Adquisición de Señales Biológicas

AdquisiciAdquisicióón de sen de seññales ales biolbiolóógicasgicas

JesJesúús Mars Maríía Rodra Rodrííguez Presedoguez PresedoSecretario de la CSecretario de la Cáátedra de Telemedicinatedra de Telemedicina

Grupo de Sistemas InteligentesGrupo de Sistemas InteligentesUniversidad de SantiagoUniversidad de Santiago

http://wwwhttp://[email protected]@dec.usc.es

ÍÍndicendice

•• AdquisiciAdquisicióón de sen de seññalesales•• Filtrado digitalFiltrado digital•• Procesado de la seProcesado de la seññal de ECG y otras seal de ECG y otras seññales ales

fisiolfisiolóógicasgicas•• AnAnáálisis de variabilidad de la frecuencia cardiacalisis de variabilidad de la frecuencia cardiaca•• TTéécnicas de cnicas de softsoft computingcomputing•• MonitorizaciMonitorizacióón inteligente de pacientes y n inteligente de pacientes y

telemonitorizacitelemonitorizacióónn de pacientesde pacientes•• BibliografBibliografííaa

ObjetivosObjetivos

•• Analizar los distintos tipos de seAnalizar los distintos tipos de seññales ales fisiolfisiolóógicas (exceptuando imgicas (exceptuando imáágenes) de genes) de carcaráácter clcter clíínico que podemos nico que podemos encontrarnos.encontrarnos.

•• Introducir los distintos mIntroducir los distintos méétodos de todos de procesado, almacenamiento y gestiprocesado, almacenamiento y gestióón de n de la informacila informacióón generada por dichas n generada por dichas seseññales.ales.

AdquisiciAdquisicióón: primeros pasosn: primeros pasos

•• InspecciInspeccióón visual y uso de aparatos simples como n visual y uso de aparatos simples como el el estetoscopioestetoscopio o el o el termtermóómetrometro..

•• Se inicia a principios de siglo.Se inicia a principios de siglo.


•• A mediados de los aA mediados de los añños 50 y principios de os 50 y principios de los 60 empiezan a aparecer unidades los 60 empiezan a aparecer unidades especializadas.especializadas.–– UCIUCI entre 1947 y 1952 como servicios de entre 1947 y 1952 como servicios de

ventilaciventilacióón asistida.n asistida.–– UCCUCC en 1962 en 1962 enen Toronto, Kansas y Filadelfia.Toronto, Kansas y Filadelfia.

•• Surge la necesidad de monitorizar el Surge la necesidad de monitorizar el estado del paciente de forma automestado del paciente de forma automáática.tica.


•• Los primeros monitores de pacientes eran Los primeros monitores de pacientes eran analanalóógicos.gicos.

•• MMúúltiples problemas:ltiples problemas:–– Procesado excesivamente simple (tacProcesado excesivamente simple (tacóómetros)metros)–– Alarmas basadas en umbralesAlarmas basadas en umbrales–– DifDifíícil cil reconfiguracireconfiguracióónn–– ElectrElectróónica demasiado complejanica demasiado compleja

MonitorizaciMonitorizacióón de pacientesn de pacientes

•• PipbergerPipberger ((VeteransVeterans AdministrationAdministration Hospital) fue Hospital) fue el primero en digitalizar la seel primero en digitalizar la seññal de ECG a al de ECG a principios de los 60. Su equipo desarrolla los principios de los 60. Su equipo desarrolla los primeros programas para el reconocimiento primeros programas para el reconocimiento automautomáático de ondas.tico de ondas.

•• El equipo de El equipo de CaceresCaceres (US (US PublicPublic HealthHealth ServiceService) ) realiza la clasificacirealiza la clasificacióón de latidos y la transmisin de latidos y la transmisióón n a trava travéés de ls de lííneas telefneas telefóónicas del ECG y de los nicas del ECG y de los resultados de su procesamiento.resultados de su procesamiento.

Ejemplo de sistema de monitorización de los años 60


•• Problemas:Problemas:–– Equipos demasiado caros y voluminososEquipos demasiado caros y voluminosos–– Baja fiabilidadBaja fiabilidad

•• SoluciSolucióón: aparicin: aparicióón del n del microprocesadormicroprocesador en 1971en 1971


•• Seguimiento continuo del estado de un paciente Seguimiento continuo del estado de un paciente en base a la adquisicien base a la adquisicióón y procesado de un n y procesado de un conjunto de variables fisiolconjunto de variables fisiolóógicas.gicas.


•• Tipos de variables fisiolTipos de variables fisiolóógicasgicas–– ImImáágenes 2D y 3Dgenes 2D y 3D–– SeSeññales unidimensionales (ECG, EEG, ales unidimensionales (ECG, EEG,

presiones, temperatura, presiones, temperatura, ……))•• Frecuencia de adquisiciFrecuencia de adquisicióónn

–– PeriPerióódica (fundamentalmente sedica (fundamentalmente seññales ales unidimensionales con una elevada frecuencia unidimensionales con una elevada frecuencia de muestreo)de muestreo)

–– AperiAperióódicadica (im(imáágenes y otras segenes y otras seññales ales adquiridas manualmente)adquiridas manualmente)


•• Solo las seSolo las seññales unidimensionales son ales unidimensionales son actualmente actualmente úútiles para un seguimiento en tiles para un seguimiento en tiempo real del estado del pacientetiempo real del estado del paciente

•• Razones:Razones:–– Limitaciones en la potencia de cLimitaciones en la potencia de cáálculolculo–– Excesivo costeExcesivo coste–– No viable una adquisiciNo viable una adquisicióón continuada de imn continuada de imáágenes genes

por tratarse en la mayorpor tratarse en la mayoríía de los casos de ta de los casos de téécnicas cnicas invasivasinvasivas


•• Nos centraremos en el procesado del ECG, Nos centraremos en el procesado del ECG, por ser la sepor ser la seññal mal máás conocida y, en s conocida y, en general, sobre la que se hace un general, sobre la que se hace un procesado mprocesado máás complejo.s complejo.

•• Hablaremos, en cualquier caso, de otras Hablaremos, en cualquier caso, de otras seseññales fisiolales fisiolóógicas.gicas.

AdquisiciAdquisicióón de sen de seññalesales

•• Cualquier seCualquier seññal fisiolal fisiolóógica sergica seráá adquirida adquirida mediante un sensor, dispositivo encargado de mediante un sensor, dispositivo encargado de realizar la transformacirealizar la transformacióón de la sen de la seññal fisiolal fisiolóógica gica en una seen una seññal elal elééctrica.ctrica.

•• Normalmente dicha seNormalmente dicha seññal deberal deberáá ser ser acondicionada. En esta fase se realiza una acondicionada. En esta fase se realiza una amplificaciamplificacióón analn analóógica asgica asíí como un filtrado como un filtrado analanalóógico para evitar el efecto de gico para evitar el efecto de ““aliasingaliasing””..

El teorema del muestreoEl teorema del muestreo

•• Bajo determinadas hipBajo determinadas hipóótesis una setesis una seññal discreta al discreta resultado de muestrear una seresultado de muestrear una seññal continua no al continua no pierde informacipierde informacióón en el proceso de muestreo. n en el proceso de muestreo. Cuando esto ocurre, la seCuando esto ocurre, la seññal continua puede al continua puede reconstruirse a partir de los valores numreconstruirse a partir de los valores numééricos ricos de la sede la seññal discreta. Esto es lo que se conoce al discreta. Esto es lo que se conoce como el teorema de muestreo o teorema de como el teorema de muestreo o teorema de ShannonShannon..

•• Este teorema dice que una seEste teorema dice que una seññal continua puede al continua puede ser reconstruida completamente a partir de sus ser reconstruida completamente a partir de sus muestras si y solo si la frecuencia de muestreo muestras si y solo si la frecuencia de muestreo es mayor que dos veces el ancho de banda de la es mayor que dos veces el ancho de banda de la seseññal.al.

El teorema del muestreoEl teorema del muestreo

•• El El aliasingaliasing es el fenes el fenóómeno que se produce meno que se produce cuando, en una conversicuando, en una conversióón A/D la n A/D la frecuencia de muestreo es menor que dos frecuencia de muestreo es menor que dos veces el ancho de banda de la seveces el ancho de banda de la seññal. al. Cuando esto ocurre, los componentes de Cuando esto ocurre, los componentes de la sela seññal por encima de la mitad de la al por encima de la mitad de la frecuencia de muestreo se superponen frecuencia de muestreo se superponen con componentes de baja frecuencia con componentes de baja frecuencia distorsionando la sedistorsionando la seññal.al.

Potencia espectral de una señal de EEG (originalmente limitada en banda a 40 Hz). La presencia de ruido de 50 Hz (a) causa un error de aliasing en la componente de 30 Hz si muestreamos la señal a 80 Hz (b).


•• El proceso de conversiEl proceso de conversióón se describe n se describe bbáásicamente por los siguientes sicamente por los siguientes parparáámetros:metros:–– Frecuencia de muestreoFrecuencia de muestreo–– PrecisiPrecisióón del conversor en nn del conversor en núúmero de bitsmero de bits–– Rango del conversorRango del conversor


•• Muchas de las seMuchas de las seññales que habitualmente se manejan ales que habitualmente se manejan son de carson de caráácter bioelcter bioelééctrico. Son el resultado de la ctrico. Son el resultado de la conductividad elconductividad elééctrica que se produce en el cuerpo ctrica que se produce en el cuerpo debido al movimiento de iones. La adquisicidebido al movimiento de iones. La adquisicióón de estas n de estas seseññales implica transformar esas corrientes de iones en ales implica transformar esas corrientes de iones en corrientes elcorrientes elééctricas susceptibles de ser manejadas por ctricas susceptibles de ser manejadas por la instrumentacila instrumentacióón electrn electróónica.nica.

•• Algunos ejemplos de seAlgunos ejemplos de seññales bioelales bioelééctricas son el ctricas son el electrocardiograma (ECG), electromiograma (EMG), electrocardiograma (ECG), electromiograma (EMG), electroencefalograma (EEG), electroencefalograma (EEG), electrooculogramaelectrooculograma (EOG), (EOG), etc.etc.


•• En el caso de la seEn el caso de la seññal de ECG, el sensor es al de ECG, el sensor es simplemente un contacto elsimplemente un contacto elééctrico pues la sectrico pues la seññal al a medir es bioela medir es bioelééctrica.ctrica.

•• La seLa seññal obtenida es de muy baja amplitud (del al obtenida es de muy baja amplitud (del orden de los milivoltios) y debe ser amplificada a orden de los milivoltios) y debe ser amplificada a valores susceptibles de ser manejados por un valores susceptibles de ser manejados por un conversor analconversor analóógico/digital (voltios).gico/digital (voltios).

•• La fase de amplificaciLa fase de amplificacióón analn analóógica es crgica es críítica. El tica. El amplificador es un amplificador de amplificador es un amplificador de instrumentaciinstrumentacióón que introduce muy pocas n que introduce muy pocas distorsiones a la sedistorsiones a la seññal original.al original.


•• No todas las seNo todas las seññales fisiolales fisiolóógicas son de tipo gicas son de tipo bioelbioelééctrico, si bien son, quizctrico, si bien son, quizáás, las ms, las máás s importantes. Una posible clasificaciimportantes. Una posible clasificacióón del tipo de n del tipo de seseññales fisiolales fisiolóógicas podrgicas podríía ser la siguiente:a ser la siguiente:–– SeSeññales bioelales bioelééctricasctricas–– SeSeññales de ales de bioimpedanciabioimpedancia–– SeSeññales ales bioacbioacúústicassticas–– SeSeññales ales biomagnbiomagnééticasticas–– SeSeññales biomecales biomecáánicasnicas–– SeSeññales bioquales bioquíímicasmicas–– SeSeññales ales biobioóópticaspticas


•• La componente de mLa componente de máás baja frecuencia del ECG s baja frecuencia del ECG se corresponde con el RR mse corresponde con el RR máás largo. Si s largo. Si asumimos una frecuencia cardiaca masumimos una frecuencia cardiaca míínima de 30 nima de 30 latidos/min. => 0,5 latidos/min. => 0,5 HzHz..

•• La AHA recomienda un ancho de banda entre La AHA recomienda un ancho de banda entre 0,05 y 100 0,05 y 100 HzHz. Eso implica, por el teorema de . Eso implica, por el teorema de ShannonShannon que las frecuencias de adquisicique las frecuencias de adquisicióón n aceptables estaceptables estáán por encima de 200 n por encima de 200 HzHz..

Espectro de la seEspectro de la seññal de ECGal de ECG

Filtrado digital de seFiltrado digital de seññalesales

•• Una seUna seññal tiene un espectro de frecuencias tal tiene un espectro de frecuencias tíípico pico y su estudio puede realizarse tanto en el y su estudio puede realizarse tanto en el dominio del tiempo como en el de la frecuencia.dominio del tiempo como en el de la frecuencia.

•• Normalmente una seNormalmente una seññal se encuentra al se encuentra contaminada por ruido procedente de muy contaminada por ruido procedente de muy diversas fuentes. El ruido funciona como una diversas fuentes. El ruido funciona como una seseññal adicional que se suma a la seal adicional que se suma a la seññal original.al original.


•• ÚÚnicamente sernicamente seráá posible posible eliminar completamente eliminar completamente el ruido si su espectro no el ruido si su espectro no se solapa con el espectro se solapa con el espectro de la sede la seññal en ningal en ningúún n punto.punto.

•• En caso contrario serEn caso contrario serááposible reconstruir solo posible reconstruir solo parcialmente las parcialmente las caractercaracteríísticas de la sesticas de la seññal al original.original.


•• Un filtro ideal pasaUn filtro ideal pasa--banda. Como el banda. Como el ruido no solapa con ruido no solapa con la sela seññal se puede al se puede eliminar eliminar completamente con completamente con un filtro, obteniendo un filtro, obteniendo una seuna seññal limpia al limpia completamente de completamente de ruido.ruido.


•• Existen diversas aproximaciones al proceso de Existen diversas aproximaciones al proceso de filtrado digital de la sefiltrado digital de la seññalal–– Filtrado clFiltrado cláásico: filtros de sico: filtros de ButterworthButterworth, , ChebyshevChebyshev

tipos I y II, eltipos I y II, elíípticos y pticos y BesselBessel. Todos ellos pueden ser . Todos ellos pueden ser de tipo pasa alta, pasa baja, pasa banda o banda de tipo pasa alta, pasa baja, pasa banda o banda eliminada.eliminada.

–– Filtros Filtros adaptativosadaptativos, en donde el algoritmo de filtrado , en donde el algoritmo de filtrado cambia en funcicambia en funcióón de las caractern de las caracteríísticas de la sesticas de la seññal.al.

–– Otros mOtros méétodos como el promediado de setodos como el promediado de seññalal

Filtrado de la seFiltrado de la seññal de ECGal de ECG

•• Generalmente se persigue eliminar los siguientes tipos Generalmente se persigue eliminar los siguientes tipos de ruidode ruido–– Deriva de la lDeriva de la líínea basenea base (mediante filtros pasa(mediante filtros pasa--alta)alta)–– Ruidos de alta frecuenciaRuidos de alta frecuencia, generalmente debidos a movimientos , generalmente debidos a movimientos

esquelesquelééticos o a interferencias (mediante filtros pasaticos o a interferencias (mediante filtros pasa--baja)baja)–– Interferencias de redInterferencias de red (mediante filtros banda(mediante filtros banda--eliminada entorno eliminada entorno

a los 50/60 a los 50/60 HzHz.).)

•• Debe buscarse un compromiso entre conseguir una Debe buscarse un compromiso entre conseguir una buena eliminacibuena eliminacióón del ruido sin eliminar la informacin del ruido sin eliminar la informacióón n clclíínicamente significativa. El filtro o filtros utilizados nicamente significativa. El filtro o filtros utilizados dependerdependeráán de la aplicacin de la aplicacióón (monitorizacin (monitorizacióón n HolterHolter, , ambulatoria, ambulatoria, testtest de esfuerzo, etc.)de esfuerzo, etc.)

Ejemplo de dos tipos diferentes de filtros pasa-baja aplicados sobre una señal de ECG con ruido de tipo muscular (EMG).

Una señal de ECG contaminada por ruido de 50 Hz es filtrada por un filtro banda eliminada centrado a esa frecuencia.

Efecto de un filtro derivativo pasa-alta sobre una señal de ECG

PromediadoPromediado

•• El filtrado tradicional funciona bien cuando la seEl filtrado tradicional funciona bien cuando la seññal y el al y el ruido no solapan en el espectro de potencia. Cuando se ruido no solapan en el espectro de potencia. Cuando se produce dicho solapamiento un filtro no solo elimina el produce dicho solapamiento un filtro no solo elimina el ruido sino que puede distorsionar gravemente la seruido sino que puede distorsionar gravemente la seññal al original.original.

•• Cuando la seCuando la seññal que deseamos obtener se repite de al que deseamos obtener se repite de forma idforma idééntica a lo largo del tiempo, una tntica a lo largo del tiempo, una téécnica de cnica de promediado puede resolver satisfactoriamente el promediado puede resolver satisfactoriamente el problema. Esta tproblema. Esta téécnica suma un conjunto de eventos de cnica suma un conjunto de eventos de la sela seññal con su correspondiente ruido. Si los eventos al con su correspondiente ruido. Si los eventos estestáán convenientemente alineados, la relacin convenientemente alineados, la relacióón sen seññal al ruido aumenta pues el ruido se supone aleatorio con un ruido aumenta pues el ruido se supone aleatorio con un valor medio igual a cero.valor medio igual a cero.

PromediadoPromediado

•• Algunos ejemplos en los que se aplica la Algunos ejemplos en los que se aplica la ttéécnica del promediado los tenemos en la cnica del promediado los tenemos en la deteccideteccióón de potenciales evocados sobre n de potenciales evocados sobre el EEG o la detecciel EEG o la deteccióón de potenciales n de potenciales ventriculares tardventriculares tardííos sobre la seos sobre la seññal de al de ECG. TambiECG. Tambiéén se utiliza habitualmente en n se utiliza habitualmente en los los testtest de esfuerzo para limpiar la sede esfuerzo para limpiar la seññal al de ECG que se encuentra muy de ECG que se encuentra muy contaminada por ruido.contaminada por ruido.

Mejora de la calidad de la señal en un potencial evocado (EP) mediante la técnica del promediado.

DetecciDeteccióón de ruidon de ruido

•• El objetivo es detectar aquellas manifestaciones El objetivo es detectar aquellas manifestaciones de ruido que no han podido ser eliminadas por de ruido que no han podido ser eliminadas por el proceso de filtrado y que invalidarel proceso de filtrado y que invalidaríían todo an todo procesado posterior.procesado posterior.

•• Necesario debido a que habitualmente la seNecesario debido a que habitualmente la seññal y al y el ruido comparten componentes de frecuencia, el ruido comparten componentes de frecuencia, por lo que no es posible realizar un filtrado por lo que no es posible realizar un filtrado óóptimo.ptimo.

•• A veces resulta mA veces resulta máás eficiente detectar el ruido s eficiente detectar el ruido en etapas de men etapas de máás alto nivel y no hacerlo s alto nivel y no hacerlo directamente sobre la sedirectamente sobre la seññal.al.

DetecciDeteccióón de complejos QRSn de complejos QRS

•• La detecciLa deteccióón del ciclo cardn del ciclo cardííaco es fundamental aco es fundamental para el procesado de la separa el procesado de la seññal de ECG.al de ECG.

•• Generalmente se basa en la detecciGeneralmente se basa en la deteccióón de n de complejos QRS. A partir de esta deteccicomplejos QRS. A partir de esta deteccióón es n es posible realizar un anposible realizar un anáálisis mlisis máás profundo de la s profundo de la seseññal de ECG.al de ECG.

•• El diseEl diseñño de un detector de complejos QRS es o de un detector de complejos QRS es complejo por la variabilidad fisiolcomplejo por la variabilidad fisiolóógica de los gica de los complejos y por la presencia de ruido.complejos y por la presencia de ruido.

•• Suele mejorar las prestaciones cuando se realiza Suele mejorar las prestaciones cuando se realiza un anun anáálisis lisis multicanalmulticanal..

Espectro de potencias tEspectro de potencias tíípico de los pico de los complejos QRScomplejos QRS

DetecciDeteccióón de complejos QRSn de complejos QRS

CaracterizaciCaracterizacióón morfoln morfolóógica de gica de complejos QRScomplejos QRS

•• Necesario para clasificar el latido y abordar con Necesario para clasificar el latido y abordar con ééxito la identificacixito la identificacióón de ritmon de ritmo

•• Es un problema clEs un problema cláásico del reconocimiento de sico del reconocimiento de patrones. Las tpatrones. Las téécnicas que se suelen utilizar van, cnicas que se suelen utilizar van, desde el uso de comparacidesde el uso de comparacióón con plantillas, n con plantillas, pasando por la extraccipasando por la extraccióón de caractern de caracteríísticas, assticas, asíícomo tcomo téécnicas sintcnicas sintáácticas y/o semcticas y/o semáánticas.nticas.

•• El agrupamiento en familias puede realizarse con El agrupamiento en familias puede realizarse con ttéécnicas clcnicas cláásicas de sicas de ““clusteringclustering””..

CaracterizaciCaracterizacióón morfoln morfolóógica de gica de complejos QRScomplejos QRS

VV

ExtracciExtraccióón de caractern de caracteríísticas del sticas del complejo cardcomplejo cardííacoaco

•• Las caracterLas caracteríísticas que en general nos van sticas que en general nos van a interesar son las siguientes:a interesar son las siguientes:–– Frecuencia cardiacaFrecuencia cardiaca–– Altura y anchuraAltura y anchura de las principales de las principales ondasondas que que

constituyen el ciclo cardconstituyen el ciclo cardííaco (P, Q, R, S y T)aco (P, Q, R, S y T)–– DesnivelaciDesnivelacióón y pendienten y pendiente del del segmento STsegmento ST–– Otros parOtros paráámetros como metros como ááreas de las distintas reas de las distintas

ondas o del segmento ST con la ondas o del segmento ST con la isoelisoelééctricactrica, , etc.etc.

Pasos a seguir para la extracciPasos a seguir para la extraccióón n de caracterde caracteríísticassticas•• DelineaciDelineacióón del complejo QRSn del complejo QRS. Se basa en determinar . Se basa en determinar

una zona con valores de pendiente elevadas. Puede una zona con valores de pendiente elevadas. Puede haber integracihaber integracióón n multicanalmulticanal..

•• DeterminaciDeterminacióón de la n de la isoelisoelééctricactrica, a partir de un nivel, a partir de un nivel--base al comienzo del complejo QRS.base al comienzo del complejo QRS.

•• DeterminaciDeterminacióón de la n de la altura de las distintas ondasaltura de las distintas ondas del del latido con respecto a la latido con respecto a la isoelisoelééctricactrica..

•• DeterminaciDeterminacióón del n del comienzo y final de cada ondacomienzo y final de cada onda como como cruce con la cruce con la isoelisoelééctricactrica..

•• DeterminaciDeterminacióón de la n de la desnivelacidesnivelacióón del segmento STn del segmento ST. El . El punto de medida generalmente depende de la frecuencia punto de medida generalmente depende de la frecuencia cardiaca.cardiaca.

•• Pendiente del segmento STPendiente del segmento ST como resultado de un ajuste como resultado de un ajuste lineal de un segmento de selineal de un segmento de seññal comprendido entre el al comprendido entre el punto J y el comienzo de la onda T.punto J y el comienzo de la onda T.

ExtracciExtraccióón de caractern de caracteríísticassticas


•• Problemas:Problemas:–– La detecciLa deteccióón de ondas P resulta compleja por n de ondas P resulta compleja por

la baja relacila baja relacióón sen seññal/ruido.al/ruido.–– La determinaciLa determinacióón del final de la onda T puede n del final de la onda T puede

ser compleja. Generalmente se asume que ser compleja. Generalmente se asume que existe una dependencia con la frecuencia existe una dependencia con la frecuencia cardiaca.cardiaca.

–– La onda U es incluso mLa onda U es incluso máás compleja de s compleja de detectar que la onda P.detectar que la onda P.

Diagramas de tendenciasDiagramas de tendencias

•• Son el resultado de representar la evoluciSon el resultado de representar la evolucióón de n de los distintos parlos distintos paráámetros extrametros extraíídos del complejo dos del complejo cardiaco. Generalmente se cardiaco. Generalmente se remuestreanremuestrean para para conseguir una seconseguir una seññal perial perióódica.dica.

•• Sobre los diagramas de tendencias pueden Sobre los diagramas de tendencias pueden hacerse diversos tipos de procesados de alto hacerse diversos tipos de procesados de alto nivel:nivel:–– AnAnáálisis de variabilidadlisis de variabilidad–– DetecciDeteccióón de episodiosn de episodios

DetecciDeteccióón de arritmiasn de arritmias

•• Se basan en determinar el origen de cada latido Se basan en determinar el origen de cada latido detectado, teniendo en cuenta para ello la detectado, teniendo en cuenta para ello la familia en la que se ha clasificado su complejo familia en la que se ha clasificado su complejo QRS, su anchura y su ocurrencia temporal. QRS, su anchura y su ocurrencia temporal. BBáásicamente se contemplan latidos sinusales, sicamente se contemplan latidos sinusales, supraventricularessupraventriculares y ventriculares.y ventriculares.

•• Posteriormente se detecta el ritmo mediante la Posteriormente se detecta el ritmo mediante la aplicaciaplicacióón de un autn de un autóómata.mata.

•• Existen algunas arritmias que no pueden ser Existen algunas arritmias que no pueden ser detectadas por este mdetectadas por este méétodo (asistolia, todo (asistolia, fibrilacifibrilacióón, etc.) pues no involucran a latidos.n, etc.) pues no involucran a latidos.

Proceso de detecciProceso de deteccióón de arritmiasn de arritmias

SeSeññales de presiales de presióónn

•• El anEl anáálisis de la selisis de la seññal de presial de presióón es n es relativamente frelativamente fáácil, sobre todo si disponemos de cil, sobre todo si disponemos de los resultados de procesar la selos resultados de procesar la seññal de ECG.al de ECG.

•• CaracterCaracteríísticas de la sesticas de la seññal:al:–– Secuencia de pulsos resultado de la modulaciSecuencia de pulsos resultado de la modulacióón n

impuesta por la actividad mecimpuesta por la actividad mecáánica del coraznica del corazóón.n.–– La lLa lííneanea--base de la sebase de la seññal de presiones tiene al de presiones tiene

importancia climportancia clíínica. Su filtrado nunca debe eliminar nica. Su filtrado nunca debe eliminar componentes de baja frecuencia, como en el caso del componentes de baja frecuencia, como en el caso del ECG.ECG.

–– Elevada presencia de artefactos por movimientos del Elevada presencia de artefactos por movimientos del paciente o del catpaciente o del catééter.ter.


•• PresiPresióón sistn sistóólicalica: valor m: valor mááximo de la seximo de la seññal al de preside presióón durante el ciclo cardn durante el ciclo cardííaco.aco.

•• PresiPresióón diastn diastóólicalica: valor m: valor míínimo de la nimo de la seseññal de presial de presióón durante el ciclo cardn durante el ciclo cardííaco.aco.

•• PresiPresióón median media: valor medio de todos los : valor medio de todos los valores de presivalores de presióón a lo largo de un ciclo n a lo largo de un ciclo cardcardííaco.aco.

Otras caracterOtras caracteríísticas de las sesticas de las seññales ales de preside presióónn•• Intervalo entre pulsos = frecuencia cardiacaIntervalo entre pulsos = frecuencia cardiaca•• MaxMax dPdP//dtdt•• Intervalos de tiempo sistIntervalos de tiempo sistóólicolico

–– Periodo Periodo prepre--eyeccieyeccióón = tiempo entre comienzo del n = tiempo entre comienzo del QRS y el comienzo del pulso arterialQRS y el comienzo del pulso arterial

–– Tiempo de eyecciTiempo de eyeccióón de ventrn de ventríículo derecho = tiempo culo derecho = tiempo entre comienzo del pulso arterial y el nodo diacrentre comienzo del pulso arterial y el nodo diacrííticotico

•• PresiPresióón diacrn diacrííticatica•• Otros parOtros paráámetros (metros (ej.ej. frecuencia respiratoria, frecuencia respiratoria,

etc.)etc.)

Otras seOtras seññalesales

•• Entre las seEntre las seññales que podemos tener habitualmente ales que podemos tener habitualmente cuando monitorizamos un paciente tenemos:cuando monitorizamos un paciente tenemos:–– SaO2SaO2: se mide en %. Es significativo un descenso acusado de su : se mide en %. Es significativo un descenso acusado de su

valor. Es muy significativa a la hora de hacer estudios valor. Es muy significativa a la hora de hacer estudios polisomnogrpolisomnográáficosficos y, especialmente, en el caso de pacientes y, especialmente, en el caso de pacientes aquejados de apnea del sueaquejados de apnea del sueñño.o.

–– Electroencefalograma (EEG): muy interesante tambiElectroencefalograma (EEG): muy interesante tambiéén en n en estudios estudios polisomnogrpolisomnográáficosficos. Sirve, entre otras cosas, para . Sirve, entre otras cosas, para clasificar las distintas fases del sueclasificar las distintas fases del sueñño junto con el o junto con el electrooculogramaelectrooculograma. Tambi. Tambiéén es muy significativa la potencia n es muy significativa la potencia espectral de la seespectral de la seññal en diversas bandas de frecuencia.al en diversas bandas de frecuencia.

–– Otros parOtros paráámetros como temperatura, tono muscular, frecuencia metros como temperatura, tono muscular, frecuencia respiratoria medida mediante flujo nasal, sonido cardiaco, etc.respiratoria medida mediante flujo nasal, sonido cardiaco, etc.

CompresiCompresióón de sen de seññalesales

•• Actualmente se utilizan habitualmente sistemas digitales Actualmente se utilizan habitualmente sistemas digitales para el procesamiento de separa el procesamiento de seññales como el ECG, el EEG, ales como el ECG, el EEG, etc. Estos sistemas suelen tener mecanismos para el etc. Estos sistemas suelen tener mecanismos para el almacenamiento de dichas sealmacenamiento de dichas seññales.ales.

•• No obstante la cantidad de informaciNo obstante la cantidad de informacióón puede ser muy n puede ser muy elevada. Aselevada. Asíí, un , un HolterHolter con dos canales de ECG con dos canales de ECG muestreados a 200 muestras por segundo y 10 bits de muestreados a 200 muestras por segundo y 10 bits de resoluciresolucióón por muestra puede necesitar mn por muestra puede necesitar máás de 200 s de 200 MbitsMbits/d/díía de almacenamiento.a de almacenamiento.

•• Surge la necesidad de comprimir las seSurge la necesidad de comprimir las seññalesales

CompresiCompresióón de sen de seññalesales

•• BBáásicamente existen dos grandes categorsicamente existen dos grandes categoríías de as de algoritmos de compresialgoritmos de compresióón:n:–– Con pCon péérdidasrdidas–– Sin pSin péérdidasrdidas

•• Todo algoritmo de compresiTodo algoritmo de compresióón se caracteriza por su n se caracteriza por su factor de compresifactor de compresióón (CR). Para sen (CR). Para seññales biomales bioméédicas dicas ttíípicas, los mpicas, los méétodos de compresitodos de compresióón sin pn sin péérdidas rdidas proporcionan factores de compresiproporcionan factores de compresióón del orden de 2:1, n del orden de 2:1, mientras que los algoritmos con pmientras que los algoritmos con péérdidas pueden llegar rdidas pueden llegar a factores de compresia factores de compresióón 10:1 o superiores.n 10:1 o superiores.

•• Un factor de compresiUn factor de compresióón 2:1 es muy pobre, por lo que n 2:1 es muy pobre, por lo que habitualmente se prefiere algoritmos con phabitualmente se prefiere algoritmos con péérdidas. La rdidas. La eleccieleccióón del algoritmo es un compromiso entre el factor n del algoritmo es un compromiso entre el factor de compreside compresióón requerido y la fiabilidad a la hora de n requerido y la fiabilidad a la hora de reconstruir la sereconstruir la seññal original.al original.

Variabilidad de la frecuencia Variabilidad de la frecuencia cardiacacardiaca

Hasta 1970

DDéécada de los 70cada de los 70

AAñño 1981o 1981

19821982--19951995

•• ConfirmaciConfirmacióón de su utilidad cln de su utilidad clíínicanica–– EstratificaciEstratificacióón del riesgo en infarto.n del riesgo en infarto.–– ValoraciValoracióón de salud fetal.n de salud fetal.–– PredicciPrediccióón de muerte sn de muerte súúbita.bita.

•• Nuevas tNuevas téécnicas de ancnicas de anáálisis.lisis.–– DinDináámica no lineal.mica no lineal.–– Nuevos estimadores espectrales.Nuevos estimadores espectrales.

19961996

Siglo XXISiglo XXI

05

10152025303540

1990 1993 1996 1999 2002

Artigos enCiC sobreHRV

EtapasEtapas

DetecciDeteccióón y clasificacin y clasificacióónnde latidosde latidos

•• Frecuencia de muestro de ECG Frecuencia de muestro de ECG > 200 Hz.> 200 Hz.–– En En pacientespacientes con con bajabaja variabilidadvariabilidad > 500 Hz.> 500 Hz.

•• ClasificaciClasificacióónn de de latidoslatidos: : distinguirdistinguir entreentrelatidoslatidos normalesnormales y y ectectóópicospicos..–– 1 o 1 o mmááss latidoslatidos ectectóópicospicos en en registrosregistros de 1 de 1

horahora en el 33% de personas en el 33% de personas sanassanas..

EtapasEtapas

FC instantFC instantááneaneat (mseg) RR (mseg)347 816537 760720 732909 7561097 708

t (mseg) FC (mHz)347 1226537 1316720 1366909 13231097 1412

¿¿RR o FC?RR o FC?

•• Problema: segmentos Problema: segmentos de FC donde el valor de FC donde el valor medio no es igual.medio no es igual.–– DDíía y noche.a y noche.

•• Soluciones:Soluciones:–– Utilizar RR o FC en Utilizar RR o FC en

escala logarescala logaríítmica.tmica.–– No mezclar FC y RR.No mezclar FC y RR.

FC (mHz)

RR (mseg)

FC=10 /RR6

EtapasEtapas

Necesidad del filtradoNecesidad del filtrado

•• NingNingúún algoritmo de deteccin algoritmo de deteccióón y n y clasificaciclasificacióón de latidos es infalible.n de latidos es infalible.

•• El efecto sobre los El efecto sobre los ííndices de variabilidad ndices de variabilidad es importante aunque hay es importante aunque hay ííndices mndices máás s robustos que otros.robustos que otros.

•• ¿¿RevisiRevisióón manual?n manual?–– Un registro de 24 horas ocupa 1 hora o mUn registro de 24 horas ocupa 1 hora o máás.s.–– Para sistemas en tiempo real es imposible.Para sistemas en tiempo real es imposible.

Un buen algoritmoUn buen algoritmo

•• Filtro de Filtro de SapoznikovSapoznikov nnºº 88

Desde Desde i=2i=2 hasta hasta nn

FC(i)FC(i) es aceptada sies aceptada si

Abs(FC(iAbs(FC(i))--M(i))M(i))<U<U

óó

Abs(FC(iAbs(FC(i))--FC(L)) <UFC(L)) <U

ProblemasProblemas[09:45:32] [09:50:32]

^

[09:38:40] [09:43:40]^

Sapoznikov-8

[06:14:32] [06:19:32]^^^^^^^^^^^^^^^

[06:07:40] [06:12:40]^^^^^^^^^^^^^^^

+ media mejorada

[06:14:47] [06:19:47]^^^^^^^^^^^^^^^

+ lat. siguiente

[15:05:32] [15:10:32]

^ ^

[15:05:47] [15:10:47]

^ ^

[15:08:22] [15:13:22]

^ ^

+ umbral adaptativo

EtapasEtapas

¿¿Es necesario?Es necesario?

•• La serie de La serie de ““FC no FC no equiespaciadaequiespaciada”” es apta para es apta para el anel anáálisis en el dominio de tiempo y el anlisis en el dominio de tiempo y el anáálisis lisis no linealno lineal””..

•• Para el anPara el anáálisis en frecuencia las tlisis en frecuencia las téécnicas cnicas actuales, basadas en la transformada de actuales, basadas en la transformada de FourierFourier, exigen una se, exigen una seññal al equiespaciadaequiespaciada..

•• AlternativasAlternativas1.1. Tomar la seTomar la seññal no al no equiespaciadaequiespaciada como si fuese como si fuese

equiespaciadaequiespaciada..2.2. MMéétodo de todo de LombLomb..3.3. Interpolar.Interpolar.

MMéétodos de interpolacitodos de interpolacióónn

R.D. Berger, J.P. Saul, R.J. Cohen. “An efficient algoritm for spectral analysisof heart rate variability”. IEEE Trans. Biomed. Eng. 33(9):900-904, 1986.

Mejores

EtapasEtapas

AnAnáálisis en el dominio del lisis en el dominio del tiempotiempo

•• AnAnáálisis lisis ““a corto plazoa corto plazo”” y y ““ a largo plazoa largo plazo””..•• Corto plazo: mejor tCorto plazo: mejor téécnicas espectrales.cnicas espectrales.•• Largo plazo: los Largo plazo: los ííndices en el dominio del ndices en el dominio del

tiempo han demostrado su utilidad.tiempo han demostrado su utilidad.

ÍÍndices en el dominio del tiempondices en el dominio del tiempo

Mediana de las diferencias absolutas entre los valores Mediana de las diferencias absolutas entre los valores adyacentes de la serie RRadyacentes de la serie RR

MADRRMADRR

Diferencia entre los Diferencia entre los cuartilescuartiles primero y tercero de la serie RRprimero y tercero de la serie RRIRRRIRRR

Cociente entre el nCociente entre el núúmero de valores de la serie RR y el mmero de valores de la serie RR y el mááximo ximo del correspondiente histogramadel correspondiente histograma

HRV HRV indexindex

Base del triBase del triáángulo al que se ajusta el histograma.ngulo al que se ajusta el histograma.TINNTINN

RaRaííz cuadrada de la media de las diferencias al cuadrado entre z cuadrada de la media de las diferencias al cuadrado entre los valores de la serie RR adyacentes.los valores de la serie RR adyacentes.

RR--MSSDMSSD

% de valores de la serie RR que difieren del previo mas de 50 % de valores de la serie RR que difieren del previo mas de 50 msegmseg..

pNN50pNN50

Media de la desv. Media de la desv. estest. de la serie RR en periodos de 5 minutos.. de la serie RR en periodos de 5 minutos.SDNNIDXSDNNIDX

Desv. Desv. estest,. de la media de la serie RR en periodos de 5 ,. de la media de la serie RR en periodos de 5 minutos.minutos.

SDANNSDANN

DesviaciDesviacióón estn estáándar de la serie RRndar de la serie RRSDNNSDNN

DescripciDescripcióónnÍÍndicendice

EtapasEtapas

Sistemas no lineales y caSistemas no lineales y caóóticosticos

•• Sistemas Sistemas determindeterminíísticossticos y aleatorios.y aleatorios.•• Sistemas lineales y no lineales.Sistemas lineales y no lineales.•• Sistema caSistema caóóticosticos

–– DeterminDeterminíísticostico y y aperiaperióódicodico..–– Dependencia sensitiva de las condiciones Dependencia sensitiva de las condiciones

iniciales.iniciales.–– Bandas permitidas y prohibidas.Bandas permitidas y prohibidas.

¿¿Existen los sistemas caExisten los sistemas caóóticos ticos en la realidad?en la realidad?

DimensiDimensióón del sisteman del sistema

•• Sistema Sistema determindeterminíísticostico: m: m--1 siendo m el 1 siendo m el nnúúmero de grados de libertad del sistema.mero de grados de libertad del sistema.

•• Sistema aleatorio: mSistema aleatorio: m•• Sistema caSistema caóótico: un ntico: un núúmero no entero mero no entero

((fractalfractal) entre m) entre m--1 y m1 y m•• P. P. GrasbergerGrasberger y I. y I. ProcaciaProcacia. . ““MeasuringMeasuring

thethe strangenessstrangeness ofof strangestrange attractorsattractors””. . PhysicaPhysica 9D:1899D:189--208, 1983.208, 1983.

EntropEntropííaa

•• Mide la Mide la ““predictibilidadpredictibilidad”” del sistema.del sistema.•• Fundamento: dividir el espacio de estado Fundamento: dividir el espacio de estado

en celdas y analizar todas las trayectorias en celdas y analizar todas las trayectorias que salen de una misma celda. Su que salen de una misma celda. Su ““anchoancho””serseríía la entropa la entropíía.a.

•• S. M. S. M. PincusPincus. . ““AproximateAproximate entropyentropy as a as a measuremeasure ofof systemsystem complexitycomplexity””. . ProcProc. Nat. . Nat. AcademyAcademy ofof SciencesSciences USA, 88:2297USA, 88:2297--2301, 2301, 1991.1991.

Exponentes de Exponentes de LyapunovLyapunov•• Miden la dependencia de la dinMiden la dependencia de la dináámica del mica del

sistema respecto a las condiciones sistema respecto a las condiciones iniciales.iniciales.

•• Fundamento: relaciFundamento: relacióón entre din entre diáámetro de metro de una celda y diuna celda y diáámetro de la nube de metro de la nube de puntos t instantes mas adelante. Luego se puntos t instantes mas adelante. Luego se ajustan a una exponencial.ajustan a una exponencial.

•• Si algSi algúún exponente es positivo el sistema n exponente es positivo el sistema diverge.diverge.

•• A. Wolf, J.B. A. Wolf, J.B. SwiftSwift, H.L. , H.L. SwinneySwinney, J.A: , J.A: VastanaoVastanao. . ““DeterminingDetermining LyapunivLyapuniv esponentsesponentsfromfrom a time seriesa time series””. . PhysicaPhysica 16D,28516D,285--317, 317, 19851985.

TTéécnicas grcnicas grááficasficas

EtapasEtapas

SeSeññales estacionariasales estacionarias

•• DFT (DFT (discretediscrete FourierFourier TransformTransform))

∑−

=

−=

1

0

2

)()(N

n

knNfj m

enxkFπ

• Versión rápida: FFT.• Estimador del espectro: |F(k)|2/N

SeSeññales estacionariasales estacionarias

•• Problemas:Problemas:–– Limitada resoluciLimitada resolucióón: n: ffmm/N /N HzHz–– ““AliasingAliasing”” o solapamiento espectral si f > o solapamiento espectral si f > ffmm/2 Hz./2 Hz.–– DifusiDifusióón espectral (n espectral (spectralspectral leakageleakage))

•• MMéétodo de todo de WelchWelch: dividir la ventana original en : dividir la ventana original en K segmentos, hacer la FFT en cada uno y luego K segmentos, hacer la FFT en cada uno y luego promediar.promediar.–– Se hace para disminuir la varianza del estimador.Se hace para disminuir la varianza del estimador.

SeSeññales no estacionarias ales no estacionarias

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5−1

−0.8

−0.6

−0.4

−0.2

0

0.2

0.4

0.6

0.8

1

Tiempo (sg)

x(t)

0 1 2 3 4 5 6 7 80

2000

4000

6000

8000

10000

12000

14000

Frecuencia (Hz)En

ergi

a (s

eg^2

/Hz)

La STFT La STFT

•• STFT= Short Time STFT= Short Time FourierFourier Transform.Transform.•• Fundamento: dividir el intervalo en K Fundamento: dividir el intervalo en K

segmentos y hacer una FFT en cada uno.segmentos y hacer una FFT en cada uno.

∫ −−= ττωτ τπ detxftSTFT fjwx

2)]()([),(

• Aproximación válida si la FC no varia mucho y podemos tomar intervalos de señal grandes.

Ejemplo de STFT Ejemplo de STFT

0.5 1 1.5 2 2.5 3 3.5 40

2

4

6

8

10

12

Tiempo (sg)

Frec

uenc

ia (H

z)

0.5 1 1.5 2 2.5 3 3.5 4 4.50

2

4

6

8

10

12

Tiempo (sg)

Frec

uenc

ia (H

z)

AnAnáálisis espectral moderno lisis espectral moderno

•• Pasos:Pasos:–– SelecciSeleccióón de un modelo matemn de un modelo matemáático.tico.–– Ajuste de los parAjuste de los paráámetros del modelo.metros del modelo.–– CCáálculo del espectro a partir de ese modelo.lculo del espectro a partir de ese modelo.

•• Problemas:Problemas:–– ¿¿QuQuéé modelo?modelo?–– ¿¿cucuáántos parntos paráámetros?metros?

•• Modelo mModelo máás usado: AR (s usado: AR (autoregresivoautoregresivo))•• S.M. S.M. KayKay. . ““ModernModern spectralspectral estimationestimation: : theorytheory

andand applicationsapplications””. . PrenticePrentice--Hall, 1988.Hall, 1988.

Distribuciones tiempoDistribuciones tiempo--frecuenciafrecuencia

•• ¿¿Es el espectrograma la Es el espectrograma la úúnica representacinica representacióón n tiempotiempo--frecuencia vfrecuencia váálida?lida?

•• No, hay mas funciones No, hay mas funciones E(t,f)E(t,f) que podrque podríían an interpretarse como funciones densidad de interpretarse como funciones densidad de energenergíía en el plano tiempoa en el plano tiempo--frecuencia.frecuencia.

•• La mLa máás utilizada es la distribucis utilizada es la distribucióón de n de WignerWigner--VilleVille y versiones y versiones ““suavizadassuavizadas”” de la misma.de la misma.

•• L. Cohen. L. Cohen. ““TimeTime--frequencyfrequency analysisanalysis””. . PrenticePrentice--Hall, 1995.Hall, 1995.

AnAnáálisis espectral de la FClisis espectral de la FC

•• AnAnáálisis a largo plazolisis a largo plazo–– Podemos utilizar el espectrograma.Podemos utilizar el espectrograma.–– TambiTambiéén los n los ííndices en el dominio del ndices en el dominio del

tiempo.tiempo.•• AnAnáálisis a corto plazolisis a corto plazo

–– Periodo < 1 hora con segmentos de 2Periodo < 1 hora con segmentos de 2--5 5 minutos.minutos.

–– VVáálido el espectrograma.lido el espectrograma.•• AnAnáálisis de muy corto plazo.lisis de muy corto plazo.

–– Segmentos < 1 minuto.Segmentos < 1 minuto.–– No sirve el espectrogramaNo sirve el espectrograma

Bandas espectrales Bandas espectrales

•• ÍÍndices mas habitualesndices mas habituales–– HF.HF.–– LF/HF.LF/HF.

0.05 0.1 0.15 0.2 0.35 0.4 Frec. (Hz)

1VLF LF HF

ComputaciComputacióón flexiblen flexible

““Consiste en un conjunto de tConsiste en un conjunto de téécnicas cnicas inspiradas en la tolerancia mostrada por inspiradas en la tolerancia mostrada por humanos para procesar informacihumanos para procesar informacióón n afectada de imprecisiafectada de imprecisióón e incertidumbre. n e incertidumbre. El objetivo es obtener soluciones tratables, El objetivo es obtener soluciones tratables, robustas y de bajo coste.robustas y de bajo coste.””

L. A. Zadeh, 1994.

MotivaciMotivacióónn

•• La medicina supone un reto:La medicina supone un reto:

–– ComplejidadComplejidad de los procesos fisiolde los procesos fisiolóógicos.gicos.

–– El El desconocimientodesconocimiento de modelos.de modelos.

–– Una forma de conocimiento basada en la Una forma de conocimiento basada en la experienciaexperiencia y en la y en la periciapericia. Aquejado de . Aquejado de vaguedadvaguedad e e imprecisiimprecisióónn..

–– La enorme La enorme cantidad de datoscantidad de datos manejados.manejados.

Marco de estudioMarco de estudio

•• Se proporcionan soluciones que abarcan el ciclo Se proporcionan soluciones que abarcan el ciclo monitorizacimonitorizacióónn--diagndiagnóósticostico--tratamientotratamiento..

•• Se requieren fundamentalmente tSe requieren fundamentalmente téécnicas que cnicas que proporcionen proporcionen informaciinformacióón simbn simbóólicalica a partir de a partir de datos de sedatos de seññal.al.

TTéécnicas de Computacicnicas de Computacióón flexiblen flexible

•• Se distinguen tres tipos de tSe distinguen tres tipos de téécnicas:cnicas:

–– TeorTeoríía de conjuntos borrosos.a de conjuntos borrosos.

–– ComputaciComputacióón neuronal.n neuronal.

–– Razonamiento probabilista.Razonamiento probabilista.

TeorTeoríía de conjuntos borrososa de conjuntos borrosos

•• Un predicado Un predicado PP es es clcláásicosico si al aplicarlo a una coleccisi al aplicarlo a una coleccióón n UU de de objetos, objetos, éésta queda clasificada en ssta queda clasificada en sóólo dos clases.lo dos clases.

Ejemplo: Ejemplo: P= es primoP= es primo, , U= conjunto de nU= conjunto de núúmeros naturalesmeros naturales

UU11={u={u∈∈U; u es primo} UU; u es primo} U22={u={u∈∈U; u no es primo}U; u no es primo}

•• Un predicado Un predicado PP es es vagovago si al aplicarlo a una coleccisi al aplicarlo a una coleccióón n UU de de objetos, objetos, éésta sta nono queda clasificada en squeda clasificada en sóólo dos clases.lo dos clases.

Ejemplo: Ejemplo: P= es alto, P= es gordo, P= es guapoP= es alto, P= es gordo, P= es guapoU= conjunto de varones gallegosU= conjunto de varones gallegos

Conjuntos borrososConjuntos borrosos

•• En los conjuntos borrosos la nociEn los conjuntos borrosos la nocióón de n de pertenencia es una cuestipertenencia es una cuestióón de n de gradogrado..

10 16 220

1FRESCA

TEMPERATURA DEL AIRE10 16 22

0

1FRESCA

TEMPERATURA DEL AIRE

La negaciLa negacióón en predicados vagosn en predicados vagos

•• Para cada predicado Para cada predicado PP, existe su negado , existe su negado ¬¬PP..

•• Es Es bienbien conocidoconocido queque en el en el casocaso clcláásicosico::–– Principio de Principio de no no contradiccicontradiccióónn: : AA∩∩¬¬A=A=∅∅–– Principio de Principio de terciotercio exclusoexcluso: : AA∪∪¬¬A=UA=U

•• En la En la llóógicagica borrosaborrosa puedenpueden violarseviolarse ambos ambos principiosprincipios

10 16 220

1FRESCA

TEMPERATURA DEL AIRE

NO FRESCANO FRESCA

Variable lingVariable lingüíüísticastica

•• Los valores que puede tomar una variable lingLos valores que puede tomar una variable lingüíüística son stica son palabraspalabras o o sentenciassentencias en un lenguaje natural o sinten un lenguaje natural o sintéético.tico.

•• Podemos definir una Podemos definir una funcifuncióón significadon significado que asigna a que asigna a cada palabra un conjunto borroso. cada palabra un conjunto borroso.

•• Realizamos una particiRealizamos una particióón del n del universo de discursouniverso de discurso::

0

1GRANDEMEDIANOCERO PEQUEÑO

Reglas borrosasReglas borrosas

•• Los sistemas basados en lLos sistemas basados en lóógica borrosa a menudo gica borrosa a menudo representan el conocimiento mediante representan el conocimiento mediante reglas reglas condicionalescondicionales..

•• INFERENCIA BORROSAINFERENCIA BORROSA::

REGLA: SI el agua está muy caliente ENTONCES añadir abundante agua fría

HECHO: El agua está moderadamente caliente.

CONCLUSIÓN: Añadir un poco de agua fría.

•• Esto resulta muy relevante en Esto resulta muy relevante en controlcontrol y y clasificaciclasificacióónn..

Problema: monitorizaciProblema: monitorizacióón de n de pacientespacientes

•• Los monitores comerciales proporcionan Los monitores comerciales proporcionan alarmas basadas en alarmas basadas en criterios de umbralcriterios de umbral..

•• Mala relaciMala relacióón especificidadn especificidad--sensibilidad.sensibilidad.

•• SobrecargaSobrecarga del personal cldel personal clíínico.nico.

•• Se descartan un gran nSe descartan un gran núúmero de alarmas.mero de alarmas.

Ejemplo: detecciEjemplo: deteccióón de episodios n de episodios de isquemiade isquemia

•• Obtenemos de un experto esta definiciObtenemos de un experto esta definicióón:n:

““Un episodio ST puede detectarse a partir de la Un episodio ST puede detectarse a partir de la persistencia de un valor de alta desnivelacipersistencia de un valor de alta desnivelacióón del n del segmento ST con respecto al valor de la isoelsegmento ST con respecto al valor de la isoelééctrica, ctrica, y durante un pery durante un perííodo de aproximadamente un minuto odo de aproximadamente un minuto o mo mááss””..

SoluciSolucióón borrosan borrosa

-0,090

1ALTA

DESNIVELACIÓN DEL ST-0,11-∞ -∞ 50 55

0

1MÁS DE APROX. 1 MIN.

DURACIÓN DEL EPISODIO∞ ∞

•• ALGORITMOALGORITMO::–– Utilizamos la Utilizamos la ““alta desnivelacialta desnivelacióón del STn del ST”” como un filtro lingcomo un filtro lingüíüístico.stico.–– Obtenemos episodios en los que persiste una alta desnivelaciObtenemos episodios en los que persiste una alta desnivelacióón del n del

ST.ST.–– Calculamos en quCalculamos en quéé casos la persistencia es de casos la persistencia es de ““mmáás de aproxim. s de aproxim.

un minutoun minuto””..

Episodios de isquemia: resultadoEpisodios de isquemia: resultado

Modelado de patronesModelado de patrones

Otras aplicaciones de los conjuntos Otras aplicaciones de los conjuntos borrosos en medicinaborrosos en medicina

•• Control automControl automááticotico de la preside la presióón arterial en pacientes en n arterial en pacientes en postoperatorio.postoperatorio.

•• Desarrollo de sistemas expertos para el Desarrollo de sistemas expertos para el diagndiagnóóstico stico de de enfermedades (reumatolenfermedades (reumatolóógicas, cgicas, cááncer, etc.).ncer, etc.).

•• Reconocimiento de patronesReconocimiento de patrones en ECG, EEG, imagen en ECG, EEG, imagen radiolradiolóógica, etc.gica, etc.

ComputaciComputacióón neuronaln neuronal

•• Las Redes de Neuronas Artificiales (RNA) son Las Redes de Neuronas Artificiales (RNA) son modelos computacionales modelos computacionales sencillossencillos que se que se inspiraninspiranen algunas propiedades de sus homen algunas propiedades de sus homóólogas logas naturales:naturales:

–– Memoria.Memoria.

–– Aprendizaje.Aprendizaje.

–– Plasticidad.Plasticidad.

–– Robustez.Robustez.

Una neurona artificialUna neurona artificial

actividad aferente(entrada)

actividad eferente(salida)

Σ f

2

0.2

0.5

PESO

SUMADOR

FUNCIÓNDE

ACTIVACIÓN

• Los pesos constituyen la memoria a largo plazo, y su ajuste corresponde a lo que se denominará aprendizaje.

La funciLa funcióón de activacin de activacióónn

•• En el caso mEn el caso máás sencillo, la neurona proporciona a la s sencillo, la neurona proporciona a la salida un valor de salida un valor de activaciactivacióónn o de o de inhibiciinhibicióónn..

•• Esto se logra mediante la Esto se logra mediante la funcifuncióón de activacin de activacióónn..

1.0

0.0

t

función escalón

f

1.0

0.0

t

función sigmoide

f

ConexionismoConexionismo en las RNAen las RNA

•• Una RNA es una Una RNA es una arquitectura modulararquitectura modular de computacide computacióón n distribuida.distribuida.

•• Se estructura en un Se estructura en un conjunto de capasconjunto de capas con distintas con distintas topologtopologíías.as.

RNA

salidaentrada

Aprendizaje en RNAAprendizaje en RNA

•• Supervisado.Supervisado.

•• No supervisado.No supervisado.

RNAENTRADA SALIDA

SALIDA ESPERADA

ERROR

RNAENTRADA

SALIDA

Aplicaciones de las RNAAplicaciones de las RNA

•• ClasificaciClasificacióón.n.•• AsociaciAsociacióón.n.•• Agrupamiento.Agrupamiento.•• GeneralizaciGeneralizacióón.n.•• OptimizaciOptimizacióón.n.•• PredicciPrediccióón y control.n y control.

Ejemplo: clasificaciEjemplo: clasificacióón de latidosn de latidos

Intervalo RR

Desnivelación ST

Intervalo PR

Duración QRS

Altura P

Altura QRS

Taquicardia SV

Taquicardia V

Hipertrofia VI

Hipertrofia VD

Infarto de miocardio

Otras aplicaciones de la Otras aplicaciones de la computacicomputacióón neuronal en medicinan neuronal en medicina

•• DiagnDiagnóósticostico de trastornos psiquide trastornos psiquiáátricos y neuroltricos y neurolóógicos a gicos a partir de EEG.partir de EEG.

•• CCáálculo de riesgolculo de riesgo del sdel sííndrome de ndrome de DownDown a partir de a partir de indicadores bioquindicadores bioquíímicos de la madre.micos de la madre.

•• EliminaciEliminacióón de artefactosn de artefactos en seen seññal de al de pulsioxpulsioxíímetrometro..

•• ControlControl de anestesia a partir de datos fisiolde anestesia a partir de datos fisiolóógicos.gicos.

•• NeurocienciaNeurociencia: aproximaci: aproximacióón computacional de n computacional de comportamientos funcionales.comportamientos funcionales.

Razonamiento probabilistaRazonamiento probabilista

•• Engloba distintas tEngloba distintas téécnicas:cnicas:

–– Algoritmos genAlgoritmos genééticos.ticos.

–– Otros algoritmos Otros algoritmos bioinspiradosbioinspirados (hormigas, etc.)(hormigas, etc.)

–– Redes de creencia.Redes de creencia.

–– TeorTeoríía del caos.a del caos.

Algoritmos genAlgoritmos genééticosticos•• Son mSon méétodos todos basados en poblacibasados en poblacióónn para la resolucipara la resolucióón de n de

problemas de bproblemas de búúsqueda y optimizacisqueda y optimizacióón.n.

•• Aplican mAplican méétodos antodos anáálogos a los de la evolucilogos a los de la evolucióón bioln biolóógica: gica: selecciseleccióónn, , reproduccireproduccióón sexualn sexual y y mutacimutacióónn..

•• Queremos hallar una soluciQueremos hallar una solucióón n S={xS={x11,x,x22,...,,...,xxnn}} tal que tal que F(xF(x11,x,x22,...,,...,xxnn)) sea msea mááximo o mximo o míínimo (segnimo (segúún).n).

•• {x{x11,x,x22,...,,...,xxnn}} se codifican en un cromosoma.se codifican en un cromosoma.

CodificaciCodificacióónn

•• Cada Cada individuoindividuo (cadena) codifica un conjunto de (cadena) codifica un conjunto de genesgenes (par(paráámetros) en bloques de cmetros) en bloques de cóódigo.digo.

1 0 1 1 0 0 1 0 1 0 0 0 1 1 1 0 1 1 0 0 0

•• Algunos de esos bloques corresponden a regiones Algunos de esos bloques corresponden a regiones particulares del espacio de soluciones.particulares del espacio de soluciones.

Gen 1 Gen 2 Gen 2 Gen 3 Gen 4

1 0 * * * * * * * * * * * * * * * * * * *

ConstrucciConstruccióón de un clasificadorn de un clasificador

RecombinaciRecombinacióónn•• Se define como el Se define como el intercambio de intercambio de subcadenassubcadenas entre entre

individuos.individuos.•• Se habla de recombinaciSe habla de recombinacióón de n de nn--puntospuntos, siendo n el , siendo n el

nnúúmero de puntos de corte.mero de puntos de corte.

100101001110011100011101

111001101001110110111110

100101001

111001101

00111

11001

100101001110011100011101

111001101001110110111110

Recombinación de 1 punto

Recombinación de 2 puntos

100101001110

111001101001

110110111110

011100011101

1100011101

0110111110

MutaciMutacióónn

•• Se define como la variaciSe define como la variacióón en uno o mn en uno o máás elementos s elementos del cdel cóódigo de un individuo.digo de un individuo.

•• Es necesario establecer previamente una Es necesario establecer previamente una frecuencia frecuencia de mutacide mutacióónn. Por ejemplo, uno por mil.. Por ejemplo, uno por mil.

111001101001110110111110

mutación

11100110101 1110110111110

El algoritmoEl algoritmo

1.1. Cada individuo se Cada individuo se evalevalúúa a segsegúún la funcin la funcióón objetivo.n objetivo.

2.2. Las que logran mayor puntuaciLas que logran mayor puntuacióón se aparean entre n se aparean entre ssíí, mediante , mediante recombinacirecombinacióónn..

3.3. Tiene lugar una Tiene lugar una mutacimutacióónn en una fraccien una fraccióón pequen pequeñña a de la poblacide la poblacióón, con el fin de que no se dn, con el fin de que no se déé una una poblacipoblacióón uniforme.n uniforme.

4.4. Es necesario un criterio de Es necesario un criterio de finalizacifinalizacióónn..

Aplicaciones de los algoritmos Aplicaciones de los algoritmos gengenééticos en medicinaticos en medicina

•• En En disediseññoo de herramientas de procesado de sede herramientas de procesado de seññal e al e imagen, para la obtenciimagen, para la obtencióón de parn de paráámetros metros óóptimos.ptimos.

•• En En gengenééticatica, como m, como méétodo estoctodo estocáástico para el estudio de stico para el estudio de la actividad de genes, interrelaciones, etc.la actividad de genes, interrelaciones, etc.

•• En En planificaciplanificacióónn de radioterapia 3D, donde es necesario de radioterapia 3D, donde es necesario optimizar la dosificacioptimizar la dosificacióón respecto a restricciones cln respecto a restricciones clíínicas nicas y geomy geoméétricas.tricas.

•• OptimizaciOptimizacióónn de recursos hospitalarios.de recursos hospitalarios.

Almacenamiento de la informaciAlmacenamiento de la informacióónn

•• Surge la necesidad de almacenar Surge la necesidad de almacenar convenientemente la informaciconvenientemente la informacióón de n de monitorizacimonitorizacióón, asn, asíí como su transmisicomo su transmisióón n entre sistemasentre sistemas

•• Existen mExisten múúltiples soluciones para el ltiples soluciones para el almacenamiento. No obstante, uno de los almacenamiento. No obstante, uno de los mmáás difundidos es el formato MITs difundidos es el formato MIT--BIHBIH

El formato MITEl formato MIT--BIHBIH

•• En este formato cada secuencia de grabaciEn este formato cada secuencia de grabacióón de datos n de datos de forma ininterrumpida constituye lo que se denomina de forma ininterrumpida constituye lo que se denomina un registroun registro

•• Un registro consta de al menos los siguientes elementos:Un registro consta de al menos los siguientes elementos:–– Un fichero de cabecera en el que se describe la fecha y hora delUn fichero de cabecera en el que se describe la fecha y hora del

registro, su nombre, la lista de seregistro, su nombre, la lista de seññales y sus caracterales y sus caracteríísticas sticas (frecuencia de adquisici(frecuencia de adquisicióón, bits por muestra, etc.).n, bits por muestra, etc.).

–– Uno o mUno o máás ficheros de datos en los que se almacenan s ficheros de datos en los que se almacenan propiamente las sepropiamente las seññales segales segúún el formato especificado en el n el formato especificado en el fichero de cabecera.fichero de cabecera.

–– Uno o mUno o máás ficheros de anotaciones en los que ests ficheros de anotaciones en los que estáá indicada la indicada la posiciposicióón exacta de cada evento cln exacta de cada evento clíínicamente significativo sobre nicamente significativo sobre la sela seññal (por ejemplo, taquicardia ventricular, comienzo de al (por ejemplo, taquicardia ventricular, comienzo de episodio episodio isquisquéémicomico, etc.), etc.)

El formato MITEl formato MIT--BIHBIH

•• Existe un API de programaciExiste un API de programacióón que n que permite disepermite diseññar programas que almacenan ar programas que almacenan o leen informacio leen informacióón en dicho formato.n en dicho formato.

•• Asimismo existe un conjunto elevado de Asimismo existe un conjunto elevado de aplicaciones, generalmente orientadas al aplicaciones, generalmente orientadas al procesamiento de la seprocesamiento de la seññal de ECG.al de ECG.

•• Para mPara máás informacis informacióón n http://http://www.physionet.orgwww.physionet.org

TransmisiTransmisióón de la informacin de la informacióónn

•• Hay muy poco hecho en el campo de Hay muy poco hecho en el campo de estandarizar la transmisiestandarizar la transmisióón de informacin de informacióón de n de monitorizacimonitorizacióón.n.

•• Cada empresa dispone de su propio protocolo de Cada empresa dispone de su propio protocolo de comunicacicomunicacióón (no es n (no es interoperableinteroperable con otros con otros equipos) y equipos) y ééste suele ser secreto.ste suele ser secreto.

•• Ejemplos de iniciativas para el desarrollo de Ejemplos de iniciativas para el desarrollo de estestáándares en este campo los tenemos en el ndares en este campo los tenemos en el estestáándar MIB (IEEE 1073) y HL7 asndar MIB (IEEE 1073) y HL7 asíí como las como las iniciativas del CEN/TC251iniciativas del CEN/TC251

TelemonitorizaciTelemonitorizacióónn

•• TeleasistenciaTeleasistencia prestada mediante el prestada mediante el seguimiento continuo del estado del seguimiento continuo del estado del paciente a travpaciente a travéés de la adquisicis de la adquisicióón y n y procesado, generalmente en tiempo real, procesado, generalmente en tiempo real, de un conjunto de variables fisiolde un conjunto de variables fisiolóógicas gicas que describen dicho estadoque describen dicho estado

•• En esta categorEn esta categoríía se encuadra el entorno a se encuadra el entorno de monitorizacide monitorizacióón que vamos a presentarn que vamos a presentar

Entorno ubicuo de monitorizaciEntorno ubicuo de monitorizacióón n de pacientesde pacientes

Interfaz Web de Acceso a datos de monitorizaciInterfaz Web de Acceso a datos de monitorizacióónn

Interfaz PDA de acceso a datos de Interfaz PDA de acceso a datos de monitorizacimonitorizacióónn

MonitorizaciMonitorizacióón en el hogarn en el hogar

MonitorizaciMonitorizacióónn ubicuaubicua

•• PocketViewPocketView ECG ECG ((MicromedicalMicromedical))

•• Bluetooth 12 leads ECG Bluetooth 12 leads ECG ((CorscienceCorscience))

MonitorizaciMonitorizacióónn ubicuaubicua

•• Pulse Pulse OximeterOximeter((DolphinMedicalDolphinMedical))

•• 4100 Bluetooth (4100 Bluetooth (NoninNonin))

ConclusionesConclusiones•• La monitorizaciLa monitorizacióón automn automáática de pacientes es una tarea tica de pacientes es una tarea

que se viene realizando desde hace mque se viene realizando desde hace máás de 40 as de 40 añños.os.•• Las tendencias actuales van encaminadas hacia una Las tendencias actuales van encaminadas hacia una

mayor ubicuidad en la monitorizacimayor ubicuidad en la monitorizacióón de pacientes. Las n de pacientes. Las redes inalredes inaláámbricas y la telefonmbricas y la telefoníía ma móóvil son clave para vil son clave para este desarrollo.este desarrollo.

•• Tendencia hacia la monitorizaciTendencia hacia la monitorizacióón n multiparammultiparaméétricatrica y no y no invasivainvasiva: desarrollo de nuevos sensores.: desarrollo de nuevos sensores.

•• Ni de lejos se ha logrado extraer toda la informaciNi de lejos se ha logrado extraer toda la informacióón que n que es posible obtener de procesar las sees posible obtener de procesar las seññales actualmente ales actualmente disponibles como el ECG. La industria es reacia a disponibles como el ECG. La industria es reacia a incorporar nuevas tincorporar nuevas téécnicas de procesamiento y se centra cnicas de procesamiento y se centra fundamentalmente en aspectos de ergonomfundamentalmente en aspectos de ergonomíía y facilidad a y facilidad de uso de sus equipos. Sde uso de sus equipos. Sóólo se incorporan nuevos lo se incorporan nuevos algoritmos cuando existe realmente una demanda por algoritmos cuando existe realmente una demanda por parte de los usuarios.parte de los usuarios.

BibliografBibliografííaa

•• BronzinoBronzino, , J.DJ.D. . ““TheThe biomedicalbiomedical engineeringengineering handbookhandbook””. CRC . CRC PressPress e IEEE e IEEE PressPress. . 1995.1995.

•• FernFernáándezndez--Delgado, M. Delgado, M. ““MART: una arquitectura de computaciMART: una arquitectura de computacióón neuronal y su n neuronal y su aplicaciaplicacióón al disen al diseñño de un sistema inteligente de monitorizacio de un sistema inteligente de monitorizacióón de pacientes. Tesis n de pacientes. Tesis doctoral. 1999.doctoral. 1999.

•• GonzGonzáález, F. y lez, F. y ZamarronZamarron, C. , C. EdsEds. . ““Telemedicina: aplicaciones y nuevas tecnologTelemedicina: aplicaciones y nuevas tecnologííasas””. . EdEd. Sociedad Gallega de Telemedicina. 2004.. Sociedad Gallega de Telemedicina. 2004.

•• MoodyMoody, , G.BG.B. . ““WFDB WFDB ApplicationsApplications GuideGuide””. . TenthTenth editionedition. 2005. (fuente: . 2005. (fuente: http://www.physionet.orghttp://www.physionet.org))

•• Mora, Mora, F.AF.A., ., PassarielloPassariello, G., , G., CarraultCarrault, G. y le , G. y le PichonPichon, , J.PJ.P. . ““IntelligentIntelligent patientpatient monitoringmonitoringandand managementmanagement systemssystems: a : a reviewreview””. IEEE . IEEE EngEng. . MedMed. & Biol., 12, 4, (1993) 23. & Biol., 12, 4, (1993) 23--33.33.

•• PahlmPahlm, O. y , O. y SSöörnmornmo, L. , L. ““Software QRS Software QRS detectiondetection in in ambulatoryambulatory monitoringmonitoring –– a a reviewreview””. . MedMed. & Biol. . & Biol. EngEng. & Comput. 22 (1984) 289. & Comput. 22 (1984) 289--297.297.

•• Presedo, J. Presedo, J. ““MonitorizaciMonitorizacióón inteligente de isquemia en SUTILn inteligente de isquemia en SUTIL””. Tesis doctoral. 1994.. Tesis doctoral. 1994.•• Vila, J. Vila, J. ““AnAnáálisis de la variabilidad de selisis de la variabilidad de seññales fisiolales fisiolóógicas. Integracigicas. Integracióón en un sistema n en un sistema

de monitorizacide monitorizacióón inteligenten inteligente””. Tesis doctoral. 1997.. Tesis doctoral. 1997.•• ZadehZadeh, , L.AL.A. . ““FuzzyFuzzy setssets””. . InformationInformation andand Control, 8 (1965) 338Control, 8 (1965) 338--353.353.

Adquisición de Señales Biológicas

Documents

Transcript of Adquisición de Señales Biológicas