Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ilovepdf Merged
Ilovepdf Merged
CONTEXTO:
Las enfermedades cardiovasculares “ECV” son una de las principales causas de mortalidad
en el mundo. Los sonidos cardiacos son vibraciones generados por el latido del corazón,
estos sonidos se consideran un factor importante para el diagnóstico médico.
PROBLEMA PRINCIPAL:
Las grabaciones de las señales PCG forman parte importante en las teleconsultas de
cardiología, los problemas principales relacionados a las grabaciones de alta calidad son
debido por parte del personal sanitario menos experimentado que toman muestran de
menor calidad y al ruido, la mayoría de estos escenarios pueden conducir a errores en el
diagnóstico por parte del médico y los algoritmos de clasificación del sonido cardiaco PCG.
un sistema automático de clasificación de calidad ayudara a un diagnóstico más preciso
y una atención más rápida.
PALABRAS CLAVE:
Se presenta el estado del arte referente a la clasificación de calidad del sonido cardiaco PCG
y los clasificadores redes neuronales en la actualidad.
PROBLEMA PRINCIPAL:
Las grabaciones de las señales PCG forman parte importante en las teleconsultas de
cardiología, los problemas principales relacionados a las grabaciones de alta calidad son
debido por parte del personal sanitario menos experimentado que toman muestran de
menor calidad y al ruido, la mayoría de estos escenarios pueden conducir a errores en el
diagnóstico por parte del médico y los algoritmos de clasificación del sonido cardiaco PCG.
un sistema automático de clasificación de calidad ayudará a un diagnóstico más preciso
y una atención más rápida.
[1] Tang, Hong and Wang, Miao and Hu, Yating and Guo, Binbin and
Li,Ting.;Automated Signal Quality Assessment for Heart Sound Signal by NovelFeatures
and Evaluation in Open Public Datasets,BioMed Research International2021,7565398(2021)
Se definieron diez características para evaluar la calidad de la señal de sonido cardíaco sin
segmentación. Las diez características provienen de la curtosis, la relación de energía, la
envolvente suavizada en frecuencia y el grado de periodicidad del sonido.Además se recopiló
un total de 7893 grabaciones de bases de datos públicas de sonidos cardíacos y hemos
realizado una anotación manual para cada grabación como etiqueta de calidad estándar de
oro. La calidad de la señal se clasifica según dos esquemas: clasificación binaria
("inaceptable" y "aceptable") y clasificación triple ("inaceptable", "buena" y "excelente")
utilizando máquinas de vectores de apoyo S”VM”.
[2] David B. Springer and Thomas Brennan and Ntobeko Ntusi and Hassan Y. Abdel-rahman
and Liesl J. Z ̈uhlke and Bongani M. Mayosi and Lionel Tarassenko and GariD.
Clifford.Automated signal quality assessment of mobile phone-recorded heartsound
signals,Journal of Medical Engineering & Technology,40(7-8),342-355(2016)
[3] Mei N, Wang H, Zhang Y, et al (2021) Classification of heart sounds based on quality
assessment and wavelet scattering transform. Computers in Biology and Medicine
137:104814. doi: 10.1016/j.compbiomed.2021.10481
Este trabajo propone la relación señal/ruido de la señal registrada como principal métrica de
calidad.Encontramos que una relación señal/ruido igual o superior a 14 dB garantiza una
incertidumbre de la estimación de las latencias de cierre de la válvula inferior a 1 ms. En
conclusión, se definió (a) la relación señal-ruido de la señal fonocardiográfica como la
métrica preferida para evaluar su calidad y (b) los valores mínimos de la relación señal-ruido
necesarios para obtener una incertidumbre de la latencia de los componentes del sonido
cardíaco compatible con las aplicaciones clínicas.
Estado del Arte que abordan las redes neuronales y los sistemas embebidos:
[6]Velichko A (2021) A Method for Medical Data Analysis Using the LogNNet for Clinical
Decision Support Systems and Edge Computing in Healthcare. Sensors 21:6209. doi:
10.3390/s21186209
[7] Velichko A (2021) A Method for Medical Data Analysis Using the LogNNet for Clinical
Decision Support Systems and Edge Computing in Healthcare. Sensors 21:6209. doi:
10.3390/s21186209
Conclusiones
Las redes neuronales han mostrado ḿultiples ventajas sobre los ḿetodos tradicionales ,
pues son muy flexibles adecuadas para resolver problemas complejos con un alto número de
datos, poseen un entrenamiento eficiente e iterativo ofreciendo una mayor precision, son
utilizados con datos tabulares ayudando amitigar los problemas de desequilibrio entre clases
que es muy comun en las aplicaciones médicas.
PROBLEMA PRINCIPAL:
Las grabaciones de las señales PCG forman parte importante en las teleconsultas de
cardiología, los problemas principales relacionados a las grabaciones de alta calidad son
debido por parte del personal sanitario menos experimentado que toman muestran de
menor calidad y al ruido, la mayoría de estos escenarios pueden conducir a errores en el
diagnóstico por parte del médico y los algoritmos de clasificación del sonido cardiaco PCG.
un sistema automático de clasificación de calidad ayudará a un diagnóstico más preciso
y una atención más rápida.
[1] Tang, Hong and Wang, Miao and Hu, Yating and Guo, Binbin and
Li,Ting.;Automated Signal Quality Assessment for Heart Sound Signal by NovelFeatures
and Evaluation in Open Public Datasets,BioMed Research International2021,7565398(2021)
Se definieron diez características para evaluar la calidad de la señal de sonido cardíaco sin
segmentación. Las diez características provienen de la curtosis, la relación de energía, la
envolvente suavizada en frecuencia y el grado de periodicidad del sonido.Además se recopiló
un total de 7893 grabaciones de bases de datos públicas de sonidos cardíacos y hemos
realizado una anotación manual para cada grabación como etiqueta de calidad estándar de
oro. La calidad de la señal se clasifica según dos esquemas: clasificación binaria
("inaceptable" y "aceptable") y clasificación triple ("inaceptable", "buena" y "excelente")
utilizando máquinas de vectores de apoyo “SVM”.
Los recursos dados por el journal , son los siguientes: 1.Codigo en Matlab de la parte de
extraccion de caracteristicas y entrenamiento de clasificación por SVM 2.Posee los
calificaciones de un médico experto que está desbalanceado y otra calificación que
corresponde a una calificación combinada del médico experto y un ingeniero de procesa-
miento de señales. 3. Posee las 10 características utilizadas en la clasificacion de las 7983
señales PCG
Estos recursos se pueden descargar mediante los siguientes link:
Codigos de Matlab:
https://github.com/tanghongdlut/signal-quality-assessment-of-heart-sound-signal.
PROPUESTA:
Como primer objetivo se pretende realizar los mismos resultados que el trabajo
realizado por Tang et al.[1] para posteriormente realizar un clasificador basado
en redes neuronales RNA utilizando las métricas de medición ,precisión,
especificidad , sensibilidad y tasa global. Las mediciones tienen que ser las mas
exactas posibles por ende se optara la técnica de validación cruzada para poder
evaluarlo correctamente con el estado del arte.
MATERIALES:
Conclusiones:
El trabajo realizado por Tang et al[1] ayudaria como base para el proyecto de investigación
de calidad de sonido cardiacos PCG “THINK HEALTH”.
PROBLEMA PRINCIPAL:
Las grabaciones de las señales PCG forman parte importante en las teleconsultas de
cardiología, los problemas principales relacionados a las grabaciones de alta calidad son
debido por parte del personal sanitario menos experimentado que toman muestran de
menor calidad y al ruido, la mayoría de estos escenarios pueden conducir a errores en el
diagnóstico por parte del médico y los algoritmos de clasificación del sonido cardiaco PCG.
un sistema automático de clasificación de calidad ayudará a un diagnóstico más preciso
y una atención más rápida.
Metodología:
PRE-PROCESAMIENTO:
La primera fase es el pre-procesamiento de la señal, cada señal pasa por un filtro
antialiasing y luego se muestra a 1000 Hz. La línea de base se elimina mediante un filtro
butterworth paso alto con una frecuencia de corte de 2 Hz, para los 7893 grabaciones PCG
Este apartado no se modificó ningún código de los recursos descargados.
EXTRACCIÓN DE CARACTERÍSTICAS:
Como se mencionó en el anterior informe, este apartado también se encuentra en los
recursos descargados, la única modificación en este apartado es que al final de la extracción
se obtenga los datos en formato tabular .csv
BALANCEO DE DATOS:
En esta sección se utilizará el método de SMOTE TOMEK LINKS , este método combina la
capacidad de generar nuevos datos sint ́eticos SMOTE para la clase minoritaria, y la
capacidad de eliminar los datos que se identifican como enlaces Tomek de la clase
mayoritaria ,se utilizan las dos etiquetas mencionada en la base de datos, ambas etiquetas
pasarán por el m ́etodo Smote Tomek Links,para que estos sean utilizados posteriormente
como ”target” en el entrenamiento del clasificador.
ENTRENAMIENTO
En este apartado se trabajó lo siguiente:
1. El tratamiento de los datos tabulares, para poder trabajar correctamente con el
archivo .csv que genera Matlab.
2. Manipulación de los datos tabulares para obtener una calificación binaria
3. División de variables predictoras y la target
4. División de la base de datos (Entrenamiento y testeo)
5. Aplicación de balanceo de datos
6. Inicialización del modelo SVM
7. Mediciones realizadas
Se adjunta el trabajo realizado , por el entorno de desarrollo Google
Colab:
https://colab.research.google.com/drive/1aYbz33ci19iKHRYCdkR80iMuH
mKM7QYT?usp=sharing
Codigos de Matlab:
https://github.com/tanghongdlut/signal-quality-assessment-of-heart-sound-signal.
RESULTADOS:
Los resultados del trabajo Tang et al. son ligeramente superiores a los obtenido intentando
simular el mismo trabajo, una de las posibilidades es la utilización del comando random,
esto influye ya que en nuestro entorno se tomará datos diferentes, que en el trabajo original
, otra razon podria la utilización de entornos diferentes el programa original es en MATLAB,
En nuestro caso se está utilizando Google Colab.Por otro lado se comparó los resultados
cuando los datos poseen un balanceo de clases y cuando no , como se aprecia en la imagen:
Conclusiones:
El objetivo de simular el trabajo realizado por Tang et al. se pudo realizar , la única
observación es que los resultados no concuerdan perfectamente pero si tienen un margen
de error aceptable. Para el siguiente informe se procederá a la elaboración del clasificador
con redes neuronales RNA.