Publication
Avaliação cardíaca do padrão de responsividade à cafeína através de métodos de aprendizagem computacional
| datacite.subject.fos | Ciências Médicas::Biotecnologia Médica | pt_PT |
| dc.contributor.advisor | Rodrigues, Pedro Miguel de Luís | |
| dc.contributor.advisor | Silva, Clédna Patrícia de Oliveira | |
| dc.contributor.author | Domingues, Ana Rita Queirós | |
| dc.date.accessioned | 2023-03-27T13:48:33Z | |
| dc.date.available | 2024-03-27T01:30:32Z | |
| dc.date.issued | 2023-01-13 | |
| dc.date.submitted | 2022-12 | |
| dc.description.abstract | Aproximadamente 80% da população adulta mundial consome um produto cafeinado diariamente e, ao contrário de outras drogas, o consumo acontece em todos os níveis socioeconómicos. Além do custo-benefício, a cafeína atua como um poderoso estimulante do sistema nervoso central com efeitos fisiológicos muito apelativos ao consumidor, especialmente a nível cognitivo e da performance física. A forma de administrar esta substância psicoativa parece influenciar a resposta do organismo e, por isso, estudos têm sido desenvolvidos a fim de encontrar soluções mais eficientes. A entrega de cafeína através dos Oral Films (OF) representa uma grande oportunidade para os investigadores. De forma a colmatar a lacuna científica nesta área, tirou-se partido da influência da cafeína sobre a modulação da atividade do sistema nervoso, através do rastreamento da variabilidade da atividade cardíaca, em indivíduos saudáveis sujeitos ao consumo de diferentes modalidades de cafeína: café, descafeinado, OF_cafeína e OF_placebo. Considerando a era científico-tecnológica em que vivemos, e no sentido de maximizar a capacidade discriminativa dos sinais eletrocardiográficos (ECG), tirou-se partido da sua natureza dinâmica com recurso a métodos robustos de processamento de sinal e técnicas de Inteligência Artificial para estudar as comparações binárias descafeinado/café e OF_placebo/OF_cafeína. Assim, após os ECG serem submetidos a uma análise multibanda através da Transformada Wavelet Discreta (DWT), para todos os 5 níveis de decomposição, foram extraídas as métricas energia, entropia, expoente de Lyapunov, expoente de Hurst e dimensão fractal de Higuchi. Estas métricas alimentaram 23 modelos de classificação num processo de validação cruzada em leave-one-out, a cada 1 min. Para otimizar o processo de classificação, selecionaram-se automaticamente as métricas que melhor descrevem os sinais, removendo informações redundantes e evitando o overfitting, recorrendo-se ao treino classificativo com a Análise de Componentes Principais (PCA) a 100%, 80%, 70%, 50%, 20%, 10%, 5% e 1%. Para compreender a evolução temporal do efeito fisiológico das modalidades no organismo, foram traçadas curvas de precisão de 50 min com resolução de 1 min, para cada comparação binária, para todos os classificadores e para todos os treinos com PCA. Face ao elevado volume de dados, a decisão do classificador que melhor discrimina as modalidades em cada comparação binária foi efetuada com base na precisão média das curvas de precisão. Os resultados das análises individuais revelaram os melhores valores de precisão média para os classificadores de árvore de decisão no treino com PCA 100% (50,2%) e Fine Gaussian no treino com PCA 95% (72%), para as comparações descafeinado/café e OF_placebo/OF_cafeína, respetivamente. Ainda assim, existem picos discriminativos de maior amplitude ao longo do tempo que são camuflados pela precisão média. As curvas de precisão revelaram, ao contrário da comparação descafeinado/café, diferenças significativas ao longo do tempo entre o OF_placebo e o OF_cafeína, evidenciando que o consumo de cafeína através de OF revela capacidade efetiva em relação ao seu placebo. Entretanto, no caso da comparação descafeinado/café, os resultados apontam para que o descafeinado não constitua um verdadeiro placebo do café. O principal fator aponta para o facto de que ambas as modalidades foram servidas da mesma máquina e resíduos de cafeína podem ter passado para a bebida descafeinada. | pt_PT |
| dc.description.abstract | Approximately 80% of the adult population worldwide consumes one caffeinated product on a daily basis and, as opposed to other drugs, the consumption happens in every socioeconomic level. In addition to the cost-benefit, caffeine acts as a powerful stimulant to the central nervous system, causing physiological effects that are very appealing to the consumer, specifically on a cognitive level and in terms of physical performance. The way in which this psychoactive substance is administered seems to influence the body´s response and, therefore, studies have been developed to find more efficient solutions. Caffeine delivery through Oral Films (OF) constitutes a great opportunity for researchers. In order to bridge this area´s scientific gap, advantage was taken from the impact that caffeine has on the modulation of the nervous system´s activity by tracking the variability of cardiac activity in healthy individuals that were subject to the consumption of different caffeine modalities: coffee, decaffeinated coffee, OF_caffeine and OF_placebo. Taking into consideration the scientific and technological age we live in, and in an attempt to maximize the discriminating capability of electrocardiographic signals (ECG), its dynamic nature was exploited using robust signal processing methods and Artificial Intelligence techniques in order to analyze the binary comparisons decaffeinated coffee/coffee and OF_placebo/OF_caffeine. Therefore, after subjecting the ECGs to a multi-band analysis through the use of the Discrete Wavelet Transform (DWT), metrics were extracted for all the 5 decomposition levels: energy, entropy, Lyapunov exponent, Hurst exponent and Higuchi´s fractal dimension. These metrics fed 23 classification models every minute, in a leave-one-out cross-validation process. In order to optimize the classification process, the metrics that better describe the signals were automatically selected, removing redundant information and avoiding overfitting, resorting to classifying training with the Principal Component Analysis (PCA) at 100%, 80%, 70%, 50%, 20%, 10%, 5% and 1%. In order to understand the development of the modalities’ physiological effect on the body over time, 50 min accuracy curves with 1 min resolution were outlined for every binary comparison, classifier and PCA training. In view of the high volume of data, the classifier´s decision that better specifies the modalities in each binary comparison was made based on the average accuracy of the accuracy curves. The individual analysis´ results showed the best average accuracy values for the decision tree classifiers in PCA training with PCA 100% (50.2%) and Fine Gaussian in training with PCA 95% (72%) for decaffeinated coffee/coffee and OF_placebo/OF_caffeine comparisons, respectively. Nevertheless, there are higher amplitude discriminatory peaks camouflaged by the average accuracy over time. In contrast with the decaffeinated coffee/coffee comparison, the accuracy curves showed significant differences between the OF_placebo and the OF_caffeine over time, pointing out that caffeine intake through OF shows effective capacity when compared to its placebo. Meanwhile, as far as the decaffeinated coffee/coffee comparison is concerned, the results point to the fact that decaffeinated coffee may not be a real coffee placebo. In this analysis, the main factor highlights that both modalities were prepared using the same machine and that it is possible that the decaffeinated beverage got caffeine residue. | pt_PT |
| dc.identifier.tid | 203254848 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10400.14/40714 | |
| dc.language.iso | por | pt_PT |
| dc.subject | Cafeína | pt_PT |
| dc.subject | Café | pt_PT |
| dc.subject | Oral Films | pt_PT |
| dc.subject | Eletrocardiograma | pt_PT |
| dc.subject | Análise não linear | pt_PT |
| dc.subject | Transformada Wavelet discreta | pt_PT |
| dc.subject | Machine learning | pt_PT |
| dc.subject | Caffeine | pt_PT |
| dc.subject | Coffee | pt_PT |
| dc.subject | Electrocardiogram | pt_PT |
| dc.subject | Nonlinear analysis | pt_PT |
| dc.subject | Discrete Wavelet transform | pt_PT |
| dc.title | Avaliação cardíaca do padrão de responsividade à cafeína através de métodos de aprendizagem computacional | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Mestrado em Engenharia Biomédica | pt_PT |