Documentos de Académico
Documentos de Profesional
Documentos de Cultura
AdquisicionSenalesBiologicas PDF
AdquisicionSenalesBiologicas PDF
biológicas
Jesús María Rodríguez Presedo
Secretario de la Cátedra de Telemedicina
Grupo de Sistemas Inteligentes
Universidad de Santiago
http://www-gsi.dec.usc.es
suso@dec.usc.es
Índice
• Adquisición de señales
• Filtrado digital
• Procesado de la señal de ECG y otras señales
fisiológicas
• Análisis de variabilidad de la frecuencia cardiaca
• Técnicas de soft computing
• Monitorización inteligente de pacientes y
telemonitorización de pacientes
• Bibliografía
Objetivos
V V
Extracción de características del
complejo cardíaco
• Las características que en general nos van
a interesar son las siguientes:
– Frecuencia cardiaca
– Altura y anchura de las principales ondas que
constituyen el ciclo cardíaco (P, Q, R, S y T)
– Desnivelación y pendiente del segmento ST
– Otros parámetros como áreas de las distintas
ondas o del segmento ST con la isoeléctrica,
etc.
Pasos a seguir para la extracción
de características
• Delineación del complejo QRS. Se basa en determinar
una zona con valores de pendiente elevadas. Puede
haber integración multicanal.
• Determinación de la isoeléctrica, a partir de un nivel-
base al comienzo del complejo QRS.
• Determinación de la altura de las distintas ondas del
latido con respecto a la isoeléctrica.
• Determinación del comienzo y final de cada onda como
cruce con la isoeléctrica.
• Determinación de la desnivelación del segmento ST. El
punto de medida generalmente depende de la frecuencia
cardiaca.
• Pendiente del segmento ST como resultado de un ajuste
lineal de un segmento de señal comprendido entre el
punto J y el comienzo de la onda T.
Extracción de características
Extracción de características
• Problemas:
– La detección de ondas P resulta compleja por
la baja relación señal/ruido.
– La determinación del final de la onda T puede
ser compleja. Generalmente se asume que
existe una dependencia con la frecuencia
cardiaca.
– La onda U es incluso más compleja de
detectar que la onda P.
Diagramas de tendencias
• Son el resultado de representar la evolución de
los distintos parámetros extraídos del complejo
cardiaco. Generalmente se remuestrean para
conseguir una señal periódica.
• Sobre los diagramas de tendencias pueden
hacerse diversos tipos de procesados de alto
nivel:
– Análisis de variabilidad
– Detección de episodios
Detección de arritmias
• Se basan en determinar el origen de cada latido
detectado, teniendo en cuenta para ello la
familia en la que se ha clasificado su complejo
QRS, su anchura y su ocurrencia temporal.
Básicamente se contemplan latidos sinusales,
supraventriculares y ventriculares.
• Posteriormente se detecta el ritmo mediante la
aplicación de un autómata.
• Existen algunas arritmias que no pueden ser
detectadas por este método (asistolia,
fibrilación, etc.) pues no involucran a latidos.
Proceso de detección de arritmias
Señales de presión
• El análisis de la señal de presión es
relativamente fácil, sobre todo si disponemos de
los resultados de procesar la señal de ECG.
• Características de la señal:
– Secuencia de pulsos resultado de la modulación
impuesta por la actividad mecánica del corazón.
– La línea-base de la señal de presiones tiene
importancia clínica. Su filtrado nunca debe eliminar
componentes de baja frecuencia, como en el caso del
ECG.
– Elevada presencia de artefactos por movimientos del
paciente o del catéter.
Extracción de características
Hasta 1970
Década de los 70
Año 1981
1982-1995
40
35
30
25
Artigos en
20
CiC sobre
15 HRV
10
5
0
1990 1993 1996 1999 2002
Etapas
Detección y clasificación
de latidos
• Frecuencia de muestro de ECG > 200 Hz.
– En pacientes con baja variabilidad > 500 Hz.
• Clasificación de latidos: distinguir entre
latidos normales y ectópicos.
– 1 o más latidos ectópicos en registros de 1
hora en el 33% de personas sanas.
Etapas
FC instantánea
t (mseg) RR (mseg)
347 816
537 760
720 732
909 756
1097 708
t (mseg) FC (mHz)
347 1226
537 1316
720 1366
909 1323
1097 1412
¿RR o FC?
• Problema: segmentos
FC (mHz)
de FC donde el valor
6
FC=10 /RR
medio no es igual.
– Día y noche.
• Soluciones:
– Utilizar RR o FC en
escala logarítmica.
RR (mseg)
– No mezclar FC y RR.
Etapas
Necesidad del filtrado
• Filtro de Sapoznikov nº 8
^
Sapoznikov-8
[09:38:40] [09:43:40]
^
[06:14:32] [06:19:32]
^^^^^^^^^^^^^^^
+ media mejorada
[06:07:40] [06:12:40]
^^^^^^^^^^^^^^^
+ lat. siguiente
[06:14:47] [06:19:47]
^^^^^^^^^^^^^^^
[15:05:32] [15:10:32]
^ ^
[15:05:47] [15:10:47]
+ umbral adaptativo ^ ^
[15:08:22] [15:13:22]
^ ^
Etapas
¿Es necesario?
• La serie de “FC no equiespaciada” es apta para
el análisis en el dominio de tiempo y el análisis
no lineal”.
• Para el análisis en frecuencia las técnicas
actuales, basadas en la transformada de
Fourier, exigen una señal equiespaciada.
• Alternativas
1. Tomar la señal no equiespaciada como si fuese
equiespaciada.
2. Método de Lomb.
3. Interpolar.
Métodos de interpolación
Mejores
R.D. Berger, J.P. Saul, R.J. Cohen. “An efficient algoritm for spectral analysis
of heart rate variability”. IEEE Trans. Biomed. Eng. 33(9):900-904, 1986.
Etapas
Análisis en el dominio del
tiempo
• Análisis “a corto plazo” y “ a largo plazo”.
• Corto plazo: mejor técnicas espectrales.
• Largo plazo: los índices en el dominio del
tiempo han demostrado su utilidad.
Índices en el dominio del tiempo
Índice Descripción
SDNN Desviación estándar de la serie RR
SDANN Desv. est,. de la media de la serie RR en periodos de 5
minutos.
SDNNIDX Media de la desv. est. de la serie RR en periodos de 5 minutos.
pNN50 % de valores de la serie RR que difieren del previo mas de 50
mseg.
R-MSSD Raíz cuadrada de la media de las diferencias al cuadrado entre
los valores de la serie RR adyacentes.
TINN Base del triángulo al que se ajusta el histograma.
HRV index Cociente entre el número de valores de la serie RR y el máximo
del correspondiente histograma
IRRR Diferencia entre los cuartiles primero y tercero de la serie RR
MADRR Mediana de las diferencias absolutas entre los valores
adyacentes de la serie RR
Etapas
Sistemas no lineales y caóticos
n =0
1 14000
0.8
12000
0.6
0.4 10000
Energia (seg^2/Hz)
0.2
8000
x(t)
6000
−0.2
−0.4 4000
−0.6
2000
−0.8
−1 0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 0 1 2 3 4 5 6 7 8
Tiempo (sg) Frecuencia (Hz)
La STFT
12 12
10 10
8 8
Frecuencia (Hz)
Frecuencia (Hz)
6 6
4 4
2 2
0 0
0.5 1 1.5 2 2.5 3 3.5 4 0.5 1 1.5 2 2.5 3 3.5 4 4.5
Tiempo (sg) Tiempo (sg)
Análisis espectral moderno
• Pasos:
– Selección de un modelo matemático.
– Ajuste de los parámetros del modelo.
– Cálculo del espectro a partir de ese modelo.
• Problemas:
– ¿Qué modelo?
– ¿cuántos parámetros?
• Modelo más usado: AR (autoregresivo)
• S.M. Kay. “Modern spectral estimation: theory
and applications”. Prentice-Hall, 1988.
Distribuciones tiempo-frecuencia
VLF LF HF
1
– El desconocimiento de modelos.
FRESCA FRESCA
1 1
0 0
10 16 22 10 16 22
TEMPERATURA DEL AIRE TEMPERATURA DEL AIRE
La negación en predicados vagos
• Para cada predicado P, existe su negado ¬P.
• Es bien conocido que en el caso clásico:
– Principio de no contradicción: A∩¬A=∅
– Principio de tercio excluso: A∪¬A=U
• En la lógica borrosa pueden violarse ambos principios
NO FRESCA FRESCA NO FRESCA
1
0
10 16 22
TEMPERATURA DEL AIRE
Variable lingüística
• Los valores que puede tomar una variable lingüística son
palabras o sentencias en un lenguaje natural o sintético.
• Podemos definir una función significado que asigna a
cada palabra un conjunto borroso.
• Realizamos una partición del universo de discurso:
CERO PEQUEÑO MEDIANO GRANDE
1
0
Reglas borrosas
0 0
-∞ -∞ -0,11 -0,09 50 55 ∞ ∞
DESNIVELACIÓN DEL ST DURACIÓN DEL EPISODIO
• ALGORITMO:
– Utilizamos la “alta desnivelación del ST” como un filtro lingüístico.
– Obtenemos episodios en los que persiste una alta desnivelación del
ST.
– Calculamos en qué casos la persistencia es de “más de aproxim.
un minuto”.
Episodios de isquemia: resultado
Modelado de patrones
Otras aplicaciones de los conjuntos
borrosos en medicina
– Aprendizaje.
– Plasticidad.
– Robustez.
Una neurona artificial
PESO
2
FUNCIÓN
DE
SUMADOR ACTIVACIÓN
0.2
Σ f
0.5
f f
0.0 0.0
t t
entrada salida
RNA
Aprendizaje en RNA
• Supervisado.
SALIDA ESPERADA
ENTRADA SALIDA
RNA
ERROR
• No supervisado.
ENTRADA
RNA
SALIDA
Aplicaciones de las RNA
• Clasificación.
• Asociación.
• Agrupamiento.
• Generalización.
• Optimización.
• Predicción y control.
Ejemplo: clasificación de latidos
Altura QRS
Taquicardia V
Altura P
Hipertrofia VI
Intervalo RR
Hipertrofia VD
Desnivelación ST
Infarto de miocardio
Intervalo PR
Otras aplicaciones de la
computación neuronal en medicina
• Diagnóstico de trastornos psiquiátricos y neurológicos a
partir de EEG.
– Redes de creencia.
101100101000111011000
Recombinación de 2 puntos
mutación
1110011010 1 1110110111110
El algoritmo
1. Cada individuo se evalúa según la función objetivo.
2. Las que logran mayor puntuación se aparean entre
sí, mediante recombinación.
• PocketView ECG
(Micromedical)