RT CPSI-UTN # 2004-1: Algoritmos de estimación del período respiratorio
Algoritmos de estimación
del período respiratorio
Mariano Llamedo Soria, Alejandro Panelli, Julián S. Bruno
Centro de Procesamiento de Señales e Imágenes (CPSI), UTN-FRBA
Resumen - Este reporte técnico presentará una
forma de medir el período respiratorio medio y su
desvío estándar por medio de herramientas de soft-
ware y procesamiento digital de señales. El objetivo
del mismo es presentar una forma concreta de llegar
a un resultado, partiendo de un problema práctico
con datos reales.
Palabras Clave - Š Período respiratorio Š Filtrado
digital
I. Introducción
Este reporte técnico presentará una forma de medir el
período respiratorio medio y su desvío estándar por
medio de herramientas de software ampliamente difun-
didas como el lenguaje R 1 o Matlab 2. Se aplicarán
dichos algoritmos en registros de mediciones realizadas
sobre ovejas anestesiadas. El algoritmo presenta una
primer parte de pre-procesamiento de la señal medida
(mediante filtros digitales, y extracción de zonas espu-
rias), una segunda parte previa al algoritmo de detec-
ción (filtros derivadores, detección de pendientes signi-
ficativas), el algoritmo de detección propiamente dicho
y finalmente un análisis estadístico de la información
para retirar elementos espurios que no hayan sido con-
templados por el algoritmo, o que el pre-procesamien-
to de la información no haya solucionado.
Todas las partes anteriormente descriptas son bien
Figura 1: Respiración torácica en función del tiempo.
3
conocidas al momento de escribir este trabajo. El obje-
tivo del mismo es presentar una forma concreta de lle-
gar a un resultado, partiendo de un problema práctico
con datos reales.
II. Material y Métodos
Se trabajó sobre una señal temporal tomada del diá-
metro interpleural de los pulmones a partir de una dis-
tancia media, es decir, la variación en la sección inter-
na de la pared de los pulmones. A esta señal la llamare-
mos respiración torácica. La misma indica en sus suce-
sivos máximos o mínimos la frecuencia respiratoria del
animal. Su forma se muestra en la figura 1.
Como puede observarse en su representación, dicha
señal presenta un ruido de alta frecuencia superpuesto
en la señal de respiración. El mismo puede ser fácil-
mente distinguible ya que la señal de respiración, pre-
senta la mayor parte de su energía en la banda de 1 a 4
Hz. Para los fines de este trabajo, es conveniente reali-
zar un filtrado de la señal para eliminar el ruido de alta
frecuencia, el cual será un inconveniente a la hora de
detectar los máximos de la señal. Para tal fin utilizare-
mos un filtro pasa bajos con las siguientes característi-
cas:
Fcs = 5Hz
Ripple en banda de paso = 1 dB
Atenuación = 40 dB
4 RT CPSI-UTN # 2004-1: Mariano Llamedo Soria et al.

Figura 2: Respiración torácica en función del tiempo, filtrada con un pasa bajos de 5 Hz.

Figura 3: Respiración torácica filtrada en función del tiempo, y su derivada en línea punteada
(fuera de escala para interpolar con la señal original).

El mismo fue diseñado en Matlab por medio de la
herramienta de diseño de filtros sptool. Luego se pro-
cedió a exportar los coeficientes obtenidos de dicha
herramienta a un archivo intermedio .CSV para su uti-
lización posterior en lenguaje R, donde realizaremos
nuestro algoritmo. Una vez filtrada la señal presenta el
aspecto de la figura 2.
Una vez filtrada la señal, podemos aplicar sobre la
señal nuestro algoritmo para la estimación del período
respiratorio medio. El mismo consistirá en medir de
máximo a máximo de la señal de respiración torácica,
la cantidad de tiempo transcurrido.
Lo primero que debemos hacer es obtener una forma
de hallar los máximos. La más sencilla de todas es
mediante la derivada de la señal. Sabemos que la deri-
vada toma el valor de 0 en los máximos locales de una
función, por lo que una derivada sería una buena refe-
rencia para nuestra medición de período. Podemos
implementar una derivada de 3 puntos para cumplir con
nuestro objetivo, pero para obtener un efecto de suavi-
zado recurrimos a una de mayor cantidad de puntos 3.
Los coeficientes terminan siendo los siguientes:
Filtro derivador = (1,0,0,0,0,0,-1)
Con dicho filtro logramos la señal de la figura 3. En
esta señal observamos la señal derivada superpuesta a
la respiración torácica para su mejor comprensión. Se
le retiró el valor de CC a la señal de respiración toráci-
ca para poder tener ambas señales en la misma escala.
A partir de ahora trabajaremos con ambas señales para
explicar el algoritmo de medición del período respira-
torio. El algoritmo consiste entonces en buscar los cru-
ces por 0 de la señal derivada, donde estarán definidos
los máximos o mínimos en la señal original de respira-
ción torácica. De esta forma, debemos recorrer la señal
derivada hacia delante hasta cruzarse nuevamente por
un cruce por 0, en el mismo sentido que el primer
cruce. Es decir, si encontramos un cruce por 0, con
pendiente positiva en la señal derivada significará un
mínimo local, mientras que un cruce con pendiente
negativa significará un máximo. Verificamos que no
afecta al resultado la elección de máximos o mínimos
para la medición del período medio. El cruce por cero
lo hallamos en ambos casos indagando el cambio de
signo al recorrer la señal derivada y actuando según lo
descrito anteriormente. Una vez detectado el primer
cruce, establecemos un tiempo de deshabilitación del
algoritmo para encontrar nuevos cruces por cero, es
decir el fin del período respiratorio. Esto se debe a que
RT CPSI-UTN # 2004-1: Algoritmos de estimación del período respiratorio 5

Figura 4: Boxplot de los resultados del experimento. Se observan aquellos valores no representativos por encima del
brazo superior del gráfico boxplot. Las abcisas corresponden a cada tramo del experimento.

la señal derivada presenta nuevos cruces por 0 en torno
a los máximos de la señal respiración, y con esta medi-
da buscamos escapar de esta zona, para evitar medicio-
nes incorrectas. De esta forma vamos almacenando los
tiempos de cada período encontrado, y armamos con
los mismos una tabla.
En el Apéndice podremos apreciar la implementación
en lenguaje R que busca los períodos respiratorios.
solamente obtener los resultados finales.
III. Resultados
En la tabla 1 se muestran los resultados obtenidos
para todos los tramos del experimento. Puede obser-
varse en los tramos 2, 5, 6 y 8 una mayor variación del
período respiratorio medio.

En la implementación para lenguaje R del algoritmo TABLA 1: PERÍODOS MEDIOS Y SU DESVÍO ESTÁNDAR
descrito anteriormente encontramos dos particularida- POR CADA TRAMO DEL EXPERIMENTO.
des. La primera consiste en usar una ventana de obser-
vación para encontrar el cruce por 0. Nos fijamos siem-
pre 5 muestras hacia delante y hacia atrás si se produjo
el cambio de signo. La otra particularidad es que esta TRAMO MEDIA DE
función informa el lugar donde detectó el período. Si [SEGUNDOS] [SEGUNDOS]
bien este dato no aporta información para el resultado,
es muy útil para verificar que el algoritmo esta funcio- 1 1.24 0.14
nando correctamente.
2 1.46 0.36
Una vez terminada la parte de detección, procedemos
a la extracción de los períodos espurios, es decir aque- 3 1.41 0.29
llos que no son representativos de la media de dicho 4 1.23 0.23
grupo. Este tipo de resultados espurios es consecuencia
tanto de problemas prácticos en el experimento (movi- 5 1.51 0.35
miento del animal, cambios no controlados en las con- 6 1.59 0.38
diciones de medición), como de errores del algoritmo a
la hora de estimar el período respiratorio (condiciones 8 1.46 0.33
no tenidas en cuenta a la hora de su creación), y los 9 1.3 0.25
mismos deben ser descartados antes de proceder al
análisis final. Esto lo podemos realizar mediante la 10 1.45 0.28
función boxplot implementada en R. La cual muestra 11 1.51 0.28
los quartilos 25, 75 y la mediana, según vemos en la
figura 4. Este tipo de gráfico sirve para identificar 12 1.56 0.30
aquellos valores que no son representativos de la media 13 1.3 0.20
en un conjunto de datos.
14 1.42 0.23
Una vez eliminados los resultados espurios, resta
6 RT CPSI-UTN # 2004-1: Mariano Llamedo Soria et al.

En la tabla 2 observamos los resultados finales del más la detección ya que con un análisis estadístico pos-
experimento. Encontramos un período respiratorio terior, podíamos obtener resultados satisfactorios.
medio de 1.31 segundos, un desvío estándar de 0.22
segundos y una variación del 17 % de la media.

TABLA 2: PERÍODOS MEDIOS, DESVÍO ESTÁNDAR

Y COEFICIENTE DE VARIACIÓN TOTAL DEL EXPERIMENTO.
Agradecimientos
Agradecemos a Marcelo Risk, Ricardo Armentano y
MEDIA [SEGUNDOS] DE [SEGUNDOS] COEF. DE VARIACIÓN Franco Pessana por proveer los datos experimentales, y
TOTAL 1.31 0.22 17 % el conocimiento para realizar este trabajo.

IV. Discusión Referencias

Encontramos que los resultados son representativos
de lo observado en los datos experimentales. Este tipo
de algoritmos tiene como inconveniente la necesidad
de conocer el conjunto de datos experimental, para fijar
un límite de tiempo a ignorar luego del hallazgo del pri-
mer mínimo/máximo, esto lo hace inadecuado para
algunas aplicaciones. El algoritmo también presenta la
debilidad que una vez terminado este límite, considera-
rá como válido el primer cruce por cero de la señal deri-
vada, pudiendo conducir a un error. Al aplicar el algo-
ritmo encontramos que no era necesario sofisticar aun
Matlab 6.5 R13. http://www.mathworks.com/
R Development Core Team (2004). R: A language and envi-
ronment for statistical computing. R Foundation for
Statistical Computing, Vienna, Austria. ISBN 3-900051-00-
3, URL http://www.R-project.org
Risk MR. Cartas sobre estadística 1: Estadística descriptiva,
representación gráfica y distribución normal. Revista
Argentina de Bioingeniería. En prensa.
WJ Tonpkins. Biomedical digital signal processing.
Prentice Hall. ISBN 0-13-067216-5

Apéndice
A continuación podemos apreciar la implementación en lenguaje R que busca los períodos respiratorios:

BuscaPeriodo <- function( dataset, limiteAignorar)

{
x <- 6
datasetlength <- length(dataset)
xAnt <- 0
firstTime <- 0
while( (x + 5) < datasetlength )
{

#Flanco creciente
if( dataset[(x-5)] < 0 && dataset[(x+5)] > 0 )

#Flanco decreciente
# if( dataset[x-5] > 0 && dat01aset[x+5] < 0)
{
if( xAnt == 0)
{
xAnt <- x
}
else
{
if( firstTime == 0 )
RT CPSI-UTN # 2004-1: Algoritmos de estimación del período respiratorio 7

{
firstTime <- 1
periodos <- x - xAnt
xplace <- x
}
else
{
periodos <- c(periodos , (x - xAnt))
xplace <- c(xplace,x)
}
xAnt <- 0
}
x <- x + limiteAignorar
}
x <- x + 1
}
retVal <- data.frame(periodos, xplace)
retVal
}