Title:	REDUCCIÓN DE CARACTERÍSTICAS UTILIZANDO CORRELACIÓN DE SPEARMAN Y ANÁLISIS DE COMPONENTES PRINCIPALES PARA LA ESTIMACIÓN DE LA PRESIÓN ARTERIAL
Author(s):	Carolina Elizabeth Villegas Colmán, Cynthia Emilia Villalba Cardozo, José Luis Vázquez Noguera y Miguel García Torres
ISBN:	978-989-8704-35-1
Editors:	Paula Miranda, Cristiano Costa e Flávia Maria Santoro
Year:	2021
Edition:	Single
Keywords:	Análisis de Componentes Principales, Aprendizaje Automático, Correlación de Spearman, Presión Arterial, Reducción de Características
Type:	Full
First Page:	125
Last Page:	132
Cover:
Full Contents:	click to dowload
Paper Abstract:	Determinar el número óptimo de predictores que deben incluirse en un modelo de predicción es una de las cuestiones críticas a medida que el conjunto de datos va incrementando. Además, algunos modelos pueden verse afectados por predictores no informativos. Aplicar la técnica de reducción de características apropiada permitirá reducir la cantidad de variables numéricas de entrada no informativa o redundante, y mejorar el rendimiento de los modelos de predicción. El propósito del trabajo es la reducción de características utilizando Correlación de Spearman y Análisis de Componentes Principales, aplicadas con algoritmos de aprendizaje automático para la estimación de la presión arterial utilizando señales de fotopletismografía. La evaluación de los modelos predictivos aplicando las dos técnicas de reducción de características con diferentes enfoques, se realizó comparando las métricas de regresión ME±SD, MAE, MSE y RMSE para la estimación de la presión arterial sistólica (PAS), presión arterial diastólica (PAD) y presión arterial media (PAM). Los resultados comparativos demostraron que la técnica de reducción de características aplicando análisis de componentes principales como paso previo al entrenamiento de los modelos predictivos, permite obtener mejores desempeños de predicción para PAS (-0,14±1,66 mmHg), PAD (0,40±6,40 mmHg) y PAM (0,37±5,64 mmHg). Las técnicas de reducción de características en conjunto con los modelos predictores propuestos, presentan valores de estimación que se posicionan en el rango de precisión de los estándares AAMI y BHS.
	Go Back