Document details

Electrogastrography (EGG) is a non-invasive technique used for recording the myoelectri- cal activity of the stomach and intestines. Despite its clinical potential, its application as a diagnostic tool for gastrointestinal pathologies remains limited, in part due to the lack of standardized methodologies and limited understanding of its signal’s characteristics across physiological states. This thesis aims to contribute to expanding scientific knowl- edge of EGG signals by studying their behaviour before and after food ingestion (pre- and post-prandial states), identifying distinctive patterns and relevant features. Four-channel abdominal recordings were acquired from thirteen healthy subjects using a wearable SmartBelt device during fasting and fed states. Signals were decomposed using Empirical Mode Decomposition (EMD) to isolate gastric and intestinal components, followed by extraction of time- and frequency-domain features. Feature ranking and selection highlighted the most informative features, enhancing classification models by improving performance, generalization, and reducing the risk of overfitting. Machine Learning (ML) classifiers, including Support Vector Machine (SVM), Random Forest (RF), K-Nearest Neighbors (KNN) and Logistic Regression (LR), were trained using a file-based split and 5-fold cross-validation. The RF model achieved the highest accuracy of 93.0% (precision = 0.81/1.00, recall = 1.00/0.90, F1-score = 0.90/0.95 for pre-/post- prandial). KNN followed with an accuracy of 88.0%, and SVM and LR both reached an accuracy of 83.0%. By focusing on the physiological differences reflected in EGG signals and evaluating the models’ performance in classifying them, this study provides new insights to the current available information regarding gastrointestinal myoelectrical activity. These findings highlight the potential of EGG signal in capturing physiological differences across digestive states and support the development of non-invasive methods for diagnosing gastrointestinal conditions.

A Eletrogastrografia (EGG) é uma técnica não invasiva utilizada para registar a atividade mioelétrica do estômago e intestinos. Apesar do seu potencial clínico, a sua aplicação no diagnóstico de patologias gastrointestinais permanece limitada, devido à falta de metodologias padronizadas e à reduzida compreensão das características do sinal nos diferentes estados fisiológicos. Esta tese pretende contribuir para expandir o conhecimento dos sinais de EGG analisando o seu comportamento antes e após a ingestão de comida (estados pré- e pós-prandial), identificando padrões distintos e características relevantes. Registos de quatro canais abdominais foram adquiridos em treze indivíduos saudáveis, utilizando um dispositivo wearable SmartBelt, durante os períodos de jejum e pós-refeição. Os sinais foram decompostos utilizando Decomposição de Modo Empírica para isolar as componentes gástricas e intestinais, seguindo-se a extração de características nos domínios temporal e das frequências. A classificação e seleção de características destacou as mais informativas, melhorando o desempenho e generalização dos classificadores e reduzindo o risco de overfitting. Classificadores de aprendizagem automática, incluindo Support Vector Machine (SVM), Random Forest (RF), K-Nearest Neighbors (KNN) e Logistic Regression (LR), foram treinados utilizando uma divisão por ficheiro e validação do tipo cross-validation 5-fold. O modelo RF alcançou a maior accuracy de 93.0% (precisão = 0.81/1.00, recall = 1.00/0.90, F1-score = 0.90/0.95 para pré-/pós-prandial). KNN seguiu-se com uma accuracy de 88.0% e SVM e LR atingiram ambos uma accuracy de 83.0%. Ao focar-se nas diferenças fisiológicas refletidas nos sinais de EGG e no desempenho dos modelos de classificação, este estudo fornece novas perspetivas à informação disponí- vel sobre a atividade mioelétrica gastrointestinal. Estes resultados destacam o potencial do sinal de EGG para captar diferenças fisiológicas entre estados digestivos distintos e apoiam o desenvolvimento de métodos não invasivos para o diagnóstico de condições gastrointestinais.