Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Digital para la Detección de Soplos Cardíacos
Acoustic Analysis Oriented to the Cardiac
Murmur Detection over Digital Auscultation
Signals
Andrés M. Castaño, Ing. 1 , Edilson Delgado T., MSc. 2 , Juan I. Godino, PhD. 2 , Germán Castellanos, PhD. 2
1
Grupo de Control y Procesamiento Digital de Señales, Universidad Nacional de Colombia
2
Grupo de Bioingeniería y Optoelectrónica, Universidad Politécnica de Madrid, España
{amcastanos, edelgadot, cgcastellanosd}@unal.edu.co, igodino@ics.upm.es
Recibido para revisión 26 de Marzo de 2007, Aceptado 30 de Noviembre de 2007, Versión final 9 de Diciembre de 2007
Resumen —Se pr esenta la metodología basada en el análisis pr oposed. Featur es der ived fr om the acoustic analysis ar e
acústico de señales fonocar diogr áficas (FCG) par a detectar extr acted on the segments. Featur e effectiveness is evaluated by
soplos car díacos. En pr imer lugar se desar r olla un sistema de a suppor t vector machine in cascadeconFigur aur ation for
filtr ación basado en la tr ansfor mada wavelet par a r educir las separ ating the classes: nor mal, mur mur and other . The used
per tur baciones que usualmente se pr esentan en la etapa de database of phonocar diogr aphic r ecor ds belongs to the National
adquisición, ajustando la calidad del sonido de acuer do a los Univer sity of Colombia, having 111 r ecor ds as follows: 37
r equer imientos clínicos y validado por especialistas en r ecor ds labeled as “nor mal”, 24 labeled as “mur mur ” and 50
semiología. Se pr opone un algor itmo de segmentación basado en labeled as “other ” abnor malities. The classification r esults ar e
la ener gía pr omedio nor malizada de Shannon y la tr ansfor mada obtained with the or iginal signals and when the signals have
wavelet. Sobr e los segmentos se extr aen car acter ísticas been filter ed. The filter ing stage incr eases the classification
der ivadas del análisis acústico y espectr al. La efectividad de las accur acy to 96% .
car acter ísticas son evaluadas mediante un modelo en cascada de
clasificador es del tipo máquina de sopor te vector ial par a Keywords—Machine Lear ning, Acoustic Analysis, Pathologic
separ ar 3 clases: nor mal, soplo y otr os. La base de r egistr os Detection, Car diac Mur mur s and Phonocar diogr aphy.
FCG utilizada per tenece a la Univer sidad Nacional de
Colombia; de esta base de datos etiquetada se usar on 111
r egistr os distr ibuidos así: 37 r egistr os con etiqueta nor mal, 24 I. INTRODUCCIÓN
r egistr os con etiqueta de soplo y 50 con etiqueta de otr as
as enfermedades cardíacas son una de las principales
anor malidades. Se obtienen r esultados de pr ecisión de
clasificación par a los casos en que se car acter izan las señales
Lcausas de mortalidad y morbilidad en la sociedad moderna
filtr adas y cuando se toman las señales or iginales sin filtr ar , [1], por lo tanto, cualquier avance en las técnicas de
encontr ando que el pr oceso de filtr ación incr ementa diagnóstico y tratamiento de enfermedades cardíacas,
consider ablemente el acier to de clasificación hasta un 96% . contribuye no solo al apoyo en el diagnóstico y tratamiento de
estas enfermedades, sino también al entendimiento de la
Palabras Clave—Apr endizaje de Máquinas, Análisis Acústico,
dinámica cardíaca y sus fenómenos subyacentes. La
Detección de Patologías, Soplos Car díacos y Fonocar diogr afía.
auscultación médica es un procedimiento clínico donde se
Abstract—A methodology based on acoustic analysis of escuchan los sonidos emitidos por las cavidades abdominal y
digitized phonocar diogr aphic signals (PCG) is pr esented, torácica con el fin de emitir o aproximar un diagnóstico del
or iented to detection of car diac mur mur s or iginated by valvular estado de los órganos que se encuentran dentro de estas
pathologies. Initially, a filtr ation system based on the wavelet cavidades. En el caso particular de la auscultación cardíaca,
tr ansfor m is developed to r educe the distur bances that usually se escuchan los sonidos que emite el corazón para evaluar el
appear in the acquisition stage, adjusting the sound quality
estado de las válvulas cardíacas, es decir, de las
accor ding to the clinical r equir ements and validated for
specialists in semiology. A segmentation algor ithm based on the auriculoventriculares (mitral y triscúspide) que separan las
nor malized aver age Shannon ener gy and wavelet tr ansfor m is aurículas de los ventrículos, y de las sigmoideas (pulmonar y
Revista Avances en Sistemas e Informática, Vol.4 No. 3, Diciembre de 2007, Medellín, ISSN 16577663
172 Revista Avances en Sistemas e Informática, Vol.4 No. 3, Diciembre de 2007
aórtica) que separan el corazón de las grandes arterias [2]. de los mismos en el reconocimiento y la discriminación de
Las señales digitalizadas de los sonidos del corazón se características que resultan de diversos desórdenes cardíacos.
conocen con el nombre de fonocardiogramas o señales Así por ejemplo, en [8] se emplean dos técnicas para analizar
fonocardiográficas (FCG), las cuales son fuentes de la separación de los sonidos por retraso: análisis WSOLA
información de la actividad mecánica cardíaca de adquisición (Waveform Similarity OverlapandAdd) y MTSM
no invasiva y bajo costo económico. Las restricciones (Multiresolutional Time Scale Modification). En este proceso
inherentes al método de auscultación tradicional, tales como: de modificación, se preserva la calidad de los ruidos
la incapacidad del oído humano para percibir todas las cardíacos, y su espectro de frecuencia no es desplazado. Para
frecuencias sonoras, la subjetividad del examinador y las evaluar el desempeño del método propuesto, se aplica un test
dificultades que se presentan en la descripción de hallazgos de evaluación auditiva subjetiva por parte de 20 médicos
en la historia clínica, pueden ser significativamente expertos. Se demostró que el retraso de tiempo de algunos
disminuidas con el actual desarrollo de herramientas de ruidos cardíacos mejora la capacidad de los médicos para
procesamiento computacional, modelado matemático y reconocer y discriminar eventos que resultan de desórdenes
análisis digital de señales FCG. cardíacos, por lo que se concluye que la modificación de los
La literatura reporta el uso frecuente de la transformada ruidos cardíacos facilita la interpretación de los sonidos
wavelet (WT) para el procesamiento digital de señales FCG obtenidos en el proceso de auscultación.
por la naturaleza altamente no estacionaria que se presenta en El análisis acústico tiene la ventaja de convertir el
este tipo de señales; sin embargo, la mayoría de las wavelets procedimiento subjetivo de las apreciaciones médicas en
evidencian errores relacionados al análisis de distribución de valores cuantitativos mediante técnicas digitales de
energía (ED), provocando que los resultados encontrados para procesamiento de señales, lo cual puede aprovecharse para la
la discriminación de señales FCG usando la transformada detección automática de soplos cardíacos. La caracterización
WT no sean los mejores [3]. En [4] se afirma que es de estados funcionales correspondientes a casos normales y
importante mantener la longitud de la ventana de análisis tan con evidencias de soplos cardíacos usando procedimientos
corta como sea posible para garantizar la hipótesis de basados en el análisis acústico, permite recuperar la
estacionariedad sobre los pequeños segmentos analizados. No fonocardiografía como un procedimiento de bajo costo
obstante, esto puede reducir la resolución en frecuencia del económico, válido e importante para el apoyo diagnóstico y
espectrograma obtenido, pero si se ajusta el tiempo de evaluación de valvulopatías cardíacas.
deslizamiento de la ventana, se puede obtener un resultado
aceptable. Para este caso, el espectrograma se calcula, en II. CONSIDERACIONES FISIOLÓGICAS
primera instancia, por medio de una ventana de corta
longitud para generar una representación temporal del FCG, A. Ciclo cardíaco
luego se aplica una ventana de mayor longitud para generar Los hechos que ocurren desde el inicio de un latido hasta el
una representación espectral de la energía del FCG. La inicio del próximo se conocen como ciclo cardíaco. Cada
resolución en tales representaciones depende directamente de ciclo cardíaco consta de un período de relajación, llamado
la longitud de la ventana. De esta manera, la representación diástole, durante el cual el corazón se llena de sangre, seguido
temporal permite medir la duración de los ruidos y ciclos de un período de contracción llamado sístole. El corazón
cardíacos, mientras que el espectro, asumiendo una buena cuenta con cuatro válvulas: las válvulas auriculoventriculares
resolución en frecuencia, permite la caracterización espectral (AV) y las sigmoideas. Las válvulas AV (Mitral y
de los sonidos cardíacos. En [5], se aplica la Transformada de Tricúspide) impiden el flujo retrógrado de la sangre de los
Fourier de tiempo corto (STFT) para caracterizar señales ventrículos a las aurículas durante la sístole, y las válvulas
FCG y obtener representaciones de parámetros tales como, sigmoideas (Aórtica y Pulmonar) impiden que la sangre de
localización en el tiempo de los ruidos cardíacos y sus las arterias aorta y pulmonar regrese a los ventrículos durante
componentes, contenidos de frecuencia, localización del ciclo la diástole [9].
cardíaco, y la forma de las envolventes en la caracterización B. Sonidos cardíacos
de los soplos cardíacos. Adicionalmente, los espectrogramas
Reflejan el comportamiento mecánico de las válvulas que
han demostrado ser de uso clínico en la identificación de
controlan la correcta dirección del flujo sanguíneo entre
soplos analizando el contorno, a pesar de los problemas que
aurículas, ventrículos y conductos del corazón. El cierre o
se generan a causa de la resolución [6].
apertura de estas válvulas producen sonidos característicos
Debido a que las diferentes condiciones patológicas del
que permiten deducir si el funcionamiento es adecuado, es
corazón causan soplos y anormalidades en los sonidos
decir, si se producen en el momento, manera e intensidad
cardíacos mucho antes de reflejarse en otros síntomas, la
fisiológicamente normal. Cada latido tiene una duración
modificación de los sonidos del corazón podría ser obtenida
aproximada de 0.8 seg. Durante la sístole ventricular, que
mediante la auscultación cardíaca [7]. Particularmente, el
dura 0.3 seg, los ventrículos se contraen para expulsar la
retardo de algunos sonidos del corazón mejora la capacidad
Análisis Acústico sobre Señales de Auscultación Digital para la Detección de Soplos Cardíacos Castaño et al. 173
Figur a 2. Señal FCG con evidencia de soplo cardíaco
æ x - b ö
h ç ÷
a ø
ha , b = è (1)
a
que es generada a partir de funciones madre h( x ) ,
agregándole la escala a la cual permite que la onda se dilate
o se contraiga, y la variable de traslación b, permitiendo que
la señal se desplace en el tiempo.
La transformada wavelet permite obtener información en
tiempofrecuencia de señales no estacionarias. En el caso de
la transformada wavelet continua CWT, se define como:
Figur a 1. Señal FCG normal
1 æ t - t ö
CWTx Y (t , a ) = ò x ( t ) Y
*
ç ÷ dt (2)
C.Soplos cardíacos a è a ø
Son ruidos adicionales a S1 y S2 producidos por
turbulencias en el flujo de la sangre a través de las distintas donde la escala de la wavelet a se puede considerar como
cámaras y grandes vasos. El flujo sanguíneo normal es
el inverso de la frecuencia. El proceso de cálculo de la CWT
laminar y por lo tanto es silencioso, mientras que cuando se
se hace de manera similar al de la STFT. La CWT revela
hace turbulento se vuelve ruidoso y perceptible, dando origen
muchos detalles de la señal, debido a que realiza el proceso de
al soplo. De acuerdo al instante en que se presenta el soplo
cálculo en forma iterativa hasta que toda la señal es procesada
puede considerarse sistólico o diastólico. En la Figura. 2 se
cubriendo todas las escalas. No obstante, el costo
aprecia una señal FCG que evidencia la presencia de un soplo
computacional es mayor.
cardíaco.
La transformada wavelet discreta permite realizar el mismo
procedimiento de la CWT en menor tiempo computacional,
174 Revista Avances en Sistemas e Informática, Vol.4 No. 3, Diciembre de 2007
DWT ( f ) ( 2k , l ) = ò f ( t )y ( 2 k t + l ) dt (3) donde F (l ) es el dato de entrada, s 2 es la varianza del
ruido, N es el número de puntos de la señal, y N0 es el número
B. Parámetros relacionados a la reducción de ruido de coeficientes wavelet correspondientes al ruido ubicados
La reducción de interferencias acústicas presentes en los bajo el umbral. Este método, a diferencia de la umbralización
registros de FCG, usando la transformada wavelet, requiere universal, depende directamente de la señal de entrada, y no
del ajuste de algunos parámetros, como son: el umbral, el sólo de una estimación basada en los los datos de la varianza
nivel de descomposición y el reescalamiento. del ruido s 2 [11]. En la segunda regla de selección, se usa
una forma fija de umbral que resulta en la acción del minimax
1) Métodos de umbralización: Se analizan dos métodos de multiplicado por un factor pequeño proporcional al logaritmo
umbralización: fuerte (hard thresholding), en la cual los de la longitud de la señal l ( x ) .
coeficientes de valor absoluto menor al umbral se hacen 0 y
los demás se dejan igual: sqt = 2 log ( l ( F ) ) (8)
ïì x, x > x 0 En la tercera regla se emplea una combinación entre las
x u = í (5)
ïî 0, x £ x0 dos anteriores, donde, si la relación señalruido es muy
pequeña, la estimación con SURE resulta muy ruidosa. Por lo
El segundo método corresponde a la umbralización suave o tanto, se utiliza la forma fija del umbral. En la cuarta regla el
soft thresholding, en la cual los coeficientes cuyo valor umbral es escogido con base en el principio del minimax para
absoluto se encuentran por debajo del umbral también se el error cuadrático medio. Este principio es utilizado en la
hacen 0, pero los coeficientes restantes son reducidos a un Estadística para diseñar estimadores porque obtiene el
valor cercano a 0: mínimo del máximo error cuadrático medio. Para realizar la
ìïsgn ( x ) ( x - x0 ) , x > x 0 selección del umbral, minimiza el riesgo máximo relativo con
x u = í (6) respecto a la selección óptima del riesgo. Sostiene que esta
ïî 0, x £ x0
rata de riesgo también se comporta como 2log N y el mismo
donde x0 es el umbral, x es la señal original y xu es la umbral con minimax es asintótico ( : ) [11].
señal umbralizada [11]. λ mM : 2 log Ns (9)
2) Reglas para la selección de umbral: Se presentan donde λ mM representa la selección del umbral con
cuatro opciones para escoger la regla de selección del umbral minimax, N el número de puntos de la señal, y s es la
más apropiada, las cuales se pueden observar en la Tabla 2. desviación estándar del ruido.
Tabla.2 Reglas de selección del umbral.
Regla Descripción 3) Niveles de descomposición: El proceso de descomposición
Rigrsure Selección usando el principio de “Stein's Unbised Risk Estimate puede ser iterativo, con aproximaciones sucesivas siendo
(SURE)”
Sqtwolog Forma fija del umbral que es igual a la raíz cuadrada de dos descompuestas cada vez, de manera que la señal quede reducida
veces el logaritmo de la longitud de la señal. en componentes de más baja resolución. Para este proceso se usa
Heursure Selección usando una combinación de las dos un método denominado árbol de descomposición de wavelet. En
opciones antes mencionadas.
Minimaxi Selección del umbral usando el principio del minimax. la práctica se selecciona un nivel de descomposición adecuado
según la naturaleza de la señal [12].
separación entre las clases, para lo que se requiere hacer una
transformación no lineal de los datos de entrada (datos de donde,
1
entrenamiento) hacia un espacio de características de
dimensión mayor donde las clases tengan máxima separación.
b=
2
mk1( 2
- mk 2 ) (16)
En el hiperespacio resultante se procede a realizar la Por último se reescribe la ecuación (15) basados en (12) y
búsqueda del hiperplano que divide las clases. (13)
Sea el conjunto de datos de entrenamiento: ïì 1 1 ü
y = sgn í å (d × xi ) - å ( d × x i ) + b ïý
ïî rk1 {:
i y }
i =1
r i y k 2 {: }
i = -1 ïþ
( x1 , y1 ) , ( x2 , y2 ) ,..., ( xr , yr ) Î X ´ {± 1}
de lo que se obtiene que:
donde cada xi Î ¡ n es un elemento del conjunto X y yi
es la etiqueta de xi . A este conjunto X se aplica una ìï 1 1 ï ü
y = sgn í å k ( x, xi ) - å k ( x, xi ) + b ý
transformación no lineal de los datos, a través de un Kernel: îï rk1 {:
i y }
i =1
r i y k 2 {: i =- 1 } þï
k : X ´ X ® ¡ y b puede ser considerado como:
( x, x ') ® k ( x, x ') := ( x,x' )
En el espacio resultante se conservan las mismas etiquetas 1 ïì 1 1 ïü
yi para cada x i y se hallan los elementos promedio de cada b := í å k ( xi , x j ) - å k ( xi , x j ) ý (17)
2 îï rk21 a r b 2
k 2 þï
clase,
1
m k =
1
rk
å x i (12) donde a es el conjunto de índices {i, j : yi = y j = 1}
y b
1
{i : y i =1 }
En la Figura. 3 se muestra el diagrama esquemático del ventana sobre la cual se calcula. La obtención del valor de la
procedimiento propuesto. SNR se realizó sobre las señales procesadas con los
algoritmos que, a criterio de los médicos expertos en
auscultación, presentaron los mejores resultados de filtración.
Figur a 3. Diagrama de bloques del procedimiento propuesto
1) Filtración: Antes de iniciar cualquier tipo de 2) Segmentación: Se divide en las siguientes etapas:
procesamiento de las señales FCG es importante realizar una Selección de picos. Teniendo la envolvente de energía
etapa de filtración con el objetivo de reducir interferencias promedio normalizada de Shannon, usando ventanas de 0.02
acústicas que son involucradas en la etapa de adquisición, seg traslapadas 0.01 seg, se realiza la identificación de los
pero de ninguna manera se pueden modificar los atributos sonidos S1 y S2. Se define un umbral para eliminar el efecto
sonoros de la dinámica cardíaca. El procedimiento para del ruido y las señales de muy baja intensidad, el cual puede
lograr la reducción de las perturbaciones en los ser determinado como sigue:
fonocardiogramas consistió en diseñar algoritmos del tipo Th = kPmax (19)
denoising, usando cada una de las reglas de selección del
umbral con los métodos de reescalamiento. Estas donde Pmax
, es el valor máximo de la envolvente y k es la
combinaciones se realizaron variando el nivel de constante que define cuanto porcentaje de amplitud de la
descomposición desde 1 hasta 10 para diferentes familias envolvente se toma para determinar el umbral. En este trabajo
wavelets (ver Sec. IIIB5). Posteriormente, un grupo de tres el valor de k, escogido empíricamente, es 0.08. Los picos de
médicos expertos en auscultación cardíaca escucharon los la envolvente que exceden el umbral son escogidos, y se
registros originales y los filtrados mediante denoising. A asumen temporalmente como sonidos pertenecientes al ciclo
partir de los conceptos emitidos por el grupo de especialistas, cardíaco para las señales que contiene soplos.
se descartaron los algoritmos que alteraron de forma Remoción de picos extras. Pueden existir problemas al
inadecuada las características sonoras de la señal y se eligió el escoger los picos correspondientes a los sonidos cardíacos,
que de forma más clara permitió percibir tato los sonidos debido a que se pueden presentar en la envolvente de uno de
cardíacos como los soplos. los sonidos, picos locales, correspondientes a la existencia de
El método de validación matemática utilizado para este un sonido dividido. Para eliminar los picos sobrantes se
análisis es el estudio de la relación señalruido SNR , la cual calculan todos los intervalos de tiempo entre picos adyacentes
178 Revista Avances en Sistemas e Informática, Vol.4 No. 3, Diciembre de 2007
(ti ) , y seguidamente se estima un valor alto (la ) y uno bajo evidencias de soplo cardíaco. La caracterización acústica se
(lb ) , basados en la media ( t ) y la desviación estándar s t de realizó usando un ventaneo de longitud l y desplazamiento
m , de manera que el valor estimado de cada característica
los intervalos t i , dados por:
para todo el registro se hizo igual al promedio de los valores
lb = t - s t (20) obtenidos para cada característica en todas las ventanas. los
valores de m y l fueron estimados en la etapa de
la = t - s t (21) entrenamiento de los algoritmos.
Cuando un intervalo entre dos picos adyacentes es menor
que el límite de tiempo bajo, existe un pico extra que debe ser
removido, teniendo en cuenta:
a) Si en un intervalo menor a 50 ms (tiempo de duración
de un sonido cuando esta dividido) existen dos picos,
se escoge el primer pico si su valor de amplitud es
comparable con la del segundo; de lo contrario el
primer pico es tomado como ruido y se escoge el
segundo.
b) Si el intervalo es mayor a 50 ms se escoge el pico con
mayor valor.
Rescate de picos perdidos. Algunos sonidos cardíacos S1
ó S2, presentan menor energía que la del umbral escogido. Estimación de los MFCC: En este trabajo se calculan 14
Para rescatar lo picos perdidos se examinan los intervalos que MFCC para cada segmento intralatido de la señal FCG (S1,
sobrepasen el límite de tiempo alto, asumiéndose que un pico sístole, S2, diástole). Se diseñan 14 filtros triangulares cuyas
ha sido perdido, por tanto el umbral será disminuido tomando frecuencias centrales van desde 0 hasta fs / 2 de forma
un factor K igual a 0.005 para encontrar dichos picos, y logarítmica (ver Figura. 4), donde fs es la frecuencia de
nuevamente se aplica el criterio para eliminar picos extra. muestreo de la señal ( fs = 3kHz
). Las amplitudes decaen
Identificación de S1 y S2. Las perturbaciones por
exponencialmente hacia fs / 2 . De esta manera, la
artefactos pueden presentar picos de energía similares a los
picos de los sonidos S1 y S2 que no pueden ser descartados representación de Fourier de cada segmento del latido, X , se
usando los métodos antes mencionados. Se debe identificar multiplica por los coeficientes de cada filtro H m :
cuál es S1 y cuál es S2, teniendo en cuenta lo siguiente:
a) El período diastólico es el intervalo más largo de la æ N -1 2 ö
señal. X F [ m] = ln ç å X [ k ] H m [ k ] ÷ , 0 < m £ M
è k = 0 ø
b) El período sistólico es constante comparado con el
periodo diastólico.
Finalmente, se determinan los MFCC c [ n ] (1 por cada
parámetros de operación que rigen el sistema de detección.
características estimadas es de 58 y queda conformada una etiquetas de clase k [22],
matriz de entrenamiento X de dimensiones 111 ´ 58 .
4) Fronteras de decisión: En esta etapa se desarrolla el
fz ( k , z ) = max
(
x Ìx
fxˆ k , xˆ j
j
( )
soporte de diagnóstico automatizado que consta de 3 clases:
k1 señal normal, k2 registro con evidencia de soplos y k3 La literatura reseña rutinas wrapper (cuando f xˆ usa
señal con otro tipo de anormalidades. Para este fin se
información del procedimiento de clasificación
construye un modelo en cascada de dos clasificadores (del
buscando minimizar el error del clasificador) que
tipo máquina de soporte vectorial). Para cada clasificador se realizan la búsqueda en un número considerablemente
obtiene una superficie ndimensional que son usadas como menor de subconjuntos, entre las cuales se encuentra
fronteras de decisión. El primer clasificador distingue entre la la selección flotante hacia adelante (SFFS) [23]. En
clase k1 y las clases k2 y k3, quedando la tarea del segundo esta técnica, cada paso incluye una nueva variable por
clasificador de discriminar entre las clases k2 y k3. De esta medio de un procedimiento secuencial hacia adelante,
manera, si a la entrada se tiene un vector con q elementos, pero luego realiza la exclusión de las variables menos
este vector se toma como un punto en el espacio q significativas, una por una, hasta que la tasa de error
dimensional y de acuerdo a su ubicación con respecto a las de clasificación correcta disminuya. Una vez que ya
fronteras de decisión, al vector de entrada se le asigna la no se puede seguir excluyendo variables se hace otro
etiqueta de cualquiera de las tres clases. En el Algoritmo 1 se paso hacia delante para incluir otra variable y
describe el procedimiento de diagnóstico. nuevamente se realiza la exclusión de variables, si es
5) Entrenamiento: En el entrenamiento se ajustan los posible. El proceso es recurrente hasta que ya no se
180 Revista Avances en Sistemas e Informática, Vol.4 No. 3, Diciembre de 2007
V.RESULTADOS
Los resultados obtenidos de la etapa de filtración se
muestran en las Figuras. 5, 6, 7 y 8 donde se aprecian los
diagramas tiempofrecuencia de las señales normales y
Figur a 7. Respuesta tiempofrecuencia de una señal FCG con soplo sin
patológicas originales y filtradas. El mejor algoritmo de filtrar.
filtración fue seleccionado usando criterios de auscultación y
apreciaciones auditivas de médicos especialistas.
Figur a 5. Respuesta tiempofrecuencia de una señal FCG normal sin filtrar. Los resultados de precisión de clasificación (PC) fueron
usados en la determinación de la longitud de la ventana de
análisis y se exponen en la Tabla 4. Se observa que los
mejores resultados de clasificación obtuvieron cuando se tomó
la ventana de longitud igual a un latido y el desplazamiento
igualmente de un latido.
TN
Especifidad= ´ 100% = 94, 4%
TN + F P
Tabla. 4 Bondad de clasificación para diferentes longitudes de la ventana de
análisis
1 1 96
1 30% 62
1 60% 60
2 1 62
2 30% 60
2 60% 62
Figur a 6. Respuesta tiempofrecuencia de una señal FCG normal filtrada. 2 90% 58
3 1 62
3 2 62
3 30% 67
3 60% 67
3 90% 22
Análisis Acústico sobre Señales de Auscultación Digital para la Detección de Soplos Cardíacos Castaño et al. 181
AGRADECIMIENTOS Andr és Mar celo Castaño. Ingeniero electrónico. Egresado de la Universidad
Nacional de Colombia en la promoción 2007. Su área de trabajo es el
Este trabajo se encuentra en el marco de la investigación procesamiento de señales biomédicas y reconocimiento de patrones. Actualmente
titulada: “Técnicas de computación de alto rendimiento en la trabaja en el Grupo de Control y Procesamiento Digital de Señales.
interpretación automatizada de imágenes médicas y Edilson DelgadoTr ejos. Profesor catedrático. Departamento de Ingeniería
bioseñale” con código 20201004224, financiado por la DIMA Eléctrica, Electrónica y Computación en la Universidad Nacional de Colombia
Sede Manizales. Recibió sus títulos como Ingeniero Electrónico y como M.Sc. en
y la vicerrectoría de Investigaciones de la Universidad Automatización Industrial en los años 2000 y 2003, respectivamente.
Nacional de Colombia sede Manizales. Actualmente cursa último semestre del Doctorado en Ingeniería en la
Universidad Nacional de Colombia. Sus áreas de desempeño más importantes se
ubican en el tratamiento de señales biomédicas, entrenamiento de máquinas
inteligentes, reconocimiento de patrones y análisis de estructuras multivariadas.
182 Revista Avances en Sistemas e Informática, Vol.4 No. 3, Diciembre de 2007