Apresentador : Alexandre Gomes da Silva

Data: 06/12/2024
Horário: 14:30
Local: Plataforma Google Meet

Descrição: Resumo. A variabilidade da frequência cardíaca (VFC) é uma medida da variação dos intervalos entre os batimentos cardíacos, que reflete o funcionamento do sistema nervoso autônomo (SNA). O SNA é responsável por regular as funções involuntárias do corpo, como a respiração, a digestão e a pressão arterial. O SNA também pode influenciar o desenvolvimento e a progressão de diversas doenças, como a hipertensão, a diabetes e a insuficiência cardíaca. Por isso, é importante avaliar a VFC como um indicador do estado de saúde e do equilíbrio do sistema nervoso autônomo. Uma das formas de avaliar a VFC é através da análise da complexidade dinâmica de uma série temporal, que é a capacidade de um sistema de gerar padrões irregulares e imprevisíveis ao longo do tempo. A complexidade dinâmica pode ser quantificada por meio de medidas de entropia, que são índices que medem o grau de desordem ou incerteza de um sistema. Uma medida de entropia que tem sido amplamente utilizada na análise da VFC é a Entropia Multiescala (MSE), que calcula a entropia de um sinal em diferentes escalas de tempo, permitindo captar as características não-lineares e multifractais da VFC. No entanto, a aplicação da MSE na análise da VFC enfrenta alguns desafios, como a necessidade de uma grande quantidade de dados, a sensibilidade ao ruído e a escolha dos parâmetros adequados. Além disso, a MSE pode apresentar resultados diferentes para sinais patológicos e normais, dependendo da escala de tempo analisada. Alguns estudos já realizaram comparações entre a MSE e outras técnicas usadas para medir a complexidade e a irregularidade de séries temporais em múltiplas escalas de tempo. Essas abordagens dinâmicas têm sido adaptadas especificamente para lidar com séries temporais curtas, como aquelas com menos de 400 batimentos cardíacos. Neste trabalho, avaliamos a abordagem proposta por Borin et al. (2021), que utilizaram a Multiscale Fuzzy Entropy (MFE), uma extensão da Multiscale Entropy (MSE) que incorpora os princípios da lógica fuzzy. A lógica fuzzy é especialmente eficaz em lidar com incertezas e suavidades nos dados, tornando a MFE uma ferramenta mais robusta para sinais com ruído e variações complexas. Assim como a MSE, a MFE processa séries temporais em diferentes escalas, porém, ao invés de calcular a entropia diretamente, a MFE aplica a lógica fuzzy para quantificar a incerteza em cada escala, sendo particularmente adequada para séries temporais curtas e com alta variabilidade, permitindo lidar melhor com a ambiguidade dos dados. O estudo original de Borin et al. foi aplicado em ratos e humanos saudáveis. No entanto, neste trabalho, utilizamos séries temporais de Variabilidade da Frequência Cardíaca (VFC) provenientes de pacientes com patologias cardíacas. Nossos resultados demonstram que a MFE também é eficaz na análise de sinais patológicos, mostrando-se mais precisa e confiável do que outras métricas, com menor variância e erro nas estimativas da entropia. Além disso, a MFE conseguiu diferenciar os sinais normais e patológicos em diferentes escalas de tempo, revelando as alterações na complexidade dinâmica da VFC associadas a doenças cardíacas. Também observamos uma relação exponencial entre o parâmetro fuzzy da MFE e o tamanho da série temporal, o que permite escolher o valor ideal do parâmetro para cada caso. Mostramos que as versões fuzzy apresentaram erros mínimos em comparação com os algoritmos não fuzzy. Os resultados deste estudo oferecem novos insights sobre o uso da MFE na avaliação da complexidade dinâmica de séries temporais fisiológicas curtas. Concluímos que a MFE é uma medida adequada para analisar a VFC, fornecendo informações úteis sobre o funcionamento do Sistema Nervoso Autônomo (SNA) e o estado de saúde dos indivíduos. A MFE é mais robusta que algoritmos tradicionais, sendo menos sensível a ruídos e a séries temporais pouco informativas, pois utiliza contagem fuzzy, que é mais tolerante a essas condições.