Comparison of signal processing techniques to analyze interaction between time series : application to motor and autonomic nervous systems in preterm infants

Prematurity is one of the main causes of death in the infant population, and each year the number of premature births is increasing. The fact of being born before due time is associated with a higher risk of health complications, which increases the probability of being admitted in the Neonatal Intensive Care Unit (NICU). In the NICU, the autonomic nervous system of the infants are monitored to gain an insight of their health state at any moment. The monitoring of this system is performed by the continuous measurements of vital signs, such as heart rate (HR), breathing rate (BR), oxygen saturation (SpO2), blood pressure (BP) and core body temperature (T). Occasionally, the gross body movement of the infant can be observed to have an insight of the functioning of the motor system and the general state of the infant, since changes in motion can be indicators of health issues such as sepsis, seizures, and apneas. However, the automatic monitoring of motion is not yet extensively adopted, and there is not knowledge on how it interacts with other vital signs, and how this information can be used to improve the current monitoring system in the NICU. This thesis focuses on the quantitative analysis of the interaction between motor and autonomic nervous systems in order to understand if it underscores a relationship that could help in the description of the health of the premature infant. The selected metric to achieve the goal of the thesis is Transfer Entropy (TE), as it has been widely utilized for the last decades due to its great advantages when studying and detecting information transfer between time series. The comparison of various methods for the computation of TE was made. This comparison started from the theoretical point of view, explaining the different assumptions and mathematical bases that each method uses, and ended with the application of the methods to four simulation models with different interaction dynamics. The proposed simulation models included linear, non-linear and non-stationary behaviors. By comparing the results of applying each of the methods to calculate the TE to the simulation models, it was possible to assess their performance and select the best methods to be applied to the clinical dataset. The clinical dataset was composed by the Signal Instability Index (SII), representing the movement of the infant, as a function of time, obtained from a ballistographic signal (BSG), the oxygen saturation (SpO2) and the heart rate (HR), obtained from a photopletismographic signal (PPG) and from an electrocardiographic signal (ECG), respectively, so that three signals are available for the analysis. The TE was computed between the SII and SpO2, and between SII and HR for the clinical datasets. The results of the application of the TE to study the interaction between movement and vital signs show that, for these specific datasets, it is possible to identify interactions between the physiological signals.

La prematurità è una delle principali cause di morte nella popolazione infantile e ogni anno il numero di nascite premature aumenta. La nascita pretermine è associata ad un maggiore rischio di complicazioni sanitarie, che aumenta la probabilità di ricovero del neonato nel reparto di terapia intensiva neonatale (NICU in inglese). Nella NICU, il sistema nervoso autonomo dei neonati viene monitorato per avere una panoramica del loro stato di salute in tempo reale. Il monitoraggio di questo sistema viene effettuato mediante misurazioni continue dei segni vitali, quali la frequenza cardiaca (HR), la frequenza respiratoria (BR), la saturazione di ossigeno (SpO2), la pressione sanguigna (BP) e la temperatura corporea centrale (T). Occasionalmente, può essere osservato anche il movimento del corpo del neonato per avere una panoramica del funzionamento del sistema motorio e dello stato generale del neonato, poiché i cambiamenti nella mobilità possono essere indicatori di problemi di salute come sepsi, convulsioni e apnee. Il monitoraggio automatico del movimento ad oggi non è ancora ampiamente adottato, ed è ignoto come questo interagisca con altri segni vitali e come queste informazioni possano essere utilizzate per migliorare l'attuale sistema di monitoraggio nella NICU. L'obiettivo di questo progetto è quello di analizzare quantitativamente l'interazione tra il sistema autonomo e quello motorio per capire se implica una relazione che potrebbe aiutare nella descrizione dello stato di salute del neonato prematuro. La metrica scelta per lo sviluppo di questa tesi è stata la Transfer Entropy (TE), in quanto è stata utilizzata negli ultimi decenni per i suoi grandi vantaggi nello studio e nella rilevazione del trasferimento di informazioni tra serie temporali. Il confronto de vari metodi per il calcolo della TE è stato fatto. Questo confronto è iniziato dagli aspetti teorici, spiegando le diverse ipotesi e basi matematiche che ogni metodo utilizza, e si è concluso con l'applicazione dei metodi a quattro modelli di simulazione con diverse dinamiche di interazione. I modelli di simulazione proposti comprendevano comportamenti lineari, non lineari e non stazionari. Confrontando i risultati dell'applicazione di ciascuno dei metodi per il calcolo della TE ai modelli di simulazione, è stato possibile valutarne le loro performance e selezionare i migliori approcci che potrebbero essere applicati al set di dati clinici. Il dataset clinico è stato composto dal Signal Instability Index (SII), che rappresenta il movimento del neonato, in funzione del tempo, ottenuto da un segnale balistografico (BSG), dalla saturazione di ossigeno (SpO2) e dalla frequenza cardiaca (HR), ottenuti rispettivamente da un segnale fotopletismografico (PPG) e da un segnale elettrocardiografico (ECG), in modo che siano disponibili tre segnali per l'analisi. La TE è stata calcolata tra la SII e la SpO2, e tra la SII e la HR per i set di dati clinici. I risultati dell'applicazione della TE per studiare l'interazione tra movimento e segni vitali, mostrano che, per queste specifiche serie di dati, è possibile identificare le interazioni tra i segnali fisiologici.