Red de Revistas Cientficas de Amrica Latina, el Caribe, Espaa y Portugal

Sistema de Informacin Cientfica

Csar Seijas Fossi, Antonino Caralli DAmbrosio

Uso de las mquinas de vectores de soporte para la estimacin del potencial de accin celular
Revista INGENIERA UC, vol. 11, nm. 1, abril, 2004, pp. 56-61,
Universidad de Carabobo
Venezuela
Disponible en: http://www.redalyc.org/articulo.oa?id=70711108

Revista INGENIERA UC,

ISSN (Versin impresa): 1316-6832
farteaga20@gmail.com
Universidad de Carabobo
Venezuela

Cmo citar?

Fascculo completo

Ms informacin del artculo

Pgina de la revista

www.redalyc.org
Proyecto acadmico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto

REVISTA INGENIERA UC. Vol. 11, No 1, 56-61, 2004

Uso de las mquinas de vectores de soporte para la estimacin

del potencial de accin celular
Csar Seijas Fossi, Antonino Caralli DAmbrosio
Unidad de Investigacin en Electrnica Aplicada, Departamento de Electrnica y Comunicaciones,
Facultad de Ingeniera, Universidad de Carabobo, Valencia, Venezuela
Email: cseijas@uc.edu.ve, acaralli@uc.edu.ve

Resumen
Este artculo presenta una aplicacin de las Mquinas de Vectores de Soporte (SVM, de sus siglas en ingls)
en el problema de la estimacin del potencial de accin de la membrana celular V, el cual es, una funcin temporal
altamente no lineal de las concentraciones inicas de sodio y potasio. Un modelo, para la estimacin de V, es el
modelo de HodgkinHuxley (HH), que describe la dinmica de V, anloga a un circuito elctrico con elementos
pasivos, representando las variables bioqumicas involucradas en el proceso. Las SVM son algoritmos de cmputo
emergente que han demostrado un excelente desempeo en aplicaciones de clasificacin y regresin; en este
artculo las SVM se usan para la estimacin de V y se compara el modelo obtenido con HH, demostrando que SVM
es una alternativa prometedora en el problema de modelacin a partir de datos biolgicos.
Palabras clave: Mquinas de vectores de soporte, regresin, aproximacin de funciones, potencial de
accin, membrana celular, modelo de HodgkinHuxley.

Use of support vector machines for potentials estimation

of cellular action
Abstract
This article presents an application of Support Vector Machines in the estimation problem of action
potential the cellular membrane V, which is, a highly nonlinear temporary function of the ionic concentrations of
sodium and potassium. A model, for the estimation of V, is the model of Hodgkin and Huxley (HH) that
describes the dynamics of, analogous to an electrical circuit with passive elements, representing the involved
biochemical variables in the process. The SVM are algorithms of emergent computing that have demonstrated an
excellent performance in classification and regression applications; in this article, SVM are used to estimate V, to
be compared with the obtained HH model, demonstrating that SVM is a promising alternative in the problem of
modeling from biological data.
Keywords: Support vector machine, regression, approximation of functions, potential of action, cellular
membrane, Hodgkin-Huxley model.

1. INTRODUCCIN
La modelacin a partir de datos biolgicos y en
particular, la modelacin electrofisiolgica, constituye
un reto actualmente. Las funciones matemticas que
relacionan las variables bioqumicas involucradas son
altamente no lineales, y especficamente, en el caso
del potencial accin de la membrana celular V, son
funciones variables en el tiempo. Uno de los modelos
56 Rev. INGENIERA UC. Vol. 11, No 1, Abril 2004

ms aceptados, es el de HodgkinHuxley (HH) [1],

que describe la dinmica de V anloga a un circuito
elctrico con elementos pasivos que representan las
variables bioqumicas involucradas en el proceso y
fuentes de corriente para describir cualquier corriente
externa inyectada durante el curso del experimento.
En este artculo se presenta una aplicacin de las

Seijas y Caralli

Mquinas de Vectores de Soporte (SVM) en el problema de la estimacin del potencial de accin de la

membrana celular V.
Las SVM son algoritmos de cmputo emergente desarrolladas por Vapnik y sus colaboradores [2]
que han demostrado un excelente desempeo en aplicaciones de clasificacin y regresin [3-8]. A diferencia de las ya conocidas Redes Neuronales Artificiales
(RNA), las SVM implementan el principio de
minimizacin del riesgo estructural (Rest) el cual busca minimizar un lmite superior del error de generalizacin en vez del principio de minimizacin de riesgo
emprico (Remp), que minimiza el error de entrenamiento usado en RNA. Este principio de induccin
se basa en el hecho de que el error de generalizacin
est acotado por la suma del error de entrenamiento
y un trmino de intervalo de confidencia que depende
de la dimensin de Vapnik-Chervonenkis (VC) [2]. El
Rest permite que las SVM logren una estructura de
red ptima con un balance perfecto entre el error
emprico y el intervalo de confidencia VC. Otra
caracterstica resaltante de las SVM es que el entrenamiento es equivalente a resolver un problema de
programacin cuadrtica con restriccin lineal [9], lo
que implica que la solucin alcanzada por SVM es
nica, ptima y ausente de mnimos locales a diferencia de las RNA que durante el entrenamiento
requieren optimizacin no lineal, corriendo el riesgo
de ser atrapadas por mnimos locales. Las SVM
fueron usadas originalmente en problemas de
clasificacin, pero con la introduccin de las
funciones de prdidas e-insensibles [2] se han
aplicado en problemas de estimacin de regresin no
lineal [4, 8, 10].
El objetivo principal del presente trabajo es
evaluar el desempeo de las SVM como estimador de
V, lo que se reflejar en una importante contribucin
en el problema de modelacin a partir de datos biolgicos. El trabajo est organizado de la siguiente manera: la seccin 1 es la introduccin al tema, la
seccin 2 describe resumidamente el modelo HH, la
seccin 3 presenta brevemente la teora de SVM en
aplicaciones de regresin, la seccin 4 explica el
diseo del modelo estimador de V usando SVM
que incluye el proceso de sintona de parmetros libres de la SVM y discusin de los resultados experimentales, finalmente la seccin 5 presenta las
conclusiones.

2. MODELO DE HODGKIN-HUXLEY
El potencial de accin de la membrana celular
(V) es una funcin temporal, altamente no lineal, de
las concentraciones inicas de sodio y potasio. Un
modelo, para la estimacin de dicho potencial, es el
modelo de HodgkinHuxley (HH) [1]. En HH, se modela la membrana como un circuito elctrico, en el
cual, la corriente total a travs de la membrana, Im,
se calcula, usando la ley de Kirchoff, como la suma
de las corrientes debidas a iones de potasio, Ik, de sodio, INa y una componente de fuga, IL, que considera
otros iones que se mueven pasivamente por la membrana, adems de una corriente capacitiva,
Cm(dV/dt), donde Cm representa la capacitancia de la
membrana y V depende del tiempo. El circuito equivalente de la membrana es mostrado en la Figura 1,
all se muestra la conexin en paralelo de tres ramas,
formada cada una por la combinacin serie de la conductancia del ion con una fuente de voltaje DC que
representa el potencial de equilibrio inico (ecuacin
de Nernst) [1] y una cuarta rama que modela la capacitancia de la membrana.

+
V
-

Im I
K

INa

IL

ICm

gK

gNa

gL

Cm

EK

ENa

EL

Figura 1. Modelo circuital de membrana celular.

Aplicando la Ley de Kirchoff al circuito de la

Figura 1 resulta:
Im = Cm

dV
+ gK (V EK ) + gNa (V ENa ) + gL (V EL )
dt

(1)

Las conductancias del sodio y potasio son funciones no lineales de V y de t, dadas por las siguientes
expresiones:
g Na (V , t ) = g 0Na m 3 (V , t ) h (V , t )

(2)

g K (V , t ) = g 0K n 4 (V , t )

(3)

Rev. INGENIERA UC. Vol. 11, No 1, Abril 2004

57

Uso de las mquinas de vectores de soporte

donde las variables de activacin m y n y de desactivacin h vienen dadas por:

t

m ( t ) = ( m0 m ) e m + m

(4)

Las expresiones de n y h se obtienen sustituyendo m por n y h en (4), para cada funcin; las constantes de tiempo en las mismas (con i = m, n, h para
cada constante de tiempo), son de la forma:
i =

(5)

i + i

y los i y i derivados de datos experimentales:

m = 0.10

V + 35.0
e
1.0

m = 4.0 e

(V + 60.0 )

h = 0 .0 7 e

h =

(7)

18.0

0 .5 (V + 6 0 .0 )

(8)

1.0

(1.0 + e

n =

(6)

0.1.(V +350)

1.0 (V + 30 .0 )

0.01* (V + 50.0 )

.1(V + 50.0 )

1.0

n = 0 .1 2 5 e 0 .0 1 2 5 (V + 6 0 .0 )

(9)
(10)

R SV M s (C

)=

1
n

i =1

L ( d i , y i ) +

d y d y
Ls ( d , y ) =
0

(14)

En la funcin de riesgo dada por (13), el trmino

es el error emprico (riesgo) mientras el
trmino (1/2).||w||2 es el trmino de regularizacin. El
parmetro C se conoce como la constante regularizada
o capacidad de la SVM y establece el compromiso
entre Remp y el trmino de regularizacin. En (14), se
conoce como tamao del cilindro hiperdimensional, el
cual envuelve la funcin y es equivalente a la exactitud de aproximacin colocada sobre los puntos de
datos de entrenamiento. Tanto C y son parmetros a
fijar por el diseador, en un proceso de sintona durante la fase de entrenamiento de la SVM.
n

C (1 n ) L (d i , y i )
i =1

Para obtener los estimados de w y b, (13) se

transforma a (15), usando variables auxiliares i y
i(*) que representan lmites superior e inferior
en la salida del sistema, como se ilustra en la Figura 2,
esto es, se minimiza
R SVM s

(w , ( ) ) =
*

1
w
2

+ C

i =1

+ i(

*)

sujeta a las restricciones:

(11)

d i w ( x ) bi + i
w ( x ) + bi d i + i( ) ,

3. REGRESIN USANDO SVM

Una SVM para regresin o SVR (regresor basado en SVM) estima una funcin usando un conjunto
de otras funciones lineales definidas en un espacio
hiperdimensional. Es decir, para un conjunto de puntos de datos G = {( xi , d i )}in (donde xi es el vector de entrada, di es la salida deseada y n es el nmero de patrones de datos), la SVR aproxima la funcin de regresin usando:

i(*) 0

(15)

f(x)

(12)

donde (x) es el espacio de rasgos hiperdimensional al

cual se proyecta (no linealmente) el espacio de entrada x. Los coeficientes w y b se estiman minimizando:
58 Rev. INGENIERA UC. Vol. 11, No 1, Abril 2004

(13)

Donde

y = f ( x ) = w ( x ) + b

1
w
2

Figura 2. Error preestablecido y lmites en la

funcin -insensible para la SVR.

Seijas y Caralli

finalmente, introduciendo los multiplicadores de

*
Lagrange ai y ai [2], la funcin de regresin dada por
(12) queda como:
n

f ( x , ai , ai* ) = ( ai ai* ) K ( x , xi ) + b

(16)

i =1

K (xi , x j ) se denomina funcin Kernel y ai, ai* son

los multiplicadores de Lagrange, que satisfacen las

restricciones:

de base radial (RBF, de sus siglas en ingls) . Desde el

punto de vista de la implementacin, el entrenamiento
de SVM es equivalente a resolver un problema de programacin cuadrtica restringido linealmente con el
nmero de variables, el doble del tamao del conjunto
de datos de entrenamiento.

4. DISEO Y EVALUACIN DEL

ESTIMADOR DE V BASADO EN SVR

a i a i* = 0, a i 0

(17)

4.1. Diseo de la SVR

ai* 0 , i = 1, K , n

(18)

Se dise y construy una SVR para estimar V

usando el toolbox de SVM desarrollado por S. Gunn
en el software matemtico Matlab, disponible para
uso acadmico [5]. La SVR construida tiene dos (2)
entradas, una para introducir datos de la conductancia
del Na(g_Na) y otra para la conductancia del K(g_K);
posee una nica salida que corresponde a V, como se
indica en la Figura 3. Como conjunto de datos para
entrenamiento y validacin de la SVR diseada, se us
el conjunto de datos de salida de la simulacin de HH
usando un software de simulacin de la dinmica de
la membrana celular disponible tambin disponible
para uso acadmico [7], escrito en Matlab. En la
Figura 4 se presenta V generado por un pulso escaln
de corriente de duracin 50 s aplicado a la membrana celular, la cual se polariza hacia +60 mV desde el
potencial de reposo negativo de 60 mV, hasta alcanzar de nuevo la re-polarizacin en un lapso aproximado de 10 ms, esta seal muestreada en 250 puntos
constituye la matriz de datos (de dimensin: 250x1)
de la funcin de regresin objetivo y = f(x) usada para
entrenamiento y validacin de la SVR . La matriz de
entrada (dimensin: 250x2) se construy con los valores correspondientes de las conductancias de Na y K
(g_Na y g_K) del mismo experimento, mostradas en
la Figura 5, donde el eje x, se muestra en unidades de
tiempo a objeto de precisar la correspondencia entre
los puntos de la Figura 4 y los instantes de tiempo de
despliegue del experimento de la Figura 5.

y que se calculan maximizando la funcin dual de

(13) que tiene la forma:
n

i =1

i =1

R ( ai , ai* ) = di ( ai ai* ) ( ai + ai* )

1 n n
- ( ai ai* )( a j a*j )K ( xi , x j )
2 i =1 j =1

(19)

sujeta a:
n

(a
i =1

ai* ) = 0 0 ai C,

0 ai* C , i = 1, 2, K , n

De estos multiplicadores de Lagrange, basados

en las condiciones de programacin cuadrtica de Karush-Kuhn-Tucker (KKT) [2], solo un cierto nmero
de ellos tendrn valores diferentes de cero y los puntos o vectores de datos asociados tendrn errores de
aproximacin iguales o mayores a , es decir, caen o
estn fuera de un lmite de la funcin de decisin
f(x); estos datos se les denomina vectores de soporte
de la SVM. Es evidente de (16) que estos datos son los
que definen a f(x).
La funcin Kernel es igual al producto interno
de dos vectores xi y xj en el espacio de rasgos (xi) y
(xj ), esto es: K (x i , x j ) = ( x i ) (x j ) . La ventaja de
usar la funcin Kernel es que el clculo se realiza con
espacios de rasgos de dimensionalidad arbitraria sin
usar (x) explcitamente. Cualquier funcin que satisfaga las condiciones de Mercer [2] es candidata a ser
funcin Kernel, siendo entre otras, las funciones
polinomiales de la forma K(x,y) = (x*y + 1)d donde d
es el grado del polinomio, Gaussiana K(x,y)=
exp(-1/2(x y)2), donde 2 es el coeficiente de dispersin de la Gaussiana, tambin conocida como funcin

g_Na

SVR

g_K

Figura 3. SVR para estimacin de V.

Rev. INGENIERA UC. Vol. 11, No 1, Abril 2004

59

Uso de las mquinas de vectores de soporte

ciones y se midi la calidad del desempeo de cada

una a travs de la mtrica estadstica: error medio
cuadrtico de pronstico (FMSE, de sus siglas en ingls), es decir, calculado sobre un conjunto de validacin, construido en este caso, con los diez (10) datos
inmediatos a los usados en las matrices de entrenamiento. Esta estrategia pretende evaluar la capacidad
de generalizacin de la SVR, los resultados se presentan en la Tabla 1.

Potencial de accion intracelular [mV]

80
60
40
20
0
-20
-40

Tabla 1. Seleccin del Kernel.

-60
-80
0

50

100

150

200

Funcin Kernel

FMSE

Lineal

6.4598

Polinomial

3.5707

RBF

0.0027

Spline

0.5362

250

Datos

Figura 4. Potencial de accin V.

Conductancias de Na y K [siemens]

80

Conductancia de Na
Conductancia de K

70
60

En esta tabla puede observarse que el Kernel

con mejor desempeo (menor FMSE) es la funcin
RBF, la cual se us en la implementacin de la SVR.
Ahora se precisa definir los parmetros de la SVR: C,
y 2 (o ). En la Tabla 2 se presenta un cuadro
resumen de los experimentos para seleccin de estos
parmetros.

50
40
30
20
10
0
0

4
6
Tiempo [mseg]

10

Tabla 2. Parmetros de la SVR con Kernel RBF.

Figura 5. Conductancias de Na y K.

Las matrices de entrenamiento de entrada x y

salida y se armaron con los 150 primeros vectores de
las matrices anteriores, esto es:

x1 = g _ Na (1501)
x=
x2 g _ K (1501)
y = V (150 1)

0.1

10

1.0

10

2.0

10

3.0

104

Te (seg)

NVS

FMSE

10

-1

87.2

136

16.8832

10

-2

88.0

148

0.7161

10

-4

86.0

150

0.2714

10-5

87.7

150

0.0027

(20)
(21)

Las matrices de validacin se construyeron con

la misma estrategia anterior, pero considerando los
siguientes restantes cien (100) datos.
Resultados experimentales:

El primer paso en la fase de diseo de una SVM

(o SVR, en este caso) lo constituye la seleccin de la
funcin Kernel a usar. Se ensayaron diferentes fun60 Rev. INGENIERA UC. Vol. 11, No 1, Abril 2004

En la Tabla 2 se incluyen las columnas de tiempo de ejecucin de la SVR (Te) y el nmero de vectores de soporte (NVS); el FMSE indicado corresponde
al menor registrado de las simulaciones cruzadas variando para cada valor individual de un parmetro, los
otros dos (2). De los resultados de esta tabla se concluye que la mejor combinacin de parmetros (o parmetros sintonizados) es: [, C, ] = [2.0, 104, 10-5]
La Tabla 3 presenta los resultados de la ejecucin de la SVR, ya entrenada, con datos de entrada
provenientes de simulacin con diferentes pulsos de
corriente de excitacin externa aplicados al modelo

Seijas y Caralli

de la membrana, y comparados con los obtenidos por

el modelo HH. En cada pulso aplicado se ha variado
la duracin del pulso ( T).
Tabla 3. Comparacin Modelo SVR vs. HH.
Te (seg)

NVS

T (mseg)

FMSE

85.6

150

0.50

0.0027

92.6

149

1.0

0.0031

87.5

150

2.0

0.0139

88.8

150

5.0

5.88 x 10-5

84.3

150

10.0

1.42 x 10-5

Los resultados demuestran el ptimo desempeo como estimador de V en el modelo HH de la SVR

implementada, los valores elevados de NVS se pueden
inferir del pequeo valor de usado. La Figura 6 ilustra la comparacin grfica del modelo a HH versus la
estimacin realizada por la SVR y all se confirma el
excelente comportamiento del modelo usando SVR.
80
HH
SVR

Potencial de accin [mV]

60
40
20
0
-20
-40
-60
-80

10

Tiempo [mseg]

Figura 6. Potenciales de accin de HH y SVR.

REFERENCIAS
[1] Gerstner and Kistler Spiking Neuron Models.
Single Neurons, Populations, Plasticity,
Cambridge University Press, U.S.A., 2002.
[2] Vapnik V.N., "The Nature of Statistical Learning
Theory",
Springer-Verlag, New York, ISBN
0-387-94559-8, 1995.
[3] Back Andrew, Classification using Support
Vector Machines, Riken Brain Science Institute,
Wako-shi, Saitama, Japan, 1998.
[4] Frontzek T., T. Navin & R. Eckmiller, Predicting
the Nonlinear Dynamics of Biological Neurons
using Support Vector Machines with Different
Kernels, Department of Computer Science VI,
University of Bonn, F. R. Germany, 2001.
[5] Gunn Steve, Support Vector Machines for
Classification and Regression, Faculty of
Engineering and Applied Science, University of
Southampton, U.S.A., May 1998.
[6] Guyon, I., Weston, J., Barnhill, S., & Vapnik, V,
Gene Selection for Cancer Classification using
Support
Vector
Machines,
Barnhill
Bioinformatics, Savannah, Goergia, U.S.A., 1999.
[7] Richman M. & T. Parks, Detection of Noses and
Faces in Consumer Images, Center for applied
Mathematics, Cornell Univ., U.S.A.,1998.
[8] Tay F. & L. Cao, Application of Support Vector
Machines in Financial Time Series Forecasting,
Department of Mechanical Engineering, National
University of Singapore, Singapore, 2001.
[9] Drakos N. & R. Moore, Sequential Minimal
Optimization for SVM, Computer Based
Learning Unit, Leeds, 2001.
[10] Osuna E., Mukherjee, Girosi F., Nonlinear
Prediction of Chaotic Time Series using SVM,
M.I.T., Cambridge, U.S.A., 1997.

5. CONCLUSIONES
Las SVR demostraron un excelente desempeo
como estimadores del potencial de accin de la membrana celular. En la aplicacin desarrollada en este
artculo operando como aproximadores de funciones o
modelos de regresin, el mejor comportamiento como
funcin Kernel lo exhibi la funcin del tipo de base radial. Los resultados presentados en este artculo
expresan un futuro promisorio a las SVM en el
rea de la modelacin de procesos bioqumicos y
electrofisiolgicos.
Rev. INGENIERA UC. Vol. 11, No 1, Abril 2004

61