Este trabajo aborda el análisis de las señales fotopletismográficas digitales (PPG) con herramientas no-lineales de serie de tiempo. Para esto se aplicaron las siguientes técnicas analíticas:
I- Estimación polinomial de alto grado para la corrección de la línea base.II- Análisis espectral mediante transformada rápida de Fourier.III- Estimación de la dimensión fractal mediante el método propuesto por Higuchi para el dominio del tiempo. IV- Estimación no paramétrica pornúcleos para la reconstrucción de los atractores libres de ruido y de los componentes estocásticos de las señales.
La señal PPG puede ser dividida en los tres componentes siguientes:
1. Una tendencia no-estacionaria, no-lineal dependiente del tiempo que se relaciona con la mayor parte de la no-estacionaridad de la señal PPG.
2. Un componente no-lineal de ciclo límite determinístico invariante que corresponde a la generación de ondas pulsátiles que reflejan el punto más relevante de la señal PPG en los estudios clínicos.
3. Un componente estocástico que sea, por lo menos, fractal parcialmente. Este componente soporta menos del 5 % de la varianza de la señal corregida básica.
La suma de la base (1) más los componentes estocásticos (3) puede explorar las propiedades fractales de la señal PPG original. Se considera que la separación de la señal PPG en tres componentes diferentes posibilita la obtención de nueva información, tanto para las investigaciones básicas, como para propósitos clínicos.

Finger photoplethismography (PPG) signals were submitted to nonlinear time series analysis. The applied analytical techniques were: (i) High degree polynomial fitting for baseline estimation; (ii) FFT analysis for estimating power spectra; (iii) fractal dimension estimation via the Higuchi’s time-domain method, and (iv) kernel nonparametric estimation for reconstructing noise free-attractors and also for estimating signal’s stochastic components.
The PPG signal could be separated into the following 3 components:
1) A baseline, nonlinear-time-dependent nonstationary trend, which accounts for most of the nonstationarity of the PPG signal.
2) A nonlinear, time invariant deterministic limit-cycle component, which corresponds to the generation of pulsatile waves, the most relevant point of the PPG signal in clinical studies.
3) A stochastic component, which is at least partially fractal. This component bears less than 5% of the variance of the baseline-corrected signal.
The sum of the baseline (1) plus the stochastic (3) components accounts for the fractal-like properties of the original PPG signal. We consider that the separation of the PPG signal into three distinguishable components opens the possibility for extracting new information both for basic research and for clinical purposes.

Descargar PDF The Photoplethismographic Signal Processed with Nonlinear Time Series Analysis Tools