Documentos de Académico
Documentos de Profesional
Documentos de Cultura
20 – Agosto – 2020
Facultad de Ingeniería – Programa de Ingeniería Electrónica
Universidad del Quindío
UNIVERSIDAD DEL QUINDÍO - FACULTAD DE
INGENIERÍA
1.
1. PROPONENTE(S), DIRECTOR Y ASESOR(ES):
PROPONENTES (s)
2. ORGANIZACIÓN USUARIA:
3. GLOSARIO
ENFERMEDADES CARDIOVASCULARES:
UNIVERSIDAD DEL QUINDÍO - FACULTAD DE
INGENIERÍA
Constituyen un conjunto de entidades que afectan el corazón y los vasos sanguíneos. Cuando
afecta los vasos sanguíneos puede comprometer órganos como el cerebro (enfermedad
cerebrovascular), los miembros inferiores, los riñones y el corazón. Dentro de las
enfermedades cardiovasculares las de mayor ocurrencia son la enfermedad coronaria y la
enfermedad cerebrovascular.
PATOLOGÍAS CARDÍACAS:
FRECUENCIA:
Es una magnitud la cual mide el número de reiteraciones por unidad de tiempo de algún
fenómeno físico en específico.
FRECUENCIA CARDÍACA:
Mide la actividad eléctrica del corazón. Cada vez que el corazón late, una señal eléctrica
circula a través de él. Un electrocardiograma muestra si el corazón está latiendo a un ritmo y
con una fuerza normal. También muestra el tamaño y la posición de las cámaras del corazón.
MÁQUINA DE APRENDIZAJE:
Consiste en un método guiado por los datos que permite expresar una señal como una suma
de componentes AM-FM. Cada una de estas componentes, llamadas funciones de modo
intrínsecas o modos, representa procesos físicos subyacentes en la señal.
4. ÁREA
Automatización y Control
5. MODALIDAD
Trabajo de aplicación
6. TÍTULO
7. TEMA
Las enfermedades cardiovasculares (CV) han sido llevadas a la luz de los innovadores
avances científicos del presente, de esta forma esta propuesta plantea desarrollar una
herramienta computacional basada en la descomposición empírica de modos (Empirical
Mode Decomposition, EDM) con máquinas de aprendizaje (Machine Learning) que permitan
reconocer e identificar señales electrocardiográficas.
Para tal fin se hará uso de las bases de datos MIT-BIH extrayendo sus características y
examinando sus patrones para determinar cuándo una señal cardiaca pertenece a un tipo de
latido normal o anormal, obteniendo resultados de diferentes patologías cardiacas para su
posterior clasificación.
8. ANTECEDENTES
Como lo plantea Labate et al., (2013) “en una comparación en la descomposición empírica de
modos (EMD) y la wavelet, se reconstruyó la forma de onda de la señal respiratoria mediante
el procesamiento de (ECG) de un solo canal, concluyendo que el (EMD) supera el enfoque
wavelet, el (EMD) descompone la señal original sin una función de base preseleccionada,
utilizada en la descomposición de la wavelet” (p.1).
Como lo expresan Gupta, Sharma y Joshi, (2016) “en una extracción de la frecuencia cardiaca
fetal (FCF) de electrocardiograma abdominal mediante descomposición en modo empírico
multivariante (MEND) de las grabaciones abdECG utilizando el (MEMD), rompieron una
señal en un conjunto (FMI), que resultó en un alto valor (0.938) de correlación cruzada entre
señales (FHR) detectadas verdadera” (p.1).
UNIVERSIDAD DEL QUINDÍO - FACULTAD DE
INGENIERÍA
De acuerdo con Sahoo, Mohanty, Behera y Kumar, (2017) “clasificaron el ritmo (ECG)
utilizando el (EDM) y mezcla de características, para detectar picos R precisos y complejos
QRS, clasificadas en redes neuronales probabilística (PNN) y base radial (RBF-NN)
reconociendo los latidos de arritmia. Logrando en el esquema orientado a clases, las
condiciones de arritmia clasificadas con precisiones del 99.54% y 99.89% usando el
clasificador PNN y RBF-NN” (p.1).
Finalmente, señalan Orozco y Muñoz (2013) “para detección de latidos cardiacos patológicos
y normales utilizando transformada por paquetes Wavelet, máquinas de soporte vectorial y
perceptrón multicapa se utilizando los paquetes Wavelet, evidenciando una alternativa válida
frente a las Transformada Wavelet Discreta (DWT), en la extracción de características de
señales no estacionarias, en especial cuando las seña-les no analizadas por la DWT, cuentan
con información de interés” (p. 90.).
9. DESCRIPCIÓN DEL PROBLEMA
Las enfermedades cardiovasculares son un conjunto de problemas del corazón y los vasos
sanguíneos, convirtiéndose en la principal causa de muerte en el mundo, según la
(Organización Panamericana de la Salud [OPS], 2020) “en la mayoría de los países de las
Américas se producen 1,9 millones de decesos al año” (párr.1), situación preocupante debido
al incremento significativo de casos, la (Organización Mundial de la Salud [OMS], 2020)
estima que “para el año 2030 fallecerán 23,6 millones de personas por complicaciones
cardiovasculares” (párr.6), especialmente en los países en vías de desarrollo.
10. JUSTIFICACIÓN
Los motivos para el desarrollo del presente proyecto radican en generar un aporte desde los
conocimientos gestados en la academia al campo de la medicina que contribuya con el
mejoramiento de las condiciones de salud y bienestar de la población que padecen afecciones
cardiovasculares patentes o latentes en territorio colombiano empleando el método de
descomposición empírica de modos (Empirical Mode Decomposition, EDM), el cual a nivel
latinoamericano y colombiano no se evidencian estudios recientes que empleen esta técnica
que resulta innovadora y con resultados positivos.
Los beneficios sociales están centrados en facilitar nuevos métodos de detección médica de
las enfermedades coronarias de las personas quienes las padecen para que puedan acceder
rápida y oportunamente a tratamientos médicos especializados disponibles y así curar o
aliviar mejorando la calidad de vida y asegurando un mayor bienestar de las personas de los
distintos departamentos de Colombia, especialmente el departamento del Quindío.
Los beneficios personales se orientan hacia la formación integral donde se busca la creación
de habilidades, aptitudes y destrezas propias del profesional en ingeniería electrónica
sustentadas desde visiones teórico – prácticas que permitirán la conquista del objetivo que
gruía el presente proyecto como una manera de expansión del conocimiento que nace desde la
academia y llega hasta los contextos y personas más necesitadas dando solución a sus
problemas más inmediatos.
11. OBJETIVOS
● Explorar las diferentes bases de datos relacionadas con señales cardíacas para
determinar las patologías a identificar.
● Desarrollar el algoritmo para el procesamiento de las señales cardiacas utilizando el
método de descomposición empírica de modos (Empirical Mode Decomposition,
EDM) univariado.
Para Martínez (2011) “esta disciplina estuvo en constante evolución en los últimos años 50,
continuando su auge con el avance tecnológico actual, que hace posible construir sistemas cada
vez más potentes, tanto en sus capacidades de procesamiento como de generalización de
conocimiento adquirido” (p. 2). Abordando diferentes ramas del conocimiento científico, el
campo de la medicina y la ingeniería se han beneficiado de estos procesos, donde se ha
revolucionado la forma de diagnosticar las enfermedades gracias a las modernas herramientas
tecnológicas de reconocimiento de patrones.
Se pre – procesa el patrón de entrada de tal forma que todos los patrones tengan el mismo
tamaño (escala) consigan con esto que el sistema sea invariante al escalamiento. Además de esto,
también se busca lograr que el sistema sea invariante a la traslación. Cuando un sistema es
invariante a la traslación y al escalamiento de los patrones, se dice que el sistema cuenta con un
conocimiento previo.
Etapa 4. Reconocimiento:
La etapa de reconocimiento consiste en obtener una salida del sistema como respuesta a un
conjunto de estímulos dados como entrada (patrones).
UNIVERSIDAD DEL QUINDÍO - FACULTAD DE
INGENIERÍA
Las máquinas de aprendizaje posee una habilidad indispensable para hacer sistemas, no solo
inteligentes, sino autónomos, y capaces de identificar patrones entre los datos para hacer
predicciones, para Espinoza (2019) “es un maestro del reconocimiento de patrones, capaz de
convertir una muestra de datos en un programa informático que extrae inferencias de nuevos
conjuntos de datos para los que no ha sido entrenado previamente” (párr.3).
1. Aprendizaje supervisado:
En el aprendizaje supervisado, para Simeone (2018) “los algoritmos trabajan con datos
“etiquetados” (labeled data), intentado encontrar una función dadas las variables de entrada (input
data), les asigne la etiqueta de salida adecuada. El algoritmo se entrena con un “histórico” de
datos y así “aprende” a asignar la etiqueta de salida adecuada a un nuevo valor de salida” (p.12).
Los algoritmos más habituales que se aplican para el aprendizaje supervisado son: árboles de
decisión, clasificación de Naïve Bayes, regresión por mínimos cuadrados, regresión logística,
support Vector Machines (SVM) y métodos “ensamble”.
2. Aprendizaje no supervisado:
Problemas de clustering.
Agrupamientos de co-ocurrencias.
Perfilado o profiling.
Los tipos de algoritmos más habituales que se aplican para el aprendizaje no supervisado son:
algoritmos de clustering, análisis de componentes principales, descomposición en valores
singulares (singular value decomposition), análisis de componentes principales (Independent
Component Analysis).
del mundo exterior como respuesta a sus acciones. Por lo tanto, el sistema aprende a base de
ensayo-error.
Las redes neuronales artificiales (RNA) son una forma de computación inspirada en modelos
biológicos, Para Matich (2020) “está compuesto por un gran número de elementos simples,
elementos de procesos interconectados, que procesan información por medio de su estado
dinámico como respuesta a entradas externas” (párr.8), creando modelos artificiales que
solucionen problemas mediante técnicas algorítmicas no convencionales, para Salas (2016) ”su
propiedad más importante es la capacidad de aprehender a partir de un conjunto de patrones de
entrenamientos, el proceso de aprendizaje también conocido como entrenamiento de la red puede
ser supervisado y no supervisado” (p.3).
1. Capa de entrada:
2. Capas ocultas:
Son internas a la red y no tienen contacto directo con el entorno exterior. El número de niveles
ocultos puede estar entre cero y un número elevado. Las neuronas de las capas ocultas pueden
estar interconectadas de distintas maneras, lo que determina, junto con su número, las distintas
topologías de redes neuronales.
3. Capa de salida:
Para Matich (2001) “los datos ingresan por medio de la “capa de entrada”, pasan a través de la
“capa oculta” y salen por la “capa de salida”. Cabe mencionar que la capa oculta puede estar
constituida por varias capas” (p. 55).
De acuerdo a los valores que pueden tomar las neuronas artificiales se clasifican en dos grandes
grupos:
1. Neuronas binarias:
Toman los valores dentro del intervalo {0, 1} o {-1, 1}.
2. Neuronas reales:
Toman valores dentro del rango [0, 1] o [-1, 1].
UNIVERSIDAD DEL QUINDÍO - FACULTAD DE
INGENIERÍA
A nivel científico las redes neuronales artificiales (RNA) se presentan como una tecnología
innovadora dentro del campo de la inteligencia artificial (IA), las ventajas de emplearla dentro del
campo de la ingeniería se observan en la siguiente Tabla 1.
Tabla 1.
Ventajas ofrecidas por las redes neuronales artificiales (RNA)
Actividad Ventajas
1. Aprendizaje adaptativo Capacidad de aprender a realizar tareas basadas en un entrenamiento o
en una experiencia inicial.
Una red neuronal puede crear su propia organización o representación
2.Auto-organización de la información que recibe mediante una etapa de aprendizaje.
La destrucción parcial de una red conduce a una degradación de su
3.Tolerancia a fallos estructura; sin embargo, algunas capacidades de la red se pueden
retener, incluso sufriendo un gran daño.
Los cómputos neuronales pueden ser realizados en paralelo; para esto
4.Operación en tiempo en real se diseñan y fabrican máquinas con hardware especial para obtener
esta capacidad.
Se pueden obtener chips especializados para redes neuronales que
5.Fácil inserción en la mejoran su capacidad en ciertas tareas. Ello facilitará la integración
modular en los sistemas existentes
tecnología existente
El procesamiento de señales es una rama de la ingeniería electrónica, para Cisa (2020) “se ocupa
de la adquisición, detección, representación, transformación, análisis e interpretación de señales
analógicas o digitales” (párr.1), se encuentra cada vez más presente en las herramientas digitales
y en sus aplicaciones en distintos campos profesionales.
Las técnicas empleadas para el procesamiento de señales son las siguientes:
Transformada de Fourier
Para Ibarra (2011) “es una operación mediante la cual se puede calcular el espectro de una señal
de energía y sólo es aplicable a este tipo de señales. Las excepciones a la regla son la señal
senoidal, cosenoidal y la exponencial compleja” (p.13).
La ecuación mediante la cual se calcula la transformada de Fourier de una señal de energía f (t)
es:
Igualmente, para Ibarra (2011) “la integral de Fourier dicta el producto de una función real, de
variable real, con una función compleja, también de variable real. El resultado del producto es
una función compleja de la variabe real” (p.13).
La ecuación que permite aplicar la operación inversa calcular la función temporal a partir de su
función en frecuencia es:
UNIVERSIDAD DEL QUINDÍO - FACULTAD DE
INGENIERÍA
Es una clase de transformada de Fourier que representa una señal en términos de versiones
trasladadas y dilatadas de una onda finita (denominada wavelet).
Para Ruiz y Orejuela (2016) “es una técnica de procesamiento de señales no estacionarias,
encargada de mapear una señal transitoria en una representación de tiempo-frecuencia,
permitiendo el filtrado y extracción de características fundamentales de una señal con un análisis
multiresolución analizando las características de interés” (p. 10).
Para Gómez (2012) “para poner en práctica en análisis TW se debe optar por la función llamada
Wavelet madre a partir de la cual se deriva toda una familia de versiones trasladadas y escaladas”
(p.25).
Para Colominas, Schlotthauer, Flandrin y Torres (2011) “es un método guiado por los datos que
permite expresar una señal como una suma de componentes AM-FM. Cada una de estas
componentes, llamadas funciones de modo intrínsecas o modos, representa procesos físicos
subyacentes en la señal” (p. 10).
Cada IMF es una función AM –FM, y puede describirse como di (t) = ai (t) cos (фi (t)).
Este método adaptativo para el análisis de señales no lineales y no estacionarias produce una
separación local y completamente guiada por los datos en oscilaciones rápidas y lentas.
14. METODOLOGÍA
Para el alcance del objetivo general del presente estudio se ha planteado un diseño metodológico
estructurado en cuatro fases prioritarias consagradas en los objetivos específicos, enunciados a
continuación:
Con la identificación de las patologías cardiovasculares más relevantes bajo los criterios
señalados anteriormente, se procederá a realizar la búsqueda de electrocardiogramas (EGC/EKG)
en bases de datos oficiales para la obtención las señales de entrada revisando las diferentes bases
de datos y anomalías que se encuentran en ellas, eligiendo las más apropiadas de acuerdo a las
patologías que se quieren abordar en el estudio.
16. CRONOGRAMA
Ocupación
ACTIVIDAD Mes 1 Mes 2 Mes 3 Mes 4
en Horas
(año)
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Etapa 1 X X X 40
Etapa 2 X X X X 60
Etapa 3 X X X X 80
Etapa 4 X X X X X 90
Informe final X X X X X X X X X X X 96
Socialización de 2
X
resultados
TOTAL HORAS
17. FUENTES DE INFORMACIÓN
[5] Colominas, Schlotthauer, Flandrin y Torres (2011). Descomposición empírica en modos por
conjuntos completa con ruido adaptativo y aplicaciones biomédicas. Recuperado el 1 julio de
2020
de:https://www.researchgate.net/publication/267783026_Descomposicion_empirica_en_modos_p
or_conjuntos_completa_con_ruido_adaptativo_y_aplicaciones_biomedicas
[8] Gómez. (2012). Aplicación de la transformada Wavelet y el método level set para el filtrado y
segmentación de imágenes. Recuperado el 16 de agosto de 2020, de
file:///C:/Users/MiPc/AppData/Local/Temp/UPS-CT002363-1.pdf
[11] Labate et al. (2013). Descomposición empírica en modo vs. Descomposición Wavelet para la
extracción de la señal respiratoria del (ECG) monocanal: una comparación.
UNIVERSIDAD DEL QUINDÍO - FACULTAD DE
INGENIERÍA
[13] Matich. Redes neuronales: conceptos básicos y aplicaciones. Recuperado el 18 agosto de 2020,
de
https://www.frro.utn.edu.ar/repositorio/catedras/quimica/5_anio/orientadora1/monograias/matich-
redesneuronales.pdf
[15] Ministerio de Salud y Protección Social (MINSALUD). (2018). Reducir el riesgo de la atención
en pacientes cardiovasculares. Recuperado el 1 Junio de 2020, de
https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/VS/PSA/Atenci%C3%B3n
%20pacientes%20cardiovasculares.pdf
[16] Organización Mundial de la Salud (OMS). (2020) ¿Que son las enfermedades cardiovasculares?
Recuperado el 1 Junio de 2020, de https://www.who.int/cardiovascular_diseases/about_cvd/es/
[17] Orozco y Muñoz. (2011). Identificación de latidos cardiacos y desconocidos utilizando esquemas
de clasificación en cascada.
[18] Orozco y Muñoz. (2013). Detección de latidos cardiacos patológicos y normales utilizando
transformada por paquetes Wavelet, máquinas de soporte vectorial y perceptrón multicapa.
[19] Observatorio Nacional de Salud (ONS). (2019). Enfermedad cardiovascular: principal causa de
muerte en Colombia. Recuperado el 1 de Junio de 2020, de
https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/IA/INS/Boletin-tecnico-1-
ONS.pdf
[20] Organización Panamericana de la Salud (OPS). (2020). Día mundial del corazón: enfermedades
cardiovasculares causan 1.9 millones de muertes al año en las Américas, de
https://www.paho.org/par/index.php?option=com_content&view=article&id=778:dia-mundial-
corazon-enfermedades-cardiovasculares-causan-1-9-millones-muertes-ano-americas&Itemid=258
[21] Rodríguez, Gallego, Mora, Orozco y Bustamante, (2014). Clasificación de latidos de contracción
ventricular prematura basados en métodos de aprendizaje no supervisado
[22] Ruiz y Orejuela (2016). Implementación de la transformada wavelet sobre un sistema embebido
para el pre-procesamiento de señales unidimensionalesno estacionarias. Recuperado de:
http://bibliotecadigital.usbcali.edu.co/bitstream/10819/4278/1/Implementacion_transformada_wav
elet_ruiz_2016.pdf
[23] Sahoo, Mohanty, Behera y Kumar. (2017). Clasificación de ritmo de (ECG) utilizando
descomposición en modo empírico y mezcla de características.
________________________
Jose Nicolas Pupiales Rosero
1.094.959.624 Armenia, Quindío
Estudiante
__________________________
Pablo Andrés Muñoz Gutiérrez
Armenia, Quindío
Director
UNIVERSIDAD DEL QUINDÍO - FACULTAD DE
INGENIERÍA
18. ANEXOS
[Incluir las cartas de intención cuando haya patrocinadores y/o grupos de investigación
involucrados.
Incluir oficio con el visto bueno del director del trabajo de grado]
19. ESPACIO RESERVADO PARA COORDINACIÓN DE TRABAJOS DE GRADO