (NB) eta %72.24 ± 3.32tik (RBF) gutxienez %89.46 ± 2.11ko (NB) eta %88.40 ± 2.39ko (RBF) batezbesteko zehaztasunera handituz. Beraz, esan daiteke RR Band ezaugarri berria gehitzeak algoritmoen errendimendu orokorra nabarmen handitzea ekarri zuela, ezaugarri gehigarri hori erabiltzearen onurak nabarmenduz. Testuinguru horretan, 51 ezaugarrirekin, AdaB, Bag eta RF ziren errendimendu onena zuten algoritmoak, eta, gainera, zeheztasun-, F1eta AUC-balio antzekoak lortu zituzten. Taldeak Friedmanen testaren eta BC testaren konbinazio bat aplikatu zuen algoritmoen errendimendua alderatzeko. Friedmanen testak algoritmoek errendimendu baliokideak zituztela adierazi zuen. Hala ere, BC testak erakutsi zuen Bag algoritmoak konparazio kopuru handiena irabazi zuela konparazio matrizean (6.6. Irudia). Emaitza horietan oinarrituta, egileek bat aukeratu beharko balute, Bag aukeratuko lukete, konparazio gehiago irabazi zituelako eta gutxieneko desbideratze tipikoarekin batezbesteko zehaztasunik onena lortu zuelako 6.4. Taulan ikus daitekeen bezala (Bag = %94.15 ± 1.64 vs AdaB = %93.90 ± 1.67 eta RF = %93.46 ± 1.76). 122 6.3. SAILKAPEN-TRESNAREN DISEINUA 6.4. Taula: Sailkatzailearen probaren errendimenduak, puzzlearen datumultzoaren beste 50 ezaugarriei RR Band ezaugarria gehitu ondoren: zehaztasunaren batezbestekoa %-tan (Prom. Exact.) eta zehaztasunaren desbideratze tipikoak %-tan (D.T. Exact.), F1 puntuazioa eta ROC kurbaren azpiko eremua (AUC). Metrika 1R DT 1-kNN 5-kNN NB RBF Prom. Exact 93.36 92.52 92.97 92.35 89.46 88.40 D.T. Exact. 1.86 1.65 1.57 1.91 2.11 2.39 Prom. F1 0.93 0.92 0.93 0.92 0.89 0.88 D.T. F1 0.02 0.02 0.02 0.02 0.02 0.02 Prom. AUC 0.95 0.95 0.95 0.98 0.97 0.95 D.T. AUC 0.02 0.01 0.01 0.01 0.01 0.01 Metrika SVM LR AdaB Bag RF MLP Prom. Exact 93.36 92.22 93.90 94.15 93.46 92.63 D.T. Exact. 1.86 1.76 1.67 1.64 1.76 1.93 Prom. F1 0.93 0.92 0.94 0.94 0.93 0.93 D.T. F1 0.02 0.02 0.02 0.02 0.02 0.02 Prom. AUC 0.96 0.98 0.98 0.98 0.98 0.98 D.T. AUC 0.01 0.01 0.01 0.01 0.01 0.01 0.61 0.81 0.51 1.00 1.00 1.00 0.62 0.80 0.69 0.86 0.68 0.61 0.79 0.88 1.00 1.00 0.61 0.89 0.76 0.88 0.54 0.87 0.81 0.79 0.73 1.00 1.00 0.81 0.66 0.55 0.63 0.80 0.84 0.51 0.88 0.73 0.99 1.00 0.51 0.90 0.84 0.95 0.57 0.86 1.00 1.00 1.00 0.99 0.54 1.00 0.99 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 0.54 1.00 1.00 1.00 1.00 1.00 1.00 1.00 0.61 0.81 0.51 1.00 1.00 0.62 0.80 0.69 0.86 0.68 0.62 0.89 0.66 0.90 0.99 1.00 0.62 0.90 0.98 0.64 0.86 0.80 0.76 0.55 0.84 1.00 1.00 0.80 0.90 0.94 0.82 0.69 0.69 0.88 0.63 0.95 1.00 1.00 0.69 0.98 0.94 0.69 0.84 0.86 0.54 0.80 0.57 1.00 1.00 0.86 0.64 0.82 0.69 0.59 0.68 0.87 0.84 0.86 1.00 1.00 0.68 0.86 0.69 0.84 0.59 1R 1R DT DT 1-NN 1-NN 5-NN 5-NN NB NB RBF RBF SVM SVM LR LR AdaB AdaB Bag Bag RF RF MLP MLP 6.6. Irudia: Bikotekako alderaketaren emaitzak, BC testa erabiliz, RR Band ezaugarria puzzlearen datu-basearen beste 50 ezaugarriei gehitu ondoren. Egileek aurretiko esperimentua errepikatu zuten CFS erabiliz, ezaugarri garrantzitsuenak dituen azpiespazio bat sortzeko. Espero bezala, RR Band ezauga123 6. KAPITULUA - IKASKUNTZA AUTOMATIKOAREN EKARPENAK EGOERA EMOZIONALAK DETEKTATZEKO rria 6 garrantzizkoenen artean zegoen: RR Band, RR Mean, RR Norm Mean Std, EDA/EDA SurfDiff, EDA/RR SurfDiff eta RR/RR SurfDiff Std. Horrek iradokitzen du RR Band funtsezko ezaugarria dela RR seinalearen aldaketei buruzko informazioa sintetizatzeko, datu-base honetan behintzat. Azpimultzo honetako sailkapen-analisiaren emaitzak 6.5. Taulan aurkezten dira, eta berriro nabarmentzen da RR Band ezaugarriak sailkapenean duen onura esanguratsua. Ezaugarri hori eta CFS algoritmoa konbinatuz, errendimendu-metrika oso antzekoak sortu ziren algoritmo guztien artean, %1etik beherako aldearekin onenaren eta okerrenaren arteko batezbesteko zehaztasunean. Kasu honetan, RF algoritmoak erakutsi zuen errendimendurik onena ( %94.01 ± 1.73), batezbesteko zehaztasuna Bag-etik oso hurbil zegoela ( %93.94 ± 1.75). Aurkikuntza horiek RR Bandek sailkapen-prozesuan duen garrantzia sendotzen dute. 6.5. Taula: Sailkatzailearen probaren errendimenduak, RR Band ezaugarria gehitu ondoren eta soilik CFS algoritmoak puzzlearen datu multzorako hautatutako 6ak erabiliz: zehaztasunaren batezbestekoa %-tan (Prom. Exact.) eta zehaztasunaren desbideratze tipikoak %-tan (D.T. Exact.), F1 puntuazioa eta ROC kurbaren azpiko eremua (AUC). M´etrica 1R DT 1-kNN 5-kNN NB RBF Prom. Exact. 93.36 93.38 93.18 93.46 93.29 93.02 D.T. Exact. 1.86 1.97 1.92 1.85 1.87 1.81 Prom. F1 0.93 0.93 0.93 0.93 0.93 0.93 D.T. F1 0.02 0.02 0.02 0.02 0.02 0.02 Prom. AUC 0.95 0.97 0.95 0.97 0.97 0.97 D.T. AUC 0.01 0.01 0.02 0.01 0.01 0.01 M´etrica SVM LR AdaB Bag RF MLP Prom. Exact. 93.36 93.26 93.71 93.94 94.01 93.59 D.T. Exact. 1.86 1.82 1.86 1.75 1.73 1.75 Prom. F1 0.93 0.93 0.94 0.94 0.94 0.94 D.T. F1 0.02 0.02 0.02 0.02 0.02 0.02 Prom. AUC 0.96 0.97 0.98 0.98 0.98 0.97 D.T. AUC 0.01 0.01 0.01 0.01 0.01 0.01 Emaitza horiekin, test estatistikoak egitea funtsezkoa izan zen sailkatzaileak modu justuan alderatzeko. Test horiei dagokienez, Friedmanen testak hipotesi nulua baztertu zuen bitartean (sentsibilitate oso handia du), BC testak matrize bat eman zuen, algoritmo guztiak modu baliokidean funtzionatzen ari zirela adierazten zuena. Zentzu horretan, 6.4. Taularen arabera, RF aukera onena izango litzateke egileentzat, errendimendu onena lortzea bilatuko balute. Emaitza horiek esparru berri bat irekitzen dute, non ez litzatekeen errendimenduan eragin handirik izango algoritmo sinpleago bat erabiliko balitz, adibidez, kostu txikiko hardware-gailu bat inplementatzeko. Gainera, esparru berri honek propietate esplikatzaileak dituen sailkatzaile bat erabiltzea ahalbidetuko luke, askotan aplikazio medikoetan nahi den atributua dena (azken erabakia medikuen esku 124 6.3. SAILKAPEN-TRESNAREN DISEINUA dago beti, baina algoritmoaren azalpenak erabaki hori hartzen lagun diezaieke). Egileek 6.4. Atalean eztabaidatuko dute diseinu honen erabilera baliagarria izan daitekeen egoerei buruz. Gainera, CFSk RR Band eta RR Mean ezaugarriak ere hautatu zituen garrantzitsuenetako bi balira bezala. Horregatik, egileek esperimentua errepikatu zuten, RR Band ezaugarriarekin %80tik gorako korrelazioa zuten ezaugarri guztiak eskuz ezabatuz (RR Mean barne). Hala ere, emaitzek okerrera egin zuten, eta horrek iradokitzen du RR Meanek informazio bakarra duela eta ezin dela RR Band bidez ordezkatu, azken horren bertsio jarraitua baita. Emaitzen azterketarekin jarraituz, interesgarria da, halaber, zein egoera mental sailkatzeko zailenak diren jakitea. Informazio hori 6.7. Irudian dago. Irudi horretan, 6.2. eta 6.3. Tauletako eta 6.4. eta 6.5. Tauletako aztertutako bi kasuen sailkatzaile onenen nahaste-matrizeak agertzen dira. RResp Erlaxazioan gisa sailkatua RResp Atsedenean gisa sailkatua RResp Estresean gisa sailkatua Relajación RResp Basal RResp Estrés RResp AdaB, ezaugarriak hautatu gabe eta RR_Band erabili gabe Bag, ezaugarriak hautatu gabe eta RR_Band erabilita RF, ezaugarriak hautatuta eta RR_Band erabili gabe RF, ezaugarriak hautatuta eta RR_Band erabilita Exactitud promedio: 90.51% Exactitud promedio: 94.15% Exactitud promedio: 90.34% Exactitud promedio: 94.01% RResp Erlaxazioan gisa sailkatua RResp Atsedenean gisa sailkatua RResp Estresean gisa sailkatua Relajación RResp Basal RResp Estrés RResp Estrés RResp Estrés RResp Basal RResp Basal RResp Relajación RResp Relajación RResp RResp Estresean gisa sailkatua RResp Estresean gisa sailkatua RResp Atsedenean gisa sailkatua RResp Atsedenean gisa sailkatua RResp Erlaxazioan gisa sailkatua RResp Erlaxazioan gisa sailkatua 0.8 0.6 0.4 0.2 0.8 0.8 0.8 0.6 0.6 0.6 0.4 0.4 0.4 0.2 0.2 0.2 0.0 0.0 0.0 %93.52 %88.54 %89.49 %5.26 %0.24 %10.27 %6.31 %6.19 %0.17 %93.69 %97.52 %91.20 %1.39 %0.00 %8.80 %6.31 %1.08 %0.00 %94.20 %88.54 %88.26 %6.19 %0.24 %11.49 %5.80 %5.26 %0.00 0.8 0.6 0.4 0.2 0.0 %94.37 %96.28 %91.44 %2.01 %0.00 %8.56 %5.63 %1.70 %0.00 RResp Erlaxazioan RResp Atsedenean RResp Estresean RResp Erlaxazioan RResp Atsedenean RResp Estresean RResp Erlaxazioan RResp Atsedenean RResp Estresean RResp Erlaxazioan RResp Atsedenean RResp Estresean Batezbesteko zehaztasuna: %90.51 Batezbesteko zehaztasuna: %94.15 Batezbesteko zehaztasuna: %94.01 Batezbesteko zehaztasuna: %90.34 6.7. Irudia: Sailkatzaile onenen nahaste-matrizeak, puzzlearen datu-basea erabiliz: AdaB CFS eta RR Band erabili gabe, RF CFS erabiliz baina ez RR Band, Bag RR Band erabiliz baina ez CFS eta RF RR Band eta CFS erabiliz. 125 6. KAPITULUA - IKASKUNTZA AUTOMATIKOAREN EKARPENAK EGOERA EMOZIONALAK DETEKTATZEKO 6.7. Irudian erakutsitako emaitzek erakusten dutenez, RR Bandek sailkatzaileen errendimendua hobetzen du, CFSren erabilera alde batera utzita. Ezaugarri honek muturreko klaseen arteko nahasketak saihesten ditu (RResp Erlaxazioan eta RResp Estresean). Bestalde, ikus daiteke RResp Atsedenean klasea behar bezala sailkatzea dela lanik zailena, bere bitarteko izaeragatik eta beste bi motekin duen antzekotasuna dela eta. Emaitza horiek ezaugarri berriaren sendotasuna erakusten dute. 6.3.3. Erreferentziako datu-base batekin sailkatzeko tresnaren proba Puntu honetaraino, ekarpen honetan aurkeztutako sailkapen-tresna 3D puzzlearen esperimentuko datuetatik sortutako datu-baserekin bakarrik probatu zen. Hala ere, haren errendimendua beste datu-base batekin egiaztatu behar zen, haren eraginkortasuna baliozkotu ahal izateko. Egileek ez zuten arazo bera lantzen zuen datu-baserik aurkitu bibliografian. Hori horrela, UCI biltegiko WESAD datu-basea [182] hautatu zuten konparazio horretarako. Arrazoiak honako hauek dira: alde batetik, bibliografian aitortutako datu-basea da, eta, bestetik, seinale fisiologikoek eta etiketek tresna hau diseinatzeko erabilitako puzzlearen datu-basearekin duten antzekotasuna. WESAD datu-baseak 15 parte-hartzaileren (12 gizon eta 3 emakume) seinale fisiologikoak ditu, 27.5 urteko batezbesteko adinarekin. Bi gailu erabili ziren, RespiBan ® eta E4 Wristband ® , hainbat seinale fisiologiko biltzeko [182]. Lehenengoarekin toraxetik elektrokardiograma, EDA, elektromiograma eta azalaren tenperatura bildu ziren; bigarrenarekin, berriz, odol-bolumenaren pultsua, EDA, larruazalaren tenperatura eta nagusi ez den eskuaren azelerometroaren seinalea jaso ziren. Konparaziorako, bi seinale bakarrik erabili ziren: EDArena eta elektrokardiogramatik eratorritako RRarena [182]. Datu-base honen esperimentua osatzen zuten probek hainbat egoeratan bildutako seinaleak biltzen zituzten. Alde batetik, bideoklipak edo diskurtsoak aurkezten ziren, atsedenalditik, une estresagarrietatik eta dibertimenduko beste une batzuetatik zetozen egoerak sortzeko. Bestalde, parte-hartzaileen artean erlaxazio-egoerak sortzen ziren, meditazio-ariketak eginez. 6.8. Irudiak datubasearen erregistro baten adibide bat erakusten du, EDA eta RR seinaleekin eta etapa bakoitzari dagozkion etiketekin. 6.3.2. Atalean azaldutako sailkapen-tresna aplikatu ahal izateko, ekipoak bere algoritmoa erabili zuen RRespak detektatzeko [156] WESAD datu-baseko 15 erregistroetan, dibertigarritzat katalogatutako zatien RRespak kontuan hartu gabe, ez baitzetozen bat ekarpen honetan ikasitakoarekin. 4184 kasu detektatu ziren eta honela etiketatu ziren esperimentuaren etapen arabera: 1542 RResp Erlaxazioan, 2017 RResp Atsedenean eta 625 RResp Estresean. 6.3.2. Azpiatalean bezala, seinale fisiologikoen 6 ezaugarriak atera ziren (RR Band, RR Mean, RR Norm Mean Std, EDA/EDA SurfDiff, EDA/RR SurfDiff eta RR/RR SurfDiff Std), 12 algoritmoak entrenatu ziren eta batezbesteko zehaztasuna, F1 puntuazioa eta AUC metrikak kalkulatu ziren 10-folds 10 exekuziorekin baliozkotze gurutzatua erabiliz. Emaitzak 6.6. Taulan daude. 126 6.3. SAILKAPEN-TRESNAREN DISEINUA 0.6 0.8 1 1.2 RR (s) 0 1000 2000 3000 4000 5000 Denbora (s) 1 1.1 1.2 EDA (mS) 104 6.8. Irudia: WESAD datu-basearen erregistro baten seinaleak. Laukiek datubasearen etiketak adierazten dituzte: berdea basal egoerarako, morea dibertsiorako, urdina meditaziorako eta gorria estreserako. 6.6. Taula: Sailkatzailearen probaren errendimenduak WESAD datu-basea erabiliz. Sailkatzeko ezaugarriak sei izan ziren, puzzlearen datu-baserako hautatuak. Metrika 1R DT 1-kNN 5-kNN NB RBF Prom. Exact. 55.65 86.11 84.26 82.67 63.37 66.46 D.T. Exact. 2.54 1.92 1.71 1.91 1.99 2.15 Prom. F1 0.55 0.86 0.84 0.83 0.61 0.64 D.T. F1 0.03 0.02 0.02 0.02 0.02 0.02 Prom. AUC 0.61 0.92 0.86 0.92 0.75 0.77 D.T. AUC 0.02 0.02 0.01 0.01 0.02 0.02 Metrika SVM LR AdaB Bag RF MLP Prom. Exact. 65.87 68.31 90.36 89.68 88.92 71.69 D.T. Exact. 1.74 1.91 1.62 1.52 1.45 1.31 Prom. F1 0.63 0.67 0.90 0.90 0.89 0.71 D.T. F1 0.02 0.02 0.02 0.02 0.01 0.03 Prom. AUC 0.71 0.79 0.97 0.97 0.96 0.82 D.T. AUC 0.01 0.02 0.01 0.01 0.01 0.03 6.6. Taularen emaitzek erakusten dutenez, proposatutako ikuspegia erabiltzean, algoritmo onenek %90 inguruko batezbesteko zehaztasuna lortu zuten. Jatorrizko datu-basearekin lortutako emaitzak baino %5 okerragoak badira ere, 127