Métodos paramétricos y no paramétricos en el análisis de señales oscilatorias de actividad diaria, sueño y ritmo cardíaco

Abstract

La alteración del ritmo circadiano humano se ha vinculado con diversas enfermedades crónicas, como diabetes, hipertensión y depresión, impulsando una creciente investigación en cronobiología. La tecnología actual permite la recopilación continua de datos biométricos mediante dispositivos portátiles, facilitando el estudio de patrones circadianos y su impacto en la salud. Conjuntos de datos como MMASH ofrecen información detallada sobre la actividad diaria y el sueño. Estos conjuntos recogen variables que presentan patrones oscilatorios a lo largo de las 24 horas del día, y su análisis es esencial para avanzar en la comprensión de la biología circadiana. El trabajo se enfoca en mejorar la comprensión de los ritmos circadianos y desarrollar herramientas precisas para su análisis, abordando las limitaciones de los modelos tradicionales y adaptando nuevas metodologías a las características específicas de los datos circadianos. En concreto, los objetivos de este trabajo son: 1) demostrar la eficacia del modelo FMM en el análisis de señales circadianas obtenidas de la actividad física y la frecuencia cardíaca, y clasificar usuarios según sus parámetros; 2) desarrollar una nueva medida y explorar métodos no paramétricos para analizar la variabilidad de las señales biológicas; y 3) calcular índices no paramétricos y establecer relaciones con los datos del conjunto MMASH.

Human circadian rhythm disruption has been linked to various chronic diseases such as diabetes, hypertension, and depression, driving increasing research in chronobiology. Current technology enables the continuous collection of biometric data through wearable devices, facilitating the study of circadian patterns and their impact on health. Datasets like MMASH provide detailed information on daily activity and sleep. These datasets capture variables that exhibit oscillatory patterns throughout the 24-hour day, and their analysis is crucial for advancing the understanding of circadian biology. This work focuses on enhancing the understanding of circadian rhythms and developing accurate tools for their analysis, addressing the limitations of traditional models and adapting new methodologies to the specific characteristics of circadian data. Specifically, the objectives of this work are: 1) to demonstrate the effectiveness of the FMM model in analyzing circadian signals obtained from physical activity and heart rate, and to classify users based on these parameters; 2) to develop a new measure and explore non-parametric methods for analyzing biological signal variability; and 3) to calculate non-parametric indices and establish relationships with the data from the MMASH dataset.