A data-driven strategy combining heart rate variability, empirical mode decomposition and machine learning for early cardiac autonomic neuropathy detection in diabetes

Abstract

A neuropatia autônoma cardiovascular (NAC), complicação do diabetes mellitus (DM), é uma condição que afeta a regulação neural do sistema cardiovascular. O objetivo desta tese é analisar sinais de variabilidade de frequência cardíaca (VFC) usando a previsão de modo empírico (DME) e técnicas de análise de VFC para identificar alterações precoces ou subclínicas na função autonômica de indivíduos com DM que possuem NAC. A tese está estruturada em três itens: (a) o desenvolvimento e validação de uma ferramenta de processamento de sinais de VFC integrada a um banco de dados para o pré-processamento de sinais de eletrocardiograma (ECG) e fotopletismografia (PPG), permitindo um análise da VFC e sensibilidade barorreflexa, bem como a implementação do método DME e proteção de parâmetros, que foi uma base para ambos os estudos desta tese; (b) o Primeiro Estudo investigou a relevância das características baseadas no DME extraídas dos sinais de VFC para diferenciar entre os níveis de progressão do NAC em pacientes com DM tipo 2. Este estudo envolveu 60 participantes igualmente divididos em três grupos: semNAC - ausência de NAC, subNAC - NAC subclínica e estNAC - NAC obrigatória. Seis características da DME (ASRarea - área do sinal analítico; SODParea - área dos gráficos de diferenças de segunda ordem; SODPctm? medida da tendência central dos gráficos de diferença de segunda ordem; PSDpkamp ? amplitude de pico da estimativa da densidade espectral de potência; e PSDmfreq - frequência média da estimativa da densidade espectral de potência) foram extraídas dos sinais de intervalo RR e comparados entre os grupos. Os resultados revelaram diferenças importantes entre os indivíduos semNAC e estNAC para todos os parâmetros do DME e seus componentes, exceto para PSDmfreq. Além disso, apenas alguns componentes do DME de cada parâmetro mostraram diferenças importantes entre indivíduos semNAC ou estNAC e aqueles com subNAC. Também houve uma redução gradual na variabilidade e distribuição de potência dos componentes da DME correlacionada com os projetos de gravidade da NAC e; (c) o Segundo Estudo, que avaliou o desempenho de vários modelos de aprendizado de máquina supervisionados e diferentes técnicas de seleção de características para a classificação multiclasse dos níveis de gravidade da NAC. O estudo utilizou um conjunto de dados composto por dados de ECG e PPG de 250 indivíduos com DM tipo 1 ou tipo 2, categorizados em três classes de progressão da NAC. Três conjuntos de características foram considerados: um contendo cláusulas convencionais do VFC (incluindo domínios de tempo, frequência e parâmetros não lineares), outro composto exclusivamente por características baseadas no DME derivadas do VFC, e o último incorporando uma combinação de todas essas características derivadas do VFC . Os principais resultados indicaram que os modelos de aprendizado de máquina que utilizaram o conjunto composto resultaram em maior acurácia de classificação (88,4%), com características de todos os métodos de análise da VFC contribuindo para esse resultado. Ambos os estudos demonstraram que as medidas extraídas do DME podem contribuir para caracterizar alterações subclínicas associadas à manifestação do NAC em conjunto com as sessões tradicionais do VFC. Esses resultados demonstram o potencial de medidas baseadas no DME como uma ferramenta de triagem viável para o diagnóstico precoce da NAC.

Abstract: Cardiovascular autonomic neuropathy (CAN), a diabetes mellitus (DM) complication, is a condition that disrupts the neural regulation of the cardiovascular system. This thesis aims to analyse heart rate variability (HRV) signals using the empirical mode decomposition (EMD) and established HRV analysis techniques, to identify early or subclinical autonomic function alterations in DM individuals with CAN. The thesis is structured into three sections: (a) the development and validation of an HRV signal processing tool integrated with a database for preprocessing electrocardiogram (ECG) and photoplethysmogram (PPG) signals, allowing for HRV and baroreflex sensitivity analysis, along with the implementation of the EMD method and feature extraction, which was the basis for both the studies of this thesis; (b) the First Study, that investigated the relevance of EMD-based features extracted from HRV signals to differentiate between progression levels of CAN among type 2 DM patients. This study involved 60 participants equally divided into three groups: noCAN - no presence of CAN, subCAN - subclinical CAN, and estCAN - established CAN. Six EMD features ( ? the area of the analytical signal; - area of the second-order difference plot; - the central tendency measure of the second-order difference plot; - peak amplitude of the power spectral density estimation; - band power of the power spectral density estimation; and - mean frequency of the power spectral density estimation) were extracted from the RR interval signals and compared between groups. The results revealed significant differences between the noCAN and estCAN individuals for all EMD features and their components, except for the . Moreover, only some EMD components of each feature showed significant differences between individuals with noCAN or estCAN and those with subCAN. Also, there was a gradual reduction in variability and power distribution of the EMD components correlated to the stages of CAN severity; and (c) the Second Study assessed the performance of several supervised machine learning models and different feature selection techniques for the multiclass classification of CAN severity levels. The study employed a dataset comprising ECG and PPG data from 250 individuals with either type 1 or type 2 DM, categorized into three classes of CAN progression. Three feature sets (FS) were considered: one containing conventional HRV features (including time, frequency domains, and nonlinear parameters), another consisting solely of EMD-based features derived from HRV, and the last one incorporating a combination of all these HRV-derived features. The main findings revealed that the ML models using the composite FS resulted in the highest classification accuracy (88.4%), with features from all HRV analysis methods contributing to this outcome. Both studies demonstrated that EMD outcome measures can contribute to characterizing subclinical changes associated with CAN manifestation in conjunction with traditional HRV features. These findings demonstrate the potential of EMD-based measures as a viable screening tool for early CAN diagnosis.