Вы находитесь на странице: 1из 143
Detección automática de arritmias mediante análisis de características Grado en Ingeniería en Sonido e Imagen

Detección automática de arritmias mediante análisis de características

de arritmias mediante análisis de características Grado en Ingeniería en Sonido e Imagen en Telecomunicación

Grado en Ingeniería en Sonido e Imagen en Telecomunicación

Trabajo Fin de Grado

Autor:

María López Abellán

Tutor/es:

Juan José Galiana Merino

Daniel Ruiz Fernández

Septiembre 2014

Fin de Grado Autor: María López Abellán Tutor/es: Juan José Galiana Merino Daniel Ruiz Fernández Septiembre

ÍNDICE DE CONTENIDOS

1. INTRODUCCIÓN

 

1

1.1 MOTIVACIÓN

1

1.2 OBJETIVOS

2

1.3 ESTRUCTURA DE LA MEMORIA

3

2. MARCO TEÓRICO

4

2.1

ELECTROCARDIOGRAMA (ECG)

4

Descripción

 

4

Derivaciones

 

8

Características importantes en un ECG

11

Arritmias

12

 

Contracción

Contracción

ventricular prematura (CVP)

13

auricular prematura (APC)

16

Taquicardias

 

17

Bradicardia

19

Problemas de Procesado

20

2.2

TRANSFORMADA WAVELET

21

Introducción

21

 

Traslación

23

Escala

 

23

Transformada

wavelet

 

24

Transformada

Wavelet Discreta

(DWT)

26

Primera etapa: Aproximación

y detalles

26

Descomposición múltiple

27

Familias wavelets

28

Haar

28

Daubechies

29

Biortogonales

30

Symlets

31

3. METODOLOGÍA

32

3.1

PREPROCESADO

32

Eliminación de Baseline wander

33

 

db4

36

db5

37

sym4

 

38

bior

1.3

39

bior

6.8

40

Eliminación de ruido de alta frecuencia

41

3.2

DETECCIÓN COMPLEJO QRS

 

43

Detección Onda R

44

Detección Onda Q o S (negativa)

46

 

Clasificación de

Complejos QRS

48

3.3

DETECCIÓN DE

ARRITMIAS

49

Detección de Contracciones Ventriculares Prematuras (CVPs)

50

Características y formas de onda

50

Detección

51

Detección de Contracciones Auriculares Prematuras (APCs)

53

Características y formas de onda

53

Detección

54

Detección de Taquicardia

57

Características y formas de onda

57

Detección

58

Detección de Bradicardias

60

Características y formas de onda

60

Detección

61

4. RESULTADOS

 

63

4.1 INTERFAZ GRÁFICA DEL PROGRAMA

63

4.2 ADQUISICIÓN DE DATOS

64

4.3 PRUEBAS

 

65

Detección de Complejos QRS

67

Casos

válidos

67

Casos

fallidos

68

Resultados

69

Detección de Contracciones Ventriculares Prematuras (CVPs o CVPs)

70

Casos

válidos

70

Casos

fallidos

74

Resultados

75

Detección de Contracciones Auriculares Prematuras (APCs)

76

Casos

válidos

76

Casos

fallidos

78

Resultados

80

Detección de Taquicardias

81

Casos

válidos

81

Casos

fallidos

84

Resultados

84

Detección de Bradicardias

85

Casos

válidos

85

Casos

fallidos

87

Resultados

88

5. CONCLUSIONES Y FUTURAS LÍNEAS DE TRABAJO

89

6. REFERENCIAS BIBLIOGRÁFICAS

91

ANEXO

A:

TABLAS

92

ANEXO

B:

CÓDIGOS FUENTE

106

ANEXO

C:

MANUAL DE USUARIO

129

ÍNDICE DE FIGURAS

Fig 1: Frecuencia cardiaca normal

5

Fig

2:

Pulso normal en ECG

 

5

Fig 3: Posiciones de las derivaciones MLI, MLII, MLIII, AVR, AVF y AVL

9

Fig 4: Posiciones de las derivaciones V1, V2, V3, V4, V5 y V6

10

Fig 5: Formas de ondas de todas las derivaciones

10

Fig

6:

Contracción ventricular prematura

13

Fig

7:

Bigeminismo

14

Fig

8:

Trigeminismo

14

Fig 9: Duplas o parejas ventriculares

15

Fig

10:

11:

12:

13:

14:

15:

16:

Contracción Auricular Prematura

16

Fig

Taquicardia

17

Fig

Taquicardia supraventricular

18

Fig

Bradicardia

19

Fig

Baseline wander

21

Fig

Escala-Tiempo (wavelet)

23

Fig

Diferentes escalas wavelets

24

Fig 17: Señal sinusoidal y señal wavelet

25

Fig 18: Aproximaciones y detalles

26

Fig

19:

Reducción de muestras wavelets

27

Fig

20:

Árbol de

descomposición wavelet

27

Fig 21: Wavelet Haar

 

28

Fig

22:

Wavelet

Daubechies

29

Fig 23: Wavelet biortogonales

30

Fig

24:

Wavelet

 

Symlets

31

Fig

25:

Diagrama

de

bloques

bloques

general del algoritmo

32

Fig

26:

Diagrama

de

preprocesado

33

Fig 27: Aproximaciones y detalles (n niveles)

34

Fig

28:

Eliminación baseline wander

35

Fig 29: Wavelet db4

 

36

Fig 30: Wavelet db5

37

Fig 31: Wavelet Sym4

38

Fig 32: Wavelet bior 1.3

39

Fig 33: Wavelet bior 6.8

40

Fig 34: Wavelet db12

41

Fig 35: Eliminación de ruido de alta frecuencia

42

Fig

36:

Complejo

QRS

 

43

Fig 37: Diagrama de bloques detección de complejo QRS

44

Fig

38:

Detección

Onda

Onda

R

45

Fig

39:

Detección

Q o S (negativa)

47

Fig

40:

41:

Clasificación de complejos QRS

48

Fig

Contracción Ventricular Prematura

50

Fig

42:

Detección contracción ventricular prematura

52

Fig

43:

Contracción Auricular Prematura

53

Fig 44: Diferencias entre pulsos (difR)

55

Fig 45: Ventana para eliminar falsas detecciones

56

Fig

46:

Taquicardias

57

Fig

47:

Bradicardias

60

Fig

48:

Interfaz gráfica detección de arritmias

63

Fig 49: a)Señal Original b) preprocesado con db4 c) con db5 d) con sym4 e) con bior 1.3 f) con bior

6.8

66

Fig 50: a) Señal original b) con preprocesado db4 y función 'Denoise'

66

Fig 51: Detección QRS; señal 101.mat; preprocesado con db5 y 'Denoise'

67

Fig 52: Detección QRS; señal 114.mat; preprocesado con db5 y 'Denoise'

68

Fig 53: Detección QRS fallida; señal 107.mat; preprocesado con db4 y 'Denoise'

69

Fig 54: Detección CVP; señal 100.mat; preprocesado con db4 y 'Denoise'; umbral al 50%

71

Fig 55: Detección CVP; señal 124.mat; a) Señal completa con umbral 50%; b) Intervalo con umbral

50%; c) Señal completa con umbral 1%; d) Intervalo con umbral 1%

Fig 56: Detección CVP; señal 210.mat; a) Señal completa con umbral 50%; b) Intervalo con umbral

72

50%; c) Señal completa con umbral 10%; d) Intervalo con umbral 10%

73

Fig 57: Detección posibles CVPs; señal 211.mat; preprocesado con bior 1.3 y 'Denoise'

74

Fig 58: Detección CVP fallida; señal 103.mat; preprocesado con sym4 y 'Denoise'

75

Fig 59: Detección APCs; señal 100.mat; preprocesado con db4 y ‘Denoise

76

Fig 60: Detección APCs; señal 119.mat; preprocesado con db5 y ‘Denoise

77

Fig 61: Detección APCs; señal 115.mat; preprocesado con sym4 y ‘Denoise

78

Fig 62: Detección de APC fallida; señal 108.mat; preprocesado con db5 y 'Denoise'

79

Fig 63: Detección de APC fallida; señal 113.mat; preprocesado con db4 y 'Denoise'

80

Fig 64: Detección de taquicardias; señal 114.mat; preprocesado con db5 y 'Denoise'

82

Fig 65: Detección de taquicardias; señal 115.mat; preprocesado con sym4 y 'Denoise'

83

Fig 66: Detección de taquicardias; señal 201.mat; preprocesado con sym4 y 'Denoise'

83

Fig 67: Detección fallida taquicardias; señal 105.mat; preprocesado con bior 1.3 y 'Denoise'

84

Fig 68: Detección de bradicardias señal 219.mat; preprocesado con db4 y 'Denoise'

85

Fig 69: Detección de bradicardias; señal 233.mat; preprocesado con bior 6.8 y 'Denoise'

86

Fig 70: Detección de bradicardias; señal 221.mat; preprocesado con sym4 y 'Denoise'

87

Fig 71: Detección de bradicardias fallida; señal 222.mat; preprocesado con bior 1.3 y 'Denoise'

88

Fig

72:

Interfaz del programa

129

Fig

73:

Menú Archivo

129

Fig 74: Gráficas

 

130

Fig

75:

Panel

de

opciones

131

Fig

76:

Panel

de

preprocesado

132

Fig

77:

Ayuda para función Denoise

133

Fig

78:

Panel

de

variables

134

Fig

79:

Panel

de

detección

135

Fig 80: Mensaje de error cuando no se dispone de la edad del paciente

136

ÍNDICE DE TABLAS

Tabla

1:

Valores normales en ECG

8

Tabla 2: Umbrales para detectar taquicardias en función de edad y sexo

18

Tabla

3:

Numeración

para diferentes derivaciones

65

Tabla 4: Datos de las señales

92

Tabla

5:

Detección

de

complejos QRS

94

Tabla 6: Detección de CVPs con umbral al 50%

96

Tabla

7:

Detección

de

APCs

99

Tabla 8: Detección de Taquicardias con umbral automático

101

Tabla

9:

Detección

bradicardias

103

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

1. INTRODUCCIÓN

Trabajo final de grado

1.1 Motivación

Las arritmias cardíacas suponen una grave amenaza para la salud de la persona que las padece y la detección de ellas a tiempo puede contribuir a poner los medios necesarios para la resolución de un problema de salud que, si bien inicialmente puede no ser mortal, si se puede derivar en disfunciones que provoquen paros cardíacos.

El estudio de las señales electrocardiográficas es un campo en continuo desarrollo que forma parte de la integración entre la rama de ciencias de la salud y la ingeniería que es capaz de diagnosticar multitud de enfermedades cardíacas mediante sus técnicas de detección y clasificación.

Para su estudio se requieren electrocardiogramas, que son medidas indirectas de la actividad eléctrica del corazón. Esta actividad se puede medir mediante la colocación de electrodos en la superficie de la piel y es muy útil para los cardiólogos, ya que pueden obtener información muy importante acerca de la condición clínica de sus pacientes. Entre los criterios clínicos más importantes se encuentra la detección y clasificación de los complejos QRS, ya que aportan información cardiaca muy importante.

Al igual que con el resto de señales, el análisis depende mucho de la calidad de la información. Por esta razón y previo a su tratamiento es necesario conseguir la calidad adecuada con técnicas de filtrado de señal y consiguiendo una buena SNR.

Producir un algoritmo para la detección de formas de onda de un ECG no es una tarea fácil debido a la morfología variable en el tiempo de la señal sujeta a condiciones fisiológicas y con presencia de ruido. La transformada wavelet es una herramienta útil en múltiples aplicaciones de procesado de señales, entre las que se encuentra la reducción del ruido.

Entre tanto, crear un algoritmo para la detección de arritmias mediante análisis de características puede ayudar a realizar un mejor informe clínico de los pacientes. En las

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

últimas décadas se han realizado muchos estudios para este fin. Senhadhi et al. [1] compararon la capacidad de tres wavelets (Daubechies, Spline y Morlet) para reconocer y localizar ritmos cardíacos aislados. Sahambi et al. [2] utilizaron la función de Gauss para caracterizar la forma de onda y el análisis wavelet para medir las diferentes ondas que forman los ECGs. Con el tiempo surgieron más algoritmos, algunos basados en el espectro [3, 4] y otros en las características de las wavelets [5, 6]. Incluso el algoritmo tradicional de Pan Tompkins computacionalmente es muy eficaz [7]. También se desarrollaron algoritmos basados en redes neuronales backpropagation [8] y redes neuronales probabilísticas [9].

1.2 Objetivos

El propósito final de este trabajo es la creación de un detector de arritmias que sea capaz de clasificar arritmias mediante el análisis de sus características. Es por ello que se cree conveniente realizar un acercamiento progresivo a todo lo referente a esta materia, indagando en cada uno de los aspectos relevantes de este trabajo.

Los

objetivos

continuación:

fijados

para

este

Trabajo

fin

de

Grado

son

los

expuestos

a

Estudiar los métodos de eliminación de ruido más eficientes en la actualidad, con el fin de determinar cuál es más adecuado para el proyecto a llevar a cabo.

Analizar las señales electrocardiográficas con el fin de determinar métodos y herramientas para detectar arritmias.

Desarrollar un algoritmo basado en las características de las señales.

Realizar pruebas experimentales de las técnicas seleccionadas y evaluarlas para comprobar su validez.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

1.3 Estructura de la memoria

El contenido de esta memoria se divide en 5 capítulos y 2 anexos, cada uno de ellos trata distintos aspectos que quedan brevemente reflejados en la siguiente descripción:

El capítulo 2 se titula "MARCO TEÓRICO". En dicho capítulo se realiza una explicación tanto del concepto electrocardiograma como de la transformada wavelet con el fin de observar su posible adecuación a la materia de detección de arritmias.

El capítulo 3 titulado "METODOLOGÍA" es el que recoge la explicación de la implementación del algoritmo final. Contiene el diseño del sistema, es decir, una explicación detallada por etapas de los algoritmos diseñados mostrando las distintas funciones. Se trata de aplicar la parte teórica para crear un proceso de detección de arritmias.

En el capítulo 4, "RESULTADOS", se expone en primer lugar la interfaz del programa para aprender a utilizarla y sus diferentes funciones, una breve descripción de las señales utilizadas para realizar los experimentos con los algoritmos programados y diferentes ejemplos de ejecución, así como, resultados de todos los procesos.

El capítulo 5 se denomina "CONCLUSIONES Y FUTURAS LÍNEAS DE TRABAJO" y es en éste en el que se recoge una evaluación sobre la consecución de los objetivos expuestos al comienzo.

Finalmente se encuentran 2 anexos. El primero de ellos “ANEXO A: Tablas” recoge los resultados con todas las señales utilizadas y para todas y cada una de las detecciones. El “ANEXO B: Códigos Fuente” recoge el algoritmo programado para Matlab, con el fin de poder ser utilizado y mejorado por otros usuarios.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

2. MARCO TEÓRICO

Trabajo final de grado

2.1 Electrocardiograma (ECG)

Descripción

El electrocardiograma (ECG) es la señal que se obtiene al medir la actividad eléctrica del corazón de una manera continua. Es un método rápido, simple e indoloro en el cual se amplifican los impulsos eléctricos, relacionados con la contracción del corazón con el fin de poder ser analizados.

El electrocardiograma es el elemento principal de la electro-física cardíaca y tiene una función relevante en el diagnóstico de enfermedades y anomalías cardiovasculares, como por ejemplo:

Un defecto del miocardio

Defectos congénitos

Enfermedad de la válvula cardíaca

Arritmias

Enfermedad de la arteria coronaria

Un ataque cardíaco anterior.

Un ataque cardíaco inminente.

Etc…

La frecuencia cardíaca normal de un adulto es de entre 50 y 90 pulsaciones por minuto con un ritmo constante y uniforme. Además el electrocardiograma debe tener ciertas características en la forma de onda para determinar la salud del paciente.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

ANÁLISIS DE CARACTERÍSTICAS Trabajo final de grado Fig 1: Frecuencia cardiaca normal 1 En la Figura

Fig 1: Frecuencia cardiaca normal 1

En la Figura 2 se representa la corriente eléctrica que circula a través del corazón durante un latido. Cada parte coloreada de la señal representa ondas o intervalos importantes que se explican a continuación:

o intervalos importantes que se explican a continuación: Onda P Fig 2: Pulso normal en ECG

Onda P

Fig 2: Pulso normal en ECG 2

Es la señal eléctrica que corresponde a la despolarización auricular. Resulta de la superposición de la despolarización de la aurícula derecha (parte inicial de la onda P) y de la izquierda (final de la onda P). Para que la onda P sea sinusoidal debe tener estas características:

2 Fuente: http://es.wikipedia.org/wiki/Electrocardiograma (Último acceso: 08/08/2014)

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

No debe superar los 0,25 mV. Si lo supera, estamos en presencia de un agrandamiento auricular derecho.

Su duración no debe superar los 0,11 segundos en el adulto y 0,07-0,09 segundos en los niños. Si está aumentado posee un agrandamiento auricular izquierdo y derecho.

Tiene que ser redondeada, de rampas suaves, simétricas, de cúspide roma y de forma ovalada.

Tiene que preceder al complejo ventricular.

Complejo QRS

Es la representación gráfica de la despolarización de los ventrículos del corazón formando una estructura picuda en el electrocardiograma, como se puede apreciar en la Figura 2. Suelen tener una duración de entre 0.06 y 0.10 segundos y un voltaje no mayor de 3.5 mV. Consta de tres ondas:

Onda Q Es la primera onda del complejo QRS y tiene valores negativos.

Onda R Es la que sigue a la onda Q, es positiva y en la típica imagen del electrocardiograma es la de mayor tamaño.

Onda S Es cualquier onda negativa que sigue a la onda R.

La duración, amplitud y morfología del complejo QRS es útil en el diagnóstico de arritmias cardiacas, por ello es una parte esencial de este trabajo.

Onda T

Esta onda representa la repolarización de los ventrículos. Durante la formación del complejo QRS, generalmente también ocurre la repolarización auricular que no se registra en el ECG normal, ya que es tapado por el complejo QRS. Eléctricamente, las células del músculo cardíaco son como muelles cargados; un pequeño impulso las dispara, despolarizan y se contraen. La recarga del muelle es la repolarización (también llamada potencial de acción).

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

En la mayoría de las derivaciones, la onda T es positiva. Las ondas T negativas pueden ser síntomas de enfermedad, aunque una onda T invertida es normal a veces en personas de etnia negra.

Onda U

Corresponde a la despolarización de las fibras de Purkinje. Es positiva, su amplitud es relativamente baja y suele pasar desapercibida en la mayoría de los casos.

Intervalo PR

Es el tiempo desde que se acaba la onda P hasta que se origina la onda R. Corresponde a un periodo de inactividad eléctrica como consecuencia del retraso fisiológico que sufre el estímulo eléctrico. Su duración suele estar entre 120ms y 220ms.

Intervalo QT

Es el tiempo desde el inicio de la onda Q hasta el final de la onda T, y representa la activación y recuperación ventricular. Su duración varía en función de la frecuencia cardiaca, pero suele ser entre 360ms y 440ms.

Segmento PR

Línea que une el final de la Onda P con el inicio del complejo QRS.

Segmento ST

El segmento ST indica la cantidad de tiempo que transcurre desde el final de una contracción de los ventrículos hasta el comienzo del período de reposo (repolarización).

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

A continuación y a modo de resumen se presenta la Tabla 1 con los valores normales de cada una de las variables explicadas en este apartado:

Tabla 1: Valores normales en ECG 3

Característica

Valor normal

Margen

Ancho onda P

110

ms

± 20 ms

Intervalo PQ/PR

160

ms

± 40 ms

Acho del complejo QRS

100

ms

± 20 ms

Intervalo QTc

400

ms

± 40 ms

Amplitud onda P

0,15 mV

± 0,05 mV

Altura complejo QRS

1,15 mV

± 0,5 mV

Nivel intervalo ST

0 mV

± 0,1 mV

Amplitud onda T

0,3 mV

± 0,2 mV

Derivaciones

El electrocardiograma estándar o común incluye doce derivaciones. La información sobre la actividad eléctrica al miocardio se obtiene al colocar electrodos en sitios definidos de la superficie de la piel. A las diversas posiciones de los electrodos se les denominan derivaciones. Por ejemplo, la derivación MLI mide la actividad eléctrica entre los brazos izquierdo y derecho.

En el estudio completo, de 12 derivaciones, se usan 12 ejes eléctricos anatómicos para evaluar la actividad del corazón. Como se puede suponer, al tener 12 señales, existe mucha información redundante, pero este exceso de información repercute en una representación más sencilla de entender para las personas y compensa los ruidos introducidos por la colocación de los electrodos.

3 Fuente: http://www.mit.edu/~gari/ecgbook/ch3.pdf (Último acceso: 06/08/2014)

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

Colocando electrodos y correas en ambas muñecas y ambos pies se registran las primeras seis derivaciones: 3 bipolares MLI, MLII y MLIII, y tres unipolares AVR, AVL y AVF.

Hay que tener en cuenta que las derivaciones aumentadas (denominadas con “A”) representan el potencial de un miembro con respecto a la media de potenciales de los otros dos miembros. AVF es la diferencia entre la pierna izquierda y una media de las derivaciones de los brazos; AVR es la diferencia entre el brazo derecho y la media de la pierna izquierda y el brazo izquierdo, y AVL es la diferencia entre el brazo izquierdo y la media del brazo derecho y la pierna izquierda.

Las diferencias de potencial entre los electrodos en los miembros y el terminal central son para las otras tres derivaciones del ECG:

Derivación MLI: Diferencia entre brazo izquierdo y brazo derecho.

Derivación MLII: Diferencia entre el pierna izquierda y el brazo derecho.

Derivación MLIII: Diferencia entre pierna izquierda y brazo izquierdo

MLIII: Diferencia entre pierna izquierda y brazo izquierdo Fig 3: Posiciones de las derivaciones MLI, MLII,

Fig 3: Posiciones de las derivaciones MLI, MLII, MLIII, AVR, AVF y AVL 4

13/08/2014)

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

Las otras seis derivaciones precordiales o V se registran colocando los electrodos en la cara anterior y lateral izquierda del tórax siguiendo por el exterior un trayecto semejante al contorno del corazón.

el exterior un trayecto semejante al contorno del corazón. Fig 4: Posiciones de las derivaciones V1,

Fig 4: Posiciones de las derivaciones V1, V2, V3, V4, V5 y V6 5

Cada derivación tiene una forma de onda diferente como se puede apreciar en la Figura 5:

de onda diferente como se puede apreciar en la Figura 5: Fig 5: Formas de ondas

Fig 5: Formas de ondas de todas las derivaciones 6

13/08/2014)

6 Fuente: http://www.washingtonhra.com/31.html (Último acceso: 22/08/2014)

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

Esto es muy importante, ya que dependiendo la derivación es más sencilla o compleja la detección de diferentes anomalías y también es interesante disponer de más de una para poder comprobar los resultados y que un médico pueda corroborar las detecciones finales.

Características importantes en un ECG

Para que un electrocardiograma proporcione información, debe ser analizado de forma exhaustiva, extrayendo una serie de características que pueden ser determinantes para detectar cualquier anomalía. A continuación se exponen algunas que suelen analizarse clínicamente.

Identificar complejos QRS:

o

¿Cuál es la frecuencia ventricular?

o

¿El periodo de los complejos es regular?

o

¿Existe una similitud de forma entre los complejos para una misma derivación?

Identificar ondas P:

o

¿Existe relación entre las ondas P y los complejos QRS?

o

¿Tiene una duración normal el intervalo PR?

o

¿Cuál es la frecuencia auricular?

o

¿Existe una similitud de forma entre las ondas P para una misma derivación?

Examinar el complejo QRS en cada derivación:

o

¿Es normal el eje del complejo?

o

¿Está la amplitud del complejo dentro de los valores normales?

Examinar los segmentos ST:

o

¿Hay algún tipo de anormalidad?

o

Si la hay ¿Sugiere algún tipo de isquemia, infarto o hipotermia?

Examinar la onda T:

o

¿Tiene una forma normal?

o

En cada derivación ¿Están orientados en la misma dirección los complejos QRS?

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Arritmias

Trabajo final de grado

Las arritmias son problemas de la frecuencia cardíaca o del ritmo de los latidos del corazón. Durante una arritmia el corazón puede latir demasiado rápido, demasiado despacio o de manera irregular.

La mayoría de las arritmias son inofensivas, pero algunas pueden ser graves e incluso poner en peligro la vida del paciente. Durante una arritmia es posible que el corazón no pueda bombear suficiente sangre al resto del cuerpo y esta falta de circulación sanguínea puede causar daños en el cerebro, el corazón y otros órganos importantes.

Las arritmias se pueden agrupar en arritmias ventriculares y arritmias auriculares. Las arritmias ventriculares se manifiestan como grandes distorsiones en la morfología de la onda ya que la despolarización comienza más en los ventrículos que en la aurícula. El complejo QRS se hace más grande, enmascarando así la onda P.

Aunque la ampliación del complejo QRS causa un desplazamiento de sus componentes en el dominio de la frecuencia hacia frecuencias ligeramente más bajas, el espectro es bastante parecido al de un latido normal, con lo que llevar a cabo una clasificación espectral de estas arritmias se torna complicado.

Sin embargo, las arritmias auriculares presentan pequeñas variaciones temporales y de posición de la relativamente pequeña onda P. Por consiguiente son de difícil detecció n mediante métodos espectrales. A pesar de ello presentan notables variaciones en los tiempos entre latidos, por lo que una forma de detectarlas es realizando análisis estadísticos de intervalos de señal ECG.

También existen los latidos ectópicos que son cambios pequeños en un latido normal del corazón que conducen a latidos cardiacos extras o que se saltan. Las contracciones ventriculares prematuras y las contracciones auriculares prematuras forman parte de estos tipos de latidos.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

Contracción ventricular prematura (CVP)

También conocida como extrasístole ventricular, es uno de los trastornos del ritmo cardíaco y consiste en un latido adelantado respecto a la frecuencia cardíaca normal del individuo. En el paciente se percibe como un salto en los latidos o palpitaciones. En estos casos, la despolarización del músculo cardíaco comienza en el ventrículo en vez de su lugar usual, el nodo sinusoidal.

Son uno de los trastornos del ritmo más comunes, ya sea en individuos sanos o en pacientes con cardiopatía. Normalmente son más frecuentes con la edad y no son necesariamente peligrosos.

frecuentes con la edad y no son necesariamente peligrosos. Fig 6: Contracción ventricular prematura 7 Existen

Fig 6: Contracción ventricular prematura 7

Existen varios tipos de contracciones ventriculares prematuras y estas se pueden clasificar en función de algunas características:

Duración Se pueden considerar anchas cuando su QRS tiene una duración de 120 ms o más.

Periodicidad Pueden presentar diferentes periocidades:

o Bigeminia (un latido normal, una contracción ventricular prematura, un latido normal, una contracción ventricular prematura y así sucesivamente).

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

ANÁLISIS DE CARACTERÍSTICAS Trabajo final de grado Fig 7: Bigeminismo 8 o Trigeminia (dos latidos normales,

Fig 7: Bigeminismo 8

o Trigeminia (dos latidos normales, una contracción ventricular prematura, dos latidos normales, una contracción ventricular prematura y así sucesivamente).

contracción ventricular prematura y así sucesivamente). Fig 8: Trigeminismo 9 o Cuadrigeminia (tres latidos

Fig 8: Trigeminismo 9

o Cuadrigeminia (tres latidos normales, una contracción ventricular prematura, tres latidos normales, una contracción ventricular prematura y así sucesivamente).

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

Frecuencia

o

Poco frecuentes Menos de 30/hora.

o

Frecuentes Entre 30 a 60/hora.

o

Muy frecuentes Más de 60/hora.

Morfología

o

Monomorfas Solo existe una única morfología de CVP en todo el electrocardiograma.

o

Bimorfas Existen dos morfologías de CVPs diferentes en todo el electrocardiograma.

Polimorfas Existen más de dos morfologías de CVPs diferentes en todo el electrocardiograma. Complejidad

o

o

Simple

o

Compleja Duplas o parejas ventriculares: Son dos latidos ventriculares ectópicos juntos, y no debe confundirse con la bigeminia. Cabe destacar que este fenómeno también puede ocurrir en las contracciones auriculares prematuras.

puede ocurrir en las contracciones auriculares prematuras. Fig 9: Duplas o parejas ventriculares 1 0 1

Fig 9: Duplas o parejas ventriculares 10

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

Contracción auricular prematura (APC)

También conocida como extrasístole auricular. Es uno de los trastornos del ritmo cardíaco, benigno, caracterizado por un latido prematuro en la aurícula, una de las cámaras del corazón. Estas se diferencian de las contracciones ventriculares prematuras (CVP) en que no suelen requerir tratamiento médico. Quienes han experimentado una extrasístole auricular dicen sentir que su corazón se detiene o que se salta un latido.

Uno de los motivos que pueden provocar una APC son las extrasístoles supra ventriculares prematuras (SVTA), que son un tipo de impulso eléctrico prematuro en el corazón, generado en un nivel superior al de los ventrículos cardíacos. Tanto las APCs como las SVTAs son opuestas a las CVPs, cuyo origen es ventricular como se ha explicado en el apartado anterior.

Una contracción auricular prematura por lo general aparece en el ECG y se caracteriza por:

Un complejo QRS normal.

Una onda T de repolarización normal (no invertida).

Una extraña y deforme despolarización de la onda P.

 Una extraña y deforme despolarización de la onda P. Fig 10: Contracción Auricular Prematura 1

Fig 10: Contracción Auricular Prematura 11

11 Fuente: http://www.ecghispana.com/physicians.cfm (Último acceso: 16/08/2014)

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Taquicardias

Trabajo final de grado

Es el incremento de la frecuencia cardiaca. Supone la contracción demasiado rápida de los ventrículos y se puede considerar cuando la frecuencia cardíaca es superior a 100 latidos por minuto en reposo. Las personas que padecen de taquicardia poseen una vida normal, ya que no es una enfermedad grave, aunque puede acortar su vida debido a que el corazón trabaja más de lo normal. Suele ser más común en mujeres.

Se origina en el nódulo sinusal y comienza y termina generalmente de forma gradual. Entre las posibles causas de su aparición se encuentran:

Estrés

Fiebre

Ansiedad

Etc.

 Estrés  Fiebre  Ansiedad  Etc. … Fig 11: Taquicardia 1 2 1 2

Fig 11: Taquicardia 12

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

Entre los diferentes tipos de taquicardias se puede destacar la taquicardia supraventricular que se caracteriza por tener una frecuencia cardíaca acelerada cuya señal eléctrica se origina en el nódulo auriculoventricular o bien en la aurícula cardíaca. Estas arritmias, por definición, se inician o se mantienen en el nódulo AV o en la aurícula, en contraste con las potencialmente letales taquicardias ventriculares, las cuales se originan en los ventrículos cardíacos, es decir, por debajo de las aurículas o del nódulo AV. La frecuencia cardíaca normal es de unos 70 latidos por minuto, mientras que en las taquicardias SV, la frecuencia cardíaca escala desde 175-250 latidos por minuto.

cardíaca escala desde 175-250 latidos por minuto. Fig 12: Taquicardia supraventricular 1 3 Es importante

Fig 12: Taquicardia supraventricular 13

Es importante destacar que las pulsaciones por minuto “normales” dependen de la edad y el sexo del paciente. La Tabla 2 muestra los valores a partir de los cuales pueden considerarse taquicardias, siempre teniendo en cuenta que depende del tipo de taquicardia se pueden caracterizar por unos valores superiores a estos.

Tabla 2: Umbrales para detectar taquicardias en función de edad y sexo 14

EDAD

MUJERES

HOMBRES

20-29 años

96

ppm

86

ppm

30-39 años

98

ppm

86

ppm

40-49 años

100

ppm

90

ppm

50-59 años

104

ppm

90

ppm

60 años o más

108

ppm

94

ppm

13 Fuente: http://es.wikipedia.org/wiki/Taquicardia_supraventricular (Último acceso: 16/08/2014)

14 Fuente: http://corredordefondo.com/foro/index.php?topic=4419.0 (Último acceso: 18/08/2014)

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Bradicardia

Trabajo final de grado

Es una alteración del ritmo al que late el corazón, concretamente se trata de un descenso en la frecuencia cardíaca. Para que pueda considerarse como tal, las pulsaciones deben estar por debajo de 60 por minuto en reposo, teniendo en cuenta que solamente si están por debajo de 50 latidos por minuto pueden aparecer problemas.

No tiene por qué ser tratada (cuando es asintomática), puede aparecer como un síntoma de una enfermedad del corazón y asociada a alguna dolencia (sintomática), lo que requiere de tratamiento. Algunas de las causas de la bradicardia son las siguientes:

Hipotermia.

Hipotiroidismo.

Efecto de algunas drogas, como los beta-bloqueantes.

Efecto secundario de infecciones tales como la difteria, fiebre reumática y la miocarditis vírica

como la difteria, fiebre reumática y la miocarditis vírica Fig 13: Bradicardia 1 5 1 5

Fig 13: Bradicardia 15

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Problemas de Procesado

Trabajo final de grado

Existen algunos problemas a la hora de procesar las señales. Esto se debe a que las señales llegan contaminadas con algún tipo de ruido. Ya sea este ruido biológico (por ejemplo la actividad eléctrica producida por los músculos esqueléticos) o artificial (las interferencias causadas por la alimentación 50/60 Hz). Las señales indeseadas que pueden alterar nuestras medidas son las siguientes:

Interferencias causadas por la alimentación (50/60 Hz): Suele ser del orden de los 50/60 Hz con un margen de ± 0,2 Hz.

Ruido de contacto: La pérdida de contacto entre los electrodos y la piel.

Ruido electromiográfico: Actividad eléctrica debido a la contracción de los músculos esqueléticos.

Artefactos: Un artefacto en el ECG es cualquier interferencia con el trazado correcto. La presencia de artefactos y una mala técnica pueden generar errores en los diagnósticos.

o

Artefactos debidos al movimiento del paciente: Los movimientos del paciente provocan variaciones de la impedancia entre los electrodos y la piel causando cambios en la señal ECG.

o

Artefactos debidos al hardware: Tales como la saturación de los amplificadores, ruido de los diferentes subsistemas.

o

Artefactos debido al procesado de la señal: Como por ejemplo las oscilaciones de Gibbs.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

Baseline wander: Usualmente causado por la respiración.

Baseline wander : Usualmente causado por la respiración. Fig 14: Baseline wander 1 6 Se puede

Fig 14: Baseline wander 16

Se puede apreciar que la señal no se encuentra en el nivel de los cero voltios y presenta una oscilación de baja frecuencia. Para garantizar un correcto procesado esta oscilación debe eliminarse

Ruido electroquirúrgico: Generado por otros aparatos médicos.

2.2 Transformada wavelet

Introducción

La transformada de wavelet es una herramienta matemática que fue desarrollada a finales del siglo XX y que ha creado una gran expectación en los campos relacionados con la ingeniería, física y ciencias aplicadas. El objetivo por el que surgió era encontrar algoritmos simples que permitieran descomponer funciones arbitrarias en funciones espaciales combinando las diferentes ventajas que ya existían por aquel entonces.

16 Fuente: http://oa.upm.es/22410/1/PFC_FELIPE_HERRANZ_RABANAL.pdf (Último acceso: 12/08/2014)

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

Es sabido que la transformada más conocida para el análisis de señales es la Transformada de Fourier, ya que se encarga de dividir una señal en muchas sinusoides cada una de una determinada frecuencia. Esta información es muy útil e importante para analizar señales por el hecho de que en ocasiones la información en frecuencia de las señales es más relevante.

Entonces, ¿por qué se necesitan otro tipo de transformadas? O en este caso más particular ¿por qué se necesita la transformada de wavelet?

En la transformada de Fourier la variable de frecuencia está perfectamente localizada, pero la información en el tiempo se pierde, por lo que no es posible saber cuándo ocurre un evento, es decir, no es posible posicionarlo en el tiempo, solamente en frecuencia. En un principio para paliar este problema, se creó una transformada de Fourier dependiente del tiempo, que se encargaba de analizar la señal con ventanas de un tiempo determinado, y así con cierta precisión poder saber cuándo ocurría un evento, el problema era que la ventana siempre tenía que tener la misma dimensión para toda la señal, y algunas señales necesitaban de cierta flexibilidad a la hora de analizarlas. De ahí viene la utilidad de la Transformada wavelet.

Como el análisis de wavelet se relaciona con información de tiempo y de frecuencia, la representación gráfica de la transformada wavelet se da en un plano tiempo- frecuencia donde cada celda representa un valor de dicha transformada en el plano mencionado.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

ANÁLISIS DE CARACTERÍSTICAS Trabajo final de grado Fig 15: Escala-Tiempo (wavelet) 1 7 Traslación Dentro del

Fig 15: Escala-Tiempo (wavelet) 17

Traslación

Dentro del análisis wavelet el término traslación está relacionado con la localización de la ventana a medida que se desplaza a través de la señal, es decir, corresponde a la información del tiempo en el dominio transformado.

Escala

Para la transformada wavelet se tiene un parámetro “escala” que está definido

como:

ECUACIÓN (1)

Con este parámetro se permite obtener regiones de tamaño variable, de intervalos más largos para tener precisión en bajas frecuencias (información global de la señal) y de intervalos más cortos para tener precisión en altas frecuencias (información detallada de la señal).

17 Fuente: Wavelet Toolbox [10]

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

El escalado como operación matemática, produce una dilatación o una compresión de la señal. La relación entre la escala y la frecuencia es una relación inversa, por lo que las escalas menores corresponden a altas frecuencias y las escalas mayores a bajas frecuencias.

altas frecuencias y las escalas mayores a bajas frecuencias. Fig 16: Diferentes escalas wavelets 1 8

Fig 16: Diferentes escalas wavelets 18

Transformada wavelet

De manera muy general, la Transformada wavelet de una función ( ) es la descomposición de ( ) en un conjunto de funciones Ψs, τ(t), que forman una base y que son denominadas “wavelets”. Esta transformada se define como:

Donde la parte imaginaria.

(

)

( )

( )

ECUACIÓN (2)

( ) es el complejo conjugado de Ψs, τ(t), esto se realiza para eliminar

La base es generada por la dilatación definida como:

( )

y la traslación τ de la wavelet madre

(

)

ECUACIÓN (3)

18 Wavelet Toolbox [10]

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

Donde las variables

y son:

Factor de escala.

Factor de traslación.

Las wavelets Ψs, τ(t), generadas de la misma función wavelet madre ( ) tienen

diferente escala

y diferente ubicación , pero tienen todas la misma forma.

Se utilizan siempre factores de escala tales que mayor que 0. Las wavelets son dilatadas cuando mayor que 1, y son contraídas cuando menor que 1. Así, cambiando el valor de se cubren rangos diferentes de frecuencias. Los valores grandes de este parámetro se corresponden con frecuencias de menor valor, o escalas grandes. Los valores pequeños corresponden a frecuencias de mayor valor o escalas muy pequeñas [11].

a frecuencias de mayor valor o escalas muy pequeñas [11]. Fig 17: Señal sinusoidal y señal

Fig 17: Señal sinusoidal y señal wavelet 19

Para manejar el método con un ordenador, es necesaria una versión discreta con menor coste computacional. Un escalado diádico de las bases con =2 y una traslación =2 conduce a funciones bases del tipo:

 

( )

(

)

ECUACIÓN (4)

La Transformada Wavelet Discreta (DWT) se define como:

{ ( )

( )}

( )

(

)

ECUACIÓN (5)

19 Fuente: Wavelet Toolbox [10]

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

Donde m=1,…, M denota la profundidad de la iteración, por tanto, a medida que m aumenta, se tiene una escala con menor resolución.

La versión muestreada de la CWT, entrega información redundante para la reconstrucción de la señal, lo que provoca el aumento significativo en el tiempo de cálculo. Es por eso que se utiliza esta transformada DWT, ya que facilita suficiente información para el análisis y la reconstrucción de la señal con una reducción significativa de tiempo de procesado, y, además, es más sencilla de implementar que la CWT.

Transformada Wavelet Discreta (DWT)

Primera etapa: Aproximación y detalles

En muchas señales, el contenido de baja frecuencia es la parte más importante ya que contiene la identidad de la señal, mientras que las altas frecuencias contienen los matices. Por este motivo en el análisis wavelet se suelen hablar de aproximaciones y detalles.

Las aproximaciones son las componentes de baja frecuencias a alta escala de la señal. Los detalles son los componentes de alta frecuencia de baja escala. El proceso de filtrado, en su nivel más básico, es el siguiente:

de filtrado, en su nivel más básico, es el siguiente: Fig 18: Aproximaciones y detalles 2

Fig 18: Aproximaciones y detalles 20

20 Fuente: Wavelet Toolbox [10]

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

Por desgracia, si en realidad esta operación se realiza con una señal digital real, se obtendrían el doble de datos. Si la señal S consta de 1000 muestras, la aproximación y el detalle tendrán cada uno 1000 muestras, lo que hace un total de 2000. Para corregir este problema, se introduce el concepto de disminución de resolución. Esto significa eliminar cada segundo punto de datos (reducción de muestreo), pero tiene un problema y es que introduce aliasingen los componentes de la señal.

“ aliasing ” en los componentes de la señal. Fig 19: Reducción de muestras wavelets 2

Fig 19: Reducción de muestras wavelets 21

Descomposición múltiple

El proceso de descomposición puede repetirse, con aproximaciones sucesivas que se descomponen a su vez, de manera que una señal se divide en muchos componentes de menor resolución. Esto se llama el árbol de descomposición wavelet.

Esto se llama el árbol de descomposición wavelet. Fig 20: Árbol de descomposición wavelet 2 2

Fig 20: Árbol de descomposición wavelet 22

21 Fuente: Wavelet Toolbox [10]

22 Fuente: Wavelet Toolbox [10]

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

Dado que el proceso de análisis es iterativo, en teoría, los niveles en los que puede descomponerse la señal son indefinidos. En la práctica, la descomposición puede realizarse únicamente hasta que los detalles individuales consisten en una sola muestra o píxel, pero debe elegirse un número adecuado de niveles basados en la naturaleza de la señal, o en un criterio adecuado, tal como la frecuencia de muestreo.

Familias wavelets

Haar

Cualquier discusión sobre wavelets debe empezar con la wavelet Haar, por ser la más simple y sencilla. Esta wavelet es discontinua y se parece a una función escalón. Es equivalente a la wavelet Daubechies db1.

escalón. Es equivalente a la wavelet Daubechies db1. Fig 21: Wavelet Haar 2 3 Es muy

Fig 21: Wavelet Haar 23

Es muy eficaz en la parte plana de la señal (si tiene cambios abruptos muy notables).

23 Fuente: Wavelet Toolbox [10]

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Daubechies

Trabajo final de grado

Ingrid Daubechies, una de las personalidades más importantes en el mundo de la investigación wavelet, inventó lo que se conoce como wavelets ortogonales, haciendo con esto posible el análisis discreto de wavelets.

El nombre de esta familia se escribe dbN, donde N es el orden y db corresponde al apellido de la wavelet. La db1, como se ha mencionado anteriormente, es igual que la wavelet Haar. Las wavelets de esta familia son las que tienen mayor cantidad de momentos nulos para su soporte.

que tienen mayor cantidad de momentos nulos para su soporte. Fig 22: Wavelet Daubechies 2 4

Fig 22: Wavelet Daubechies 24

24 Fuente: Wavelet Toolbox [10]

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Biortogonales

Trabajo final de grado

Esta familia tiene la propiedad de poseer fase lineal, que es necesaria para la reconstrucción de señales e imágenes. Utilizan dos wavelets diferentes, una para descomposición y otra para reconstrucción, en lugar de usar solo una para los dos procesos como las otras familias.

usar solo una para los dos procesos como las otras familias. Fig 23: Wavelet biortogonales 2

Fig 23: Wavelet biortogonales 25

25 Fuente: Wavelet Toolbox [10]

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Symlets

Trabajo final de grado

Son casi simétricas, propuestas por Daubechies como modificación a la familia db. Las propiedades de ambas familias son muy similares.

db. Las propiedades de ambas familias son muy similares. 2 6 Fuente: Wavelet Toolbox [10] Fig

26 Fuente: Wavelet Toolbox [10]

Fig 24: Wavelet Symlets 26

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

3. METODOLOGÍA

Trabajo final de grado

Este proyecto ha sido realizado para alcanzar los objetivos establecidos, detectar arritmias automáticamente en señales electrocardiográficas. Su funcionamiento se explicará a continuación así como los motivos por los cuales se han tomado diversas decisiones.

El sistema lo forman tres procesos principales, como se puede apreciar en el siguiente diagrama de bloques:

como se puede apreciar en el siguiente diagrama de bloques: Fig 25: Diagrama de bloques general

Fig 25: Diagrama de bloques general del algoritmo

A continuación se explica el funcionamiento de cada uno de ellos:

3.1 Preprocesado

El primer bloque corresponde al preprocesado de la señal ECG. Como se dijo anteriormente, uno de los factores más importantes a la hora de analizar señales y trabajar con ellas es que contengan la menor cantidad de ruido.

El ruido introducido es inevitable como se ha visto anteriormente, ya que entran en juego factores físicos impredecibles, pero existe cierto tipo de ruido que puede ser eliminado o en su defecto, reducido.

Se ha de tener en cuenta que no todas las señales presentan el mismo ruido, incluso hay señales que debido al ruido pierden parte de la información y esta se vuelve irrecuperable. Para automatizar un sistema de estas características es necesario generalizar y delegar un poco de responsabilidad en el usuario. Por ello, el preprocesado es totalmente opcional y se divide en dos bloques como se puede ver a continuación:

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

ANÁLISIS DE CARACTERÍSTICAS Trabajo final de grado Fig 26: Diagrama de bloques preprocesado El usuario puede

Fig 26: Diagrama de bloques preprocesado

El usuario puede elegir si desea aplicar el primer bloque, el segundo o ambos en función del estado de la señal.

Eliminación de Baseline wander

Como se ha descrito anteriormente el baseline wander es un ruido de baja frecuencia que introduce una componente continua, la cual hace oscilar la señal y no la centra en los 0 voltios. Esto supone un gran problema, ya que los valores de amplitud que se puedan medir no son reales y pueden perjudicar a los resultados del algoritmo.

La forma elegida de eliminarlo ha sido mediante la Transformada wavelet, ya que permite separar las frecuencias de la señal y no pierde información del tiempo. Para ello se han elegido una serie de wavelets madre que puedan dar buen resultado, basándose en óptimos estudios anteriores.

En total se han elegido 5 wavelets: db4, db5, sym4, bior 1.3, bior 6.8 [12, 13]. Cabe destacar que estas wavelets son útiles por su similitud en cuanto a forma de onda con las señales ECGs.

La metodología a emplear es en primer lugar obtener los coeficientes wavelets de la señal. El nivel puede ser introducido por el usuario, por lo que los resultados dependen de la elección tanto del tipo de wavelet, como del nivel elegido. Ese nivel va en función de la frecuencia de muestreo de la señal analizada y del intervalo de frecuencias que se deseen eliminar.

En la Figura 27 se puede apreciar como la señal S se descompone en n niveles de aproximaciones y detalles.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

ANÁLISIS DE CARACTERÍSTICAS Trabajo final de grado Fig 27: Aproximaciones y detalles (n niveles) La

Fig 27: Aproximaciones y detalles (n niveles)

La aproximación contiene la mayor parte de la energía de la señal, es decir, la información más importante, mientras que los detalles tienen valores próximos a cero.

Se necesita eliminar ruido de muy baja frecuencia, por lo tanto se recurre a eliminar el último nivel de aproximación, por lo que la señal recuperada dejará de ser:

(

)

( )

ECUACIÓN (6)

Para convertirse en:

 

( )

ECUACIÓN (7)

En la Figura 28 se observa un ejemplo de eliminación de baseline wander. En la gráfica superior se presenta la señal con baseline wander, y en la inferior la misma señal en el mismo intervalo de tiempo con el filtrado descrito.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

ANÁLISIS DE CARACTERÍSTICAS Trabajo final de grado Fig 28: Eliminación baseline wander Cada wavelet elegida

Fig 28: Eliminación baseline wander

Cada wavelet elegida tiene una función de escalado diferente, así como unos coeficientes que las hacen especiales y útiles para su fin. A continuación se describen mediante imágenes cada una de las cinco wavelets elegidas.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

db4

Trabajo final de grado

ANÁLISIS DE CARACTERÍSTICAS db4 Trabajo final de grado Fig 29: Wavelet db4 2 7 2 7

Fig 29: Wavelet db4 27

27 Fuente: http://wavelets.pybytes.com/wavelet/db4/ (Último acceso: 04/09/2014)

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

db5

Trabajo final de grado

ANÁLISIS DE CARACTERÍSTICAS db5 Trabajo final de grado Fig 30: Wavelet db5 2 8 2 8

Fig 30: Wavelet db5 28

28 Fuente: http://wavelets.pybytes.com/wavelet/db5/ (Último acceso: 04/09/2014)

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

sym4

Trabajo final de grado

ANÁLISIS DE CARACTERÍSTICAS sym4 Trabajo final de grado Fig 31: Wavelet Sym4 2 9 2 9

Fig 31: Wavelet Sym4 29

29 Fuente: http://wavelets.pybytes.com/wavelet/sym4/ (Último acceso: 04/09/2014)

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

bior 1.3

Trabajo final de grado

DE CARACTERÍSTICAS bior 1.3 Trabajo final de grado Fig 32: Wavelet bior 1.3 3 0 3

Fig 32: Wavelet bior 1.3 30

30 Fuente: http://wavelets.pybytes.com/wavelet/bior1.3/ (Último acceso: 04/09/2014)

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

bior 6.8

Trabajo final de grado

DE CARACTERÍSTICAS bior 6.8 Trabajo final de grado Fig 33: Wavelet bior 6.8 3 1 3

Fig 33: Wavelet bior 6.8 31

31 Fuente: http://wavelets.pybytes.com/wavelet/bior6.8/ (Último acceso: 04/09/2014)

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

Eliminación de ruido de alta frecuencia

Para eliminar o reducir este tipo de ruido que hace que la señal no tenga un trazo limpio, se ha utilizado un software desarrollado previamente por Galiana-Merino et al. [14] en el campo de la sismología, llamado Denoise.

Se trata de un programa que mediante la transformada wavelet y un fragmento de ruido de la señal contaminada puede eliminar o en su defecto reducir este ruido de alta frecuencia.

La wavelet utilizada es db12. A continuación se presenta la Figura 34 con su función de escalado y sus coeficientes:

la Figura 34 con su función de escalado y sus coeficientes: Fig 34: Wavelet db12 3

Fig 34: Wavelet db12 32

32 Fuente: http://wavelets.pybytes.com/wavelet/db12/ (Último acceso: 04/09/2014)

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

Un ejemplo de la eliminación de este tipo de ruido se puede ver en la Figura 35. En la señal superior observamos la señal contaminada y en la inferior la señal filtrada. La diferencia es grande y esto permite al programa analizar la señal de forma más exhaustiva y con mayor probabilidad de acierto en sus resultados.

y con mayor probabilidad de acierto en sus resultados. Fig 35: Eliminación de ruido de alta

Fig 35: Eliminación de ruido de alta frecuencia

Este programa necesita un intervalo de ruido de la señal contaminada y dado que no en todas las señales se produce ruido en el mismo instante de tiempo, obviamente, es necesario que el usuario seleccione ese fragmento de forma manual.

La utilización de este método de filtrado es totalmente opcional, y se encuentra en el programa para proporcionar una mayor efectividad. Su desarrollo no ha formado parte de este proyecto pero se ha estimado útil su intervención.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

3.2 Detección complejo QRS

Uno de los objetivos principales para poder obtener buenos resultados en este proyecto era detectar los complejos QRS, ya que a la hora de detectar arritmias son el factor más importante a tener en cuenta. Se necesita saber el periodo entre ellos para poder detectar anomalías y estudiar las señales en profundidad.

Como se ha explicado en el apartado ‘MARCO TEÓRICO’, el complejo QRS está formado por tres ondas, la Onda Q, la Onda R y la Onda S, de ahí su nombre.

ondas, la Onda Q, la Onda R y la Onda S, de ahí su nombre. Fig

Fig 36: Complejo QRS 33

De las doce derivaciones que existen para medir una señal electrocardiográfica, la más utilizada para detectar anomalías es MLII por su gran amplitud de la onda R y su similitud al complejo QRS como tal. Además casi todas las señales ECG de los pacientes disponen de esta medida, por ello se ha creído necesario basar el algoritmo de este proyecto en este tipo de derivaciones y no ampliarlo para el resto. Esta decisión no incurre en una menor efectividad del programa, por lo tanto a partir de este momento todos los algoritmos realizados serán para la derivación MLII.

34/ECG.html (Último acceso: 12/08/2014)

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

Para conseguir este propósito, este bloque del sistema ha sido dividido a su vez en tres bloques que se explicarán a continuación:

a su vez en tres bloques que se explicarán a continuación: Fig 37: Diagrama de bloques

Fig 37: Diagrama de bloques detección de complejo QRS

Detección Onda R

Para realizar este proceso se han realizado múltiples pruebas programando diversos algoritmos. El algoritmo definitivo se explica a continuación:

Uno de los objetivos principales en este bloque era determinar el punto máximo de cada onda R. Para localizarlos primero se dividió la señal en valores positivos y negativos. En este bloque solo interesan los valores positivos, por lo que se pasaba de tener una señal de valores negativos y positivos a una señal con valores mayores o igual a 0.

Con la señal obtenida y solo cogiendo los valores de amplitud mayor que 0, se realizó la media (MediaR) y la desviación estándar (DesviaciónR). Este proceso se realizó de esta forma ya que se buscaba obtener la media y desviación estándar de estos valores y no modificar ese valor con amplitudes igual a 0.

Era necesario crear un umbral a partir del cual los valores se pudieran considerar como Onda R. Se conoce que la onda R tiene mayor amplitud que el resto de ondas, pero en algunas señales ECG, sobretodo de pacientes que llevan marcapasos, la onda T puede alcanzar incluso la amplitud de algunas Ondas R. Es importante también tener en cuenta que no todas las Ondas R tienen la misma amplitud, y no tiene por qué estar ligado con ninguna anomalía.

Estudiar este caso en particular fue una labor importante, ya que la elección del umbral es determinante a la hora de detectar las ondas R y podía ser muy restrictivo para

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

no seleccionar ondas T pero a su paso obviar algunas ondas R o por el contrario seleccionar todas las ondas R a la vez que algunas ondas T.

Por este motivo y dado que la probabilidad de que este caso ocurra es baja se llegó a una condición de compromiso ya que es complicado crear un algoritmo automático que funcione en todo tipo de señales. Ese umbral se creó a partir de MediaR + DesviacionR.

Una vez determinado el umbral, simplemente se extrae el máximo de cada onda. Obteniendo una señal de todo ceros exceptuando los valores máximos de las ondas R. En la Figura 38, se puede apreciar tanto el umbral, como los máximos de cada onda R.

R. En la Figura 38, se puede apreciar tanto el umbral, como los máximos de cada

Fig 38: Detección Onda R

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

Detección Onda Q o S (negativa)

Al igual que para la detección de ondas R, se han realizado múltiples pruebas programando diversos algoritmos hasta lograr el definitivo.

Uno de los objetivos principales en este bloque era determinar el punto mínimo de cada complejo QRS. En este apartado no se habla de ondas como tal ya que a diferencia de la detección de ondas R, las ondas negativas (ya sean Q o S) no tienen una amplitud muy negativa. Para localizar estos puntos primero se dividió la señal en valores positivos y negativos. En este bloque solo interesan los valores negativos, por lo que se pasaba de

tener una señal de valores positivos y negativos a una señal con valores menor o igual que

0.

Con la señal obtenida y solo cogiendo los valores de amplitud menor que 0, se realizó la media (MediaQ) y la desviación estándar (DesviaciónQ). Este proceso se realizó de esta forma ya que se buscaba obtener la media y desviación estándar de estos valores y no modificar ese valor con amplitudes igual a 0.

Como en el caso de las ondas R, era necesario crear un umbral a partir del cual los valores se pudieran considerar como Onda Q o S. Se conoce que las ondas negativas en la derivación MLII no resaltan en exceso, solamente en algunos casos de anomalías, por lo tanto no suponía un problema como tal el detectar tanto ondas Q, como ondas S. Es importante también tener en cuenta que no todas las señales tienen las mismas características y en los casos de mucho ruido este algoritmos puede no dar los resultados esperados.

Después de estudiar cada caso particular, se llegó a una condición de compromiso ya que es complicado crear un algoritmo automático eficiente en todo tipo de señales. Quizás en algunas señales no detecta todos los puntos que interesan, o en algunas detecta puntos de más, pero era necesario automatizarlo y no supone demasiadas pérdidas de información. Ese umbral se creó a partir de MediaQ - DesviaciónQ.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

Una vez determinado el umbral, simplemente se extrae el mínimo de cada onda. Obteniendo una señal de todo ceros exceptuando los valores mínimos de las ondas Q o S.

En la Figura 39, se puede apreciar tanto el umbral, como los mínimos de cada onda negativa.

se puede apreciar tanto el umbral, como los mínimos de cada onda negativa. Fig 39: Detección

Fig 39: Detección Onda Q o S (negativa)

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

Clasificación de Complejos QRS

Una vez se han detectado las ondas R y las ondas negativas (Q y S), se suman estas dos señales y el resultado se filtra para eliminar ruido que pueda interferir en la señal. Es decir, en ocasiones el algoritmo no solo detecta las ondas Q y S, sino que detecta ruido que tiene la señal.

Por ello se realiza un filtrado que trata de determinar que después de una onda negativa, siempre irá un onda positiva y así sucesivamente. Esto eliminará muchas ondas Q o S, dependiendo de la forma de onda, pero también eliminará ruido que no interesa. Este algoritmo no será útil para todas las detecciones pero si para algunas de ellas.

En la Figura 40 se puede apreciar el resultado:

pero si para algunas de ellas. En la Figura 40 se puede apreciar el resultado: Fig

Fig 40: Clasificación de complejos QRS

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

3.3 Detección de arritmias

En este proyecto se han decidido detectar varios tipos de arritmias, principalmente cuatro, donde el usuario tiene la opción de decidir cuál de ellas detectar y en algunas de ellas tiene la opción de ajustar los resultados.

La elección de este tipo de arritmias se ha realizado en función de la probabilidad de que estas ocurran y de lo conocidas que son.

Estas detecciones son independientes, es decir, si por ejemplo se decide detectar APCs no se pueden detectar Taquicardias al mismo tiempo. Primero debe realizarse una detección y al terminar se tendrá que realizar la siguiente, todo ello de forma sencilla en la interfaz.

Cada una de las detecciones tiene un algoritmo diferente en función de sus características y formas de onda.

A continuación se explican en profundidad cada una de ellas, centrándose en las características desde un punto de vista de análisis de señales y no tanto desde un punto de vista clínico.

Las arritmias detectadas son:

Contracción ventricular prematura (CVP)

Contracción auricular prematura (APC)

Taquicardias

Bradicardias

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

Detección de Contracciones Ventriculares Prematuras (CVPs)

Características y formas de onda

Como se ha explicado en el apartado ‘Arritmias, las contracciones ventriculares prematuras (CVPs) también conocidas como extrasístoles ventriculares tienen una serie de características.

ventriculares tienen una serie de características. Fig 41: Contracción Ventricular Prematura Al analizar las

Fig 41: Contracción Ventricular Prematura

Al analizar las señales que contenían este tipo de anomalías, se observaron ciertas características en las formas de onda de la señal que algunas de ellas tenían en común. A continuación se exponen todas y cada una de ellas:

La anchura de los pulsos es mayor de lo normal.

El complejo QRS se adelanta.

Existe una pausa compensatoria después del complejo QRS hasta el siguiente.

La onda R tiene una amplitud menor de lo normal.

Existe una onda negativa (puede ser la onda Q o la onda S) que tiene una amplitud más negativa de lo normal y destaca del resto.

Una vez analizadas se probaron diversos métodos de detección, pero no todas las

y no todos los métodos eran válidos y daban

señales tienen las mismas formas de onda

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

resultados óptimos. de arritmias.

Detección

Trabajo final de grado

A continuación se explica el método utilizado para detectar este tipo

Aunque parezca increíble, esta anomalía es una de las más difíciles de detectar, ya que una misma arritmia en la misma derivación (MLII) en otra señal es totalmente diferente y sus formas de onda son tan dispares que es complicado automatizar un algoritmo. Por ello, en este caso entra en juego la decisión del usuario, utilizando un factor que ajusta los resultados.

Para realizar este proceso, se detectan tanto las ondas Q como las ondas R con el método explicado anteriormente, pero el apartado de detección de complejos QRS no se aplica, ya que las ondas negativas en las CVP pueden darse tanto en la onda Q como en la S y no interesa deshacerse de posibles anomalías.

La parte de la señal que realmente interesa para detectar CVP es la parte negativa (Ondas Q o S) ya que es donde se pueden encontrar con más facilidad este tipo de arritmias.

Una vez se tienen todas las ondas Q o S en un vector se realiza la media (MediaCVP) y la desviación estándar (DesviacionCVP) de estas amplitudes. Es necesario tener un umbral a partir del cual el programa detecte que es una CVP, ese umbral (umbralCVP) comenzará a partir de MediaCVP DesviacionCVP.

Es entonces donde el usuario deberá elegir un porcentaje (0% - 100%), el cual hará más flexible o restrictivo el algoritmo. El 0% corresponde al valor del umbralCVP, es decir, detectará como posible CVP todos los valores que estén por debajo de este umbral, y el 100% corresponde al mínimo de la señal, es decir, detectará como CVP únicamente el valor mínimo de la señal. En la Figura 42 se puede apreciar el método utilizado.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

ANÁLISIS DE CARACTERÍSTICAS Trabajo final de grado Fig 42: Detección contracción ventricular prematura El

Fig 42: Detección contracción ventricular prematura

El utilizar este método es porque de entre todos los puestos en práctica es el que mejores resultados ha conseguido pero tiene un problema y es que siempre detectará como mínimo un CVP, ya que como se ha explicado toma como 100% el mínimo de la señal.

A esta condición de compromiso se llegó conscientemente, ya que es mejor detectar anomalías de más que de menos. Este programa será utilizado por un médico el cual una vez detectadas estas anomalías tendrá que corroborar que estas de verdad existen. Las CVP no son necesariamente peligrosas y no es tan importante el número de veces exacto que

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

ocurren sino más bien su presencia, por lo tanto pueden tener un margen de error, lo cual no cambiaría nada en el diagnóstico del paciente.

Detección de Contracciones Auriculares Prematuras (APCs)

Características y formas de onda

Como se ha explicado en el apartado de Arritmias, las contracciones auriculares prematuras (APCs) también conocidas como extrasístoles auriculares tienen una serie de características.

auriculares tienen una serie de características. Fig 43: Contracción Auricular Prematura Al analizar las

Fig 43: Contracción Auricular Prematura

Al analizar las señales que contenían este tipo de anomalías, se observaron ciertas características en las formas de onda de la señal que algunas de ellas tenían en común. A continuación se exponen todas y cada una de ellas:

El complejo QRS se adelanta.

Existe una pausa compensatoria después del complejo QRS hasta el siguiente.

Las ondas Q o S no son diferentes al resto de pulsos.

Una vez analizadas se probaron diversos métodos de detección, pero no todas las

y no todos los métodos eran válidos y daban

señales tienen las mismas formas de onda

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

resultados óptimos. de arritmia.

Detección

Trabajo final de grado

A continuación se explica el método utilizado para detectar este tipo

Para realizar este proceso, se detectan las ondas Q, las ondas R y los complejos QRS con los métodos explicados anteriormente. Después de esta operación, se dispone de una señal con valores negativos y positivos centrados en los complejos QRS (Ondas R y Ondas Q o S).

La parte de la señal que realmente interesa para detectar APC es la parte positiva (Ondas R) ya que es donde se pueden encontrar con más facilidad este tipo de anomalías.

Mientras que para detectar las CVP la variable importante es la amplitud de la señal, para detectar las APC es el tiempo entre pulsos (periodo). Por lo tanto es necesario eliminar la parte negativa de la señal QRS, obteniendo así un vector de ceros con únicamente valores en las ondas R.

Es en este punto del algoritmo donde se debe cambiar de amplitud a distancia de tiempo entre pulsos. Esto se realiza creando un vector con las diferencias de tiempo (periodos) entre las ondas R, es decir, al realizar este proceso se obtendrá un vector con diferencias de tiempo entre pulsos (difR).

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

ANÁLISIS DE CARACTERÍSTICAS Trabajo final de grado Fig 44: Diferencias entre pulsos (difR) A continuación con

Fig 44: Diferencias entre pulsos (difR)

A continuación con esos valores se realiza la mediana (mediadifR) y la desviación estándar (desdifR) para así obtener el periodo normal entre ondas y decidir a partir de qué valor puede considerarse una anomalía.

Se recuerda que este tipo de arritmias pueden no ser aisladas, por lo que pueden surgir varios pulsos adelantados seguidos de una pausa compensatoria.

Se disponía de dos opciones:

Localizar las diferencias mayores de normal (pausas compensatorias) y a partir de ese momento determinar si ocurre o no esta anomalía en función de si el pulso anterior es menor de lo normal.

Localizar las diferencias menores de lo normal y a partir de ese momento determinar si ocurre o no esta anomalía en función de si el pulso anterior es menor de lo normal o el pulso posterior mayor que el umbral definido (pausa compensatoria).

Después de realizar varias pruebas se determinó que la primera opción era más acertada puesto que los resultados eran más apropiados y se eliminan falsas detecciones

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

debidas al ruido que normalmente tiene intervalos de duración cortos y pueden interpretarse como diferencias menores de lo normal.

Por lo tanto, primero se localizan las pausas compensatorias con el siguiente umbral (mediadifR + (0.75*desdifR)) y si el pulso anterior tiene un periodo menor que (mediadifR (0.75*desdifR)), entonces se puede detectar como una APC. El hecho de que desdifR esté multiplicado por un factor (0.75) simplemente es un ajuste que se realizó para mejorar los resultados.

Después de realizar este proceso se comprobó que los resultados no eran convenientes y el problema era que algunas CVP cumplen esas mismas características, por lo que el programa las detectaba como APC, lo que se hizo fue comprobar que en esas anomalías no ocurriera un CVP. El método fue crear una ventana centrada en la posible APC de tamaño:

fue crear una ventana centrada en la posible APC de tamaño: Fig 45: Ventana para eliminar

Fig 45: Ventana para eliminar falsas detecciones

Este valor fue decidido después de realizar una serie de pruebas. Se buscaba un valor que comprobara la señal en ambas direcciones pero que no interfiriera con otro complejo QRS, y este número de muestras es el adecuado que corresponde al siguiente periodo en segundos:

(

)

(

)

(

)

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

Por este motivo es importante localizar las ondas Q o S para esta detección, porque aunque a priori parece que no es necesario, en la etapa final del algoritmo se necesitan esos valores.

El algoritmo en general consigue los resultados esperados, e igual que ocurre con las CVP no es tan importante el hecho del número de APC sino más bien el que aparezcan. Es una arritmia benigna que puede ser difícil de detectar en un primer momento pero que mediante esta serie de técnicas pueden detectarse sin ningún problema.

Detección de Taquicardia

Características y formas de onda

Como se ha explicado en el apartado de Arritmias, las taquicardias tienen una serie de características.

las taquicardias tienen una serie de características. Fig 46: Taquicardias Al analizar las señales que contenían

Fig 46: Taquicardias

Al analizar las señales que contenían este tipo de anomalías, se observaron ciertas características en las formas de onda de la señal que algunas de ellas tenían en común. A continuación se exponen todas y cada una de ellas:

El complejo QRS se adelanta.

Siempre van seguidas de otros complejos QRS adelantados. Para que se considere taquicardia al menos uno más.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

La frecuencia cardiaca a partir de la cual se determina va en función del sexo y la edad.

Las ondas Q o S son iguales que en el resto de complejos QRS.

La onda R tiene una amplitud igual al resto de ondas R.

Una vez analizadas se probaron diversos métodos de detección, pero no todas las

y no todos los métodos eran válidos y daban

A continuación se explica el método utilizado para detectar este tipo

señales tienen las mismas formas de onda

resultados óptimos. de arritmia.

Detección

Para realizar este proceso, se detectan las ondas Q, las ondas R y los complejos QRS con los métodos explicados anteriormente. Después de este proceso, se dispone de una señal con valores negativos y positivos centrados en los complejos QRS (Ondas R y Ondas Q o S).

La parte de la señal que realmente interesa para detectar taquicardias es la parte positiva (Ondas R).

Como en el caso de las APC, la variable importante es el tiempo entre pulsos (periodo). Por lo tanto es necesario eliminar la parte negativa de la señal QRS, obteniendo así un vector de ceros con únicamente valores en las ondas R.

Es en este momento donde se debe cambiar de amplitud a distancia de tiempo entre pulsos. Esto se realiza de la misma forma que en las APC, creando un vector con las diferencias entre las ondas R (periodos), es decir, al realizar este proceso se obtendrá un vector con diferencias de tiempo entre pulsos (difR).

Después de este proceso se necesita un umbral a partir del cual el programa pueda determinar que cualquier diferencia entre pulso menor de ese umbral puede ser una posible taquicardia.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

Este umbral viene determinado por la edad y el sexo del paciente y está basado en la Tabla 2, situada en el apartado ‘MARCO TEÓRICO – Electrocardiograma (ECG) Arritmias Taquicardias.

La Tabla 2 proporciona las pulsaciones por minuto (ppm) a partir de las cuales se puede deducir que el paciente padece un intervalo de taquicardias.

Una vez se tiene ese valor (pulsaciones), es necesario pasarlo a muestras para ver a partir de que intervalo puede ser o no considerado taquicardia.

(

)

()

; Donde fs = 360 muestras/s.

(

)

El algoritmo comprueba si las diferencias entre pulsos son menores que ese umbral y si además los siguientes pulsos también lo son. Si esto ocurre, el programa detecta la anomalía y marca esa posición como posible taquicardia

Después de realizar este proceso se comprobó que los resultados no eran convenientes y el problema era que algunas CVP cumplen esas mismas características, por lo que el programa las detectaba como taquicardias, lo que se hizo fue comprobar que en esos intervalos no ocurriera un CVP. El método fue crear una ventana centrada en la posible taquicardia al igual que para detectar APC, con el mismo método y los mismos valores (Fig 46).

Por este motivo es importante localizar las ondas Q o S para esta detección, porque aunque a priori parece que no es necesario, en la etapa final del algoritmo se necesitan esos valores.

El algoritmo automático en general consigue los resultados esperados y es muy eficiente pero para un mejor ajuste, el usuario tiene la posibilidad de cambiar las pulsaciones por minuto (ppm). Este procedimiento también es útil si se buscan unas

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

taquicardias específicas como pueden ser las taquicardias SV que tienen una frecuencia cardiaca mayor de lo normal.

Detección de Bradicardias

Características y formas de onda

Como se ha explicado en el apartado de Arritmias, las bradicardias tienen una serie de características.

las bradicardias tienen una serie de características. Fig 47: Bradicardias Al analizar las señales que contenían

Fig 47: Bradicardias

Al analizar las señales que contenían este tipo de anomalías, se observaron ciertas características en las formas de onda de la señal que algunas de ellas tenían en común. A continuación se exponen todas y cada una de ellas:

El complejo QRS se retrasa.

Siempre van seguidas de otros complejos QRS retrasados. Para que se considere bradicardia al menos uno más.

La frecuencia cardiaca máxima a partir de la cual se determina es 50 ppm.

Las ondas Q o S son iguales que en el resto de complejos QRS.

La onda R tiene una amplitud igual al resto de ondas R.

Una vez analizadas se probaron diversos métodos de detección, pero no todas las

y no todos los métodos eran válidos y daban

señales tienen las mismas formas de onda

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

resultados óptimos. de arritmia.

Detección

Trabajo final de grado

A continuación se explica el método utilizado para detectar este tipo

Para realizar este proceso, se detectan las ondas Q, las ondas R y los complejos QRS con los métodos explicados anteriormente. Después de este proceso, se dispone de una señal con valores negativos y positivos centrados en los complejos QRS (Ondas R y Ondas Q o S).

La parte de la señal que realmente interesa para detectar bradicardias es la parte positiva (Ondas R) ya que es donde se pueden encontrar este tipo de anomalías.

Como en el caso de las taquicardias y las APC, la variable importante es el tiempo entre pulsos (periodo). Por lo tanto es necesario eliminar la parte negativa de la señal QRS, obteniendo así un vector de ceros con únicamente valores en las ondas R.

Es en este momento donde se debe cambiar de amplitud a distancia de tiempo entre pulsos. Esto se realiza creando un vector con las diferencias entre las ondas R, es decir, al realizar este proceso se obtendrá un vector con diferencias de tiempo entre pulsos (difR).

Después de este proceso se necesita un umbral a partir del cual el programa pueda determinar que cualquier diferencia entre pulso mayor de ese umbral puede ser una posible bradicardia.

Ese umbral es 50 ppm que se pasa a muestras de la misma forma que con el método de detección de taquicardias.

El algoritmo comprueba si las diferencias entre pulsos son mayores que ese umbral y si además los siguientes pulsos son mayores también. Si esto ocurre, el programa detecta la anomalía y marca esa posición como posible bradicardia.

Después de realizar este proceso se comprobó que los resultados no eran convenientes y el problema era que algunas CVP cumplen esas mismas características, por

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

lo que el programa las detectaba como bradicardias, lo que se hizo fue comprobar que en esas anomalías no ocurriera un CVP. El método fue crear una ventana centrada en la posible bradicardia al igual que para detectar APC y taquicardias, con el mismo método y los mismos valores (Fig 46).

Por este motivo es importante localizar las ondas Q o S para esta detección, porque aunque a priori parece que no es necesario, en la etapa final del algoritmo se necesitan esos valores.

El algoritmo automático en general consigue los resultados esperados y es muy eficiente.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

4. RESULTADOS

Trabajo final de grado

4.1 Interfaz gráfica del programa

Para la elaboración del programa se ha empleado Matlab (Matrix Laboratory) versión R 2011 a. Este programa se ha utilizado a lo largo de la titulación en diferentes asignaturas (Tratamiento digital de Señal, Sistema y Señales, Transductores Acústicos, Tratamiento digital de imágenes, Tratamiento digital de audio) para el estudio y procesado de señal. Matlab es un sistema interactivo, originalmente escrito en Fortran por Cleve Moler de la Universidad de Nuevo México, USA, que sirve para la resolución de cálculos numéricos en aplicaciones científicas y de ingeniería.

Matlab permite realizar interfaces gráficos de manera sencilla usando una herramienta llamada GUIDE. Una interfaz es una de las partes más importantes de cualquier programa puesto que determina qué tan factible y preciso será el desempeño del programa ante los comandos que el usuario pretenda ejecutar. Es por ello que se ha diseñado con el fin de hacer su uso atractivo para el usuario. En la Figura 48 se puede observar la interfaz de este programa y el en ANEXO C se encuentra un manual de usuario con información más detallada.

C se encuentra un manual de usuario con información más detallada. Fig 48: Interfaz gráfica detección

Fig 48: Interfaz gráfica detección de arritmias

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

4.2 Adquisición de datos

Para comprobar la efectividad de los algoritmos de este proyecto, se han realizado pruebas con las señales ECG de la base de datos http://www.physionet.org. Se han utilizado los conjuntos de registros de arritmias.

Se disponen de 48 señales de aproximadamente 30 minutos cada una, pero realmente son 47 pacientes, ya que uno de ellos se estudia en dos grabaciones. De los 47 pacientes, 23 fueron elegidos aleatoriamente de un hospital y los 24 restantes fueron elegidos de forma consciente ya que presentaban arritmias poco comunes y más difíciles de encontrar de forma aleatoria. Además, 25 de los pacientes fueron hombres con edades entre 32 y 89 años y 22 mujeres con edades entre 23 y 89 años.

Las señales fueron digitalizadas a 360 muestras por segundo por canal con una resolución de 11 bits en un rango de 10 mV.

En la mayoría de los registros, la señal superior tiene una derivación MLII y la inferior una derivación precordial V1 (de vez en cuando V2 o V5, y en un caso V4). En la señal superior los complejos QRS son más llamativos (por eso se utiliza esta derivación para detectarlos). En la base de datos se puede acceder a los datos de interés del paciente así como al número de anomalías y puntos de interés para comprobar el correcto funcionamiento del programa (ANEXO A Tabla 4).

A continuación se exponen algunos casos llamativos o datos a tener en cuenta:

En la grabación 114 se han invertido las señales (esto ocurre de vez en cuando en la práctica clínica), es decir la señal inferior es con derivación MLII y la superior con V5.

En las grabaciones 102 y 104 no fue posible utilizar derivación MLII porque los pacientes llevaban vendajes en esa zona y se utilizaron derivación precordial V5 en la señal superior, por ello estas dos señales no son aptas para la detección de arritmias en este programa.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

Para que el programa funcione características:

la

señal.mattiene que tener una serie de

Una matriz con las dos señales (primera derivación y segunda derivación) de tamaño [longitud de la señal, 2] y de nombre ‘M’.

Un vector de nombre ‘b’ donde quede reflejada la derivación de cada señal, es decir, dos valores. En la Tabla 3 se especifica el número que va asignado a cada una de ellas:

Tabla 3: Numeración para diferentes derivaciones

Derivación

Número Asignado

MLII

1

V1

2

V2

3

V4

4

V5

5

Una variable denominada ‘edad’ con la edad del paciente.

Una variable llamada ‘sexo’ con el sexo del paciente: ‘masculino’ o ‘femenino.

4.3 Pruebas

En este apartado se van a mostrar los resultados obtenidos en relación a la fiabilidad del algoritmo completo.

A modo de prueba de funcionamiento del algoritmo de preprocesado, la Figura 49 muestra el resultado de las 5 wavelets disponibles con el nivel 8 (el correspondiente para la frecuencia de muestreo de las señales analizadas), en la cual se puede observar que el algoritmo funciona correctamente y es eficiente con todas ellas.

En la Figura 50 se puede mostrar el funcionamiento del algoritmo ‘Denoise’, siempre y cuando el intervalo de ruido escogido sea adecuado, ya que se recuerda que es elegido manualmente por el usuario del programa.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

ANÁLISIS DE CARACTERÍSTICAS Trabajo final de grado Fig 49: a)Señal Original b) preprocesado con db4 c)

Fig 49: a)Señal Original b) preprocesado con db4 c) con db5 d) con sym4 e) con bior 1.3 f) con bior 6.8

db4 c) con db5 d) con sym4 e) con bior 1.3 f) con bior 6.8 Fig

Fig 50: a) Señal original b) con preprocesado db4 y función 'Denoise'

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

Detección de Complejos QRS

Casos válidos

En este apartado se presentan algunos ejemplos que manifiestan el correcto funcionamiento del algoritmo. Los resultados de la detección de complejos QRS para todas las señales se encuentra en el ANEXO A: Tablas Tabla 3.

El siguiente ejemplo (señal 101.mat) corresponde a una paciente de 75 años. Según la base de datos el electrocardiograma, de aproximadamente 30 minutos de duración, tiene 1865 pulsos o lo que es lo mismo, complejos QRS. El algoritmo presentado en este proyecto es capaz de detectar 1859, lo que corresponde a una tasa de acierto de 99.67%. La diferencia es mínima y se puede interpretar como un buen resultado.

En muchos ejemplos la tasa de acierto no es del 100% debido a pequeños intervalos de ruido que intoxican la señal, como se explicó en el apartado ‘MARCO TEÓRICO’, pero esos errores no pueden recuperarse, es decir, no puede culparse al algoritmo por ello.

En la Figura 51 se muestra un intervalo de la señal en el cual el algoritmo detecta a la perfección las ondas R.

el cual el algoritmo detecta a la perfección las ondas R. Fig 51: Detección QRS; señal

Fig 51: Detección QRS; señal 101.mat; preprocesado con db5 y 'Denoise'

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

En el siguiente ejemplo se puede observar la señal electrocardiográfica de una paciente de 72 años. Según la base de datos hay 1879 complejos QRS y el programa los detecta todos, es decir, tiene una tasa de acierto del 100%.

detecta todos, es decir, tiene una tasa de acierto del 100%. Fig 52: Detección QRS; señal

Fig 52: Detección QRS; señal 114.mat; preprocesado con db5 y 'Denoise'

Casos fallidos

Existen señales electrocardiográficas en las cuales las ondas T tienen una amplitud muy alta, que incluso puede llegar a superar algunas ondas R. Estos casos se suelen dar cuando el paciente tiene incorporado un marcapasos que amplifica su señal del corazón. En la Figura 53 se puede mostrar este suceso, que por supuesto no es bueno para el correcto funcionamiento del algoritmo. En el apartado de ‘METODOLOGÍA’ se explicó este caso aislado y se llegó a la condición de compromiso necesaria para que el algoritmo fuera automático a pesar de este tipo de errores.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

ANÁLISIS DE CARACTERÍSTICAS Trabajo final de grado Fig 53: Detección QRS fallida; señal 107.mat; preprocesado

Fig 53: Detección QRS fallida; señal 107.mat; preprocesado con db4 y 'Denoise'

En este ejemplo el programa detecta más complejos QRS de lo normal y al utilizar el método para eliminar el ruido, las ondas T con tanta amplitud son interpretadas como ondas R.

Es necesario ajustar más este algoritmo para que estos problemas en las señales no influyan en los resultados finales, aunque también cabe destacar que son problemas aislados, al igual que las señales con ruido que pueden eliminar información e influir en el procesado de las señales ECG.

Resultados

Este algoritmo ha resultado útil en un 75% de las señales. El resto no eran

favorables por motivos de la señal y dos de ellas no eran útiles por no tener derivación

MLII.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

De las señales válidas para este algoritmo (36 de 48 señales) se han detectado un 96.89% 34 de los complejos QRS. Se pueden observar con más detalle estos resultados en el ANEXO A: Tablas Tabla 3.

Detección de Contracciones Ventriculares Prematuras (CVPs o CVPs)

Casos válidos

A continuación se exponen algunos ejemplos significativos en los cuales se puede apreciar el funcionamiento del algoritmo, no obstante los resultados globales se encuentran en el ANEXO A: Tablas Tabla 4.

El siguiente ejemplo (señal 100.mat) corresponde a un paciente de 69 años. Según la base de datos el electrocardiograma, de aproximadamente 30 minutos de duración, tiene 1 CVP. El algoritmo presentado en este proyecto es capaz de detectarlo, lo que corresponde a una tasa de acierto del 100%.

En muchos ejemplos la tasa de acierto no es del 100% debido a que el algoritmo automático tiene un factor del 50%, como se explicó en el apartado ‘METODOLOGÍA’. Estos resultados pueden afinarse por el usuario modificando este factor y en la mayoría de las señales si se ajustan de manera adecuada pueden detectar el 100% de los CVP.

En la Figura 54 puede apreciarse el ejemplo descrito, en el cual se detecta el único CVP que tiene la señal, y corrobora que el algoritmo funciona perfectamente en este tipo de señales:

34 Estos resultados pueden variar, ya que para realizar este proceso es necesario utilizar la función Denoise, la cual, necesita un intervalo de ruido escogido por el usuario. Si este proceso no se realiza correctamente, los resultados pueden no ser tan favorables.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

ANÁLISIS DE CARACTERÍSTICAS Trabajo final de grado Fig 54: Detección CVP; señal 100.mat; preprocesado con db4

Fig 54: Detección CVP; señal 100.mat; preprocesado con db4 y 'Denoise'; umbral al 50%

A continuación se puede observar otro ejemplo, un paciente de 77 años. Esta señal no tiene resultados tan óptimos con un umbral del 50%, pero ajustando ese valor se pueden conseguir un mejor rendimiento como se podrá observar a continuación.

Según la base de datos, este paciente presenta 52 CVPs en los 30 minutos aproximados de señal. El algoritmo con un umbral del 50% detecta 32 de estos, un 61.53% del total (Figura 55: a y b), mientras que con un umbral del 1% detecta los 52 CVPs que existen, es decir, un 100% del total (Figura 55: c y d).

Con estos resultados, el algoritmo demuestra su eficacia, y a pesar de no ser totalmente automático, al realizar un zoom sobre la zona donde se detectan anomalías, un médico experimentado en el área puede detectarlas perfectamente y corroborar los resultados del algoritmo.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

ANÁLISIS DE CARACTERÍSTICAS Trabajo final de grado Fig 55: Detección CVP; señal 124.mat; a) Señal completa

Fig 55: Detección CVP; señal 124.mat; a) Señal completa con umbral 50%; b) Intervalo con umbral 50%; c) Señal completa con umbral 1%; d) Intervalo con umbral 1%

A continuación se expone otro ejemplo parecido al anterior:

Según la base de datos, este paciente (señal 210.mat) de 89 años, presenta 204 CVPs en los 30 minutos aproximados de señal. El algoritmo con un umbral del 50% detecta 38 de estos, un 18.62% del total (Figura 56: a y b), mientras que con un umbral del 10% detecta 190 CVPs, es decir, un 93.13% del total (Figura 56: c y d).

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

ANÁLISIS DE CARACTERÍSTICAS Trabajo final de grado Fig 56: Detección CVP; señal 210.mat; a) Señal completa

Fig 56: Detección CVP; señal 210.mat; a) Señal completa con umbral 50%; b) Intervalo con umbral 50%; c) Señal completa con umbral 10%; d) Intervalo con umbral 10%

También hay señales en las cuales el algoritmo detecta más PCVs de los que según la base de datos existen. Después de estudiar la forma de onda de estas anomalías se pueden interpretar como CVPs, por lo que en este proyecto se denominan posibles CVPs y no se contabilizan como errores, en el siguiente ejemplo se puede apreciar este hecho.

Según la base de datos, esta paciente (señal 111.mat) de 47 años, presenta 1 CVP en los 30 minutos aproximados de señal. El algoritmo con un umbral del 50% detecta 3, es decir, un 300% del total (Figura 57), ya que estos pueden ser interpretados como tal.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

ANÁLISIS DE CARACTERÍSTICAS Trabajo final de grado Fig 57: Detección posibles CVPs; señal 211.mat;

Fig 57: Detección posibles CVPs; señal 211.mat; preprocesado con bior 1.3 y 'Denoise'

Casos fallidos

Existen casos en los cuales el algoritmo no es válido, como se explicó en el apartado de ‘METODOLOGÍA’. Este método no es válido cuando la señal no tiene CVPs, ya que interpreta como mínimo el mínimo de la señal y a partir de ahí el algorit mo deja de ser válido. A continuación se presenta un ejemplo en el cual según la base de datos no tiene ningún CVP sin embargo el programa detecta 70. A pesar de que es un grave error no deja de ser obvio a la vista, por lo que si un médico o especialista comprueba los resultados de este programa podría desecharlos.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

ANÁLISIS DE CARACTERÍSTICAS Trabajo final de grado Fig 58: Detección CVP fallida; señal 103.mat; preprocesado

Fig 58: Detección CVP fallida; señal 103.mat; preprocesado con sym4 y 'Denoise'

También se debe tener en cuenta que estos resultados son con el programa automatizado (umbral al 50%) si el umbral se ajusta al 100% únicamente marcará como CVP el mínimo de la señal.

Resultados

Este algoritmo ha resultado útil en un 72.92% de las señales. El resto no eran

favorables por motivos de la señal y dos de ellas no eran útiles por no tener derivación

MLII.

Cabe recordar que el número de detecciones totales se observan en el archivo.txt que el programa devuelve como respuesta.

De las señales válidas para este algoritmo (35 de 48 señales) se han detectado un 42.25% 35 de las contracciones ventriculares prematuras (CVPs) con un factor del 50%, pero como se ha podido observar el algoritmo puede ser más efectivo ajustando este umbral. Se pueden observar con más detalle estos resultados en el ANEXO A: Tablas Tabla 4.

35 Estos resultados pueden variar, ya que para realizar este proceso es necesario utilizar la función Denoise, la cual, necesita un intervalo de ruido escogido por el usuario. Si este proceso no se realiza correctamente, los resultados pueden no ser tan favorables.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

Detección de Contracciones Auriculares Prematuras (APCs)

Casos válidos

A continuación se exponen algunos ejemplos significativos en los cuales se puede apreciar el funcionamiento del algoritmo, no obstante los resultados globales se encuentran en el ANEXO A: Tablas Tabla 5.

El siguiente ejemplo (señal 100.mat) corresponde a un paciente de 69 años. Según la base de datos el electrocardiograma, de aproximadamente 30 minutos de duración, tiene 33 APCs. El algoritmo presentado en este proyecto es capaz de detectar 32, lo que corresponde a un 96.96% del total.

En la Figura 59 puede apreciarse el ejemplo descrito, en el cual se detectan 32 APCs de la señal, y corrobora que el algoritmo funciona perfectamente en este tipo de señales:

algoritmo funciona perfectamente en este tipo de señales: Fig 59: Detección APCs; señal 100.mat; preprocesado con

Fig 59: Detección APCs; señal 100.mat; preprocesado con db4 y ‘Denoise.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

A continuación se puede observar otro ejemplo, una paciente de 51 años. Según la base de datos, esta paciente no presenta ningún APC en los 30 minutos aproximados de señal. El programa no detecta ningún, por lo que su tasa de acierto es del 100%.

detecta ningún, por lo que su tasa de acierto es del 100%. Fig 60 : Detección

Fig 60: Detección APCs; señal 119.mat; preprocesado con db5 y ‘Denoise’.

Al igual que con los CVPs, también hay señales en las cuales el algoritmo detecta más APCs de los que según la base de datos existen. Después de estudiar la forma de onda de estas anomalías y los periodos de tiempo entre complejos QRS se pueden interpretar como APCs, por lo que en este proyecto se denominan posibles APCs y no se contabilizan como errores.

Este hecho es a causa de que estas anomalías son difíciles de detectar a simple vista. Quizás algunas de ellas son muy evidentes porque tienen el complejo QRS muy adelantado y una pausa compensatoria larga a simple vista, pero algunas otras no. Este programa tiene una gran eficacia y dado que es automático y procesa las señales de forma minuciosa puede determinar cuándo un periodo es menor o mayor de la media.

El siguiente ejemplo, según la base de datos es una paciente (señal 115.mat) de 39 años, en principio no presenta APCs en los 30 minutos aproximados de señal. Sin embargo, este algoritmo detecta 8 (Figura 61), ya que estos pueden ser interpretados como tal.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

ANÁLISIS DE CARACTERÍSTICAS Trabajo final de grado Fig 61 : Detección APCs; señal 115.mat; preprocesado con

Fig 61: Detección APCs; señal 115.mat; preprocesado con sym4 y ‘Denoise

Casos fallidos

Hay casos en los que los complejos QRS en un mismo electrocardiograma son de amplitud muy cambiantes. Esto puede entorpecer el funcionamiento del algoritmo sobre todo en el proceso de detectar complejos QRS, lo cual influye en la detección de APCs.

La siguiente señal pertenece a una paciente de 87 años. Según la base de datos padece 15 APCs a lo largo de la señal de aproximadamente 30 minutos. El algoritmo no detecta ninguno de ellos por el motivo explicado.

En la Figura 62 se puede apreciar como en los cuadrados de color verde existen zonas de muy baja amplitud con respecto al resto. El programa en ocasiones no lo interpreta como complejos QRS y entonces esto afecta al proceso de la detección de APCs.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

ANÁLISIS DE CARACTERÍSTICAS Trabajo final de grado Fig 62: Detección de APC fallida; señal 108.mat;

Fig 62: Detección de APC fallida; señal 108.mat; preprocesado con db5 y 'Denoise'

Como se ha explicado en el apartado de detecciones de complejos QRS fallidas, existen señales electrocardiográficas en las cuales las ondas T tienen una amplitud mucho mayor de lo normal, incluso algunas pueden llegar a superar a las ondas R. Estos casos se suelen dar cuando el paciente tiene incorporado un marcapasos que amplifica su señal del corazón. En la Figura 53 se puede mostrar este hecho, que por supuesto no es bueno para el correcto funcionamiento del programa. En el apartado de ‘METODOLOGÍA’ se explicó este caso aislado y se llegó a la condición de compromiso necesaria para que el algoritmo fuera automático a pesar de este tipo de errores.

Al no localizar perfectamente los complejos QRS, no puede detectar las contracciones auriculares prematuras (APCs) en las señales. Esto es debido a que no puede analizar bien las distancias entre pulsos (periodo). La media y la desviación estándar calculada en el proceso no es real y esto afecta a los resultados finales.

El siguiente ejemplo está contaminado con este suceso. La señal electrocardiográfica (113.mat) pertenece a una paciente de 24 años. Según la base de datos padece 6 APCs, mientras que el algoritmo desarrollado en este proyecto detecta 83, todas ellas falsas. La Figura 63 lo refleja claramente:

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

ANÁLISIS DE CARACTERÍSTICAS Trabajo final de grado Fig 63: Detección de APC fallida; señal 113.mat;

Fig 63: Detección de APC fallida; señal 113.mat; preprocesado con db4 y 'Denoise'

Como se puede apreciar en la Figura 63, el programa detecta como ondas R las ondas T y al compararlas con las ondas R anteriores interpreta que existe un periodo muy corto y después uno muy largo, característica principal de este tipo de anomalías.

Resultados

Este algoritmo ha resultado útil en un 68.75% de las señales. El resto no eran favorables por motivos de la señal y dos de ellas no eran útiles por no tener señal MLII.

Cabe recordar que el número de detecciones totales se observan en el archivo.txt que el programa devuelve como respuesta.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

De las señales válidas para este algoritmo (33 de 48 señales) se han detectado más de un 100% 36 de las contracciones auriculares prematuras (APCs). Se pueden observar con más detalle estos resultados en el ANEXO A: Tablas Tabla 5.

Detección de Taquicardias

Casos válidos

A continuación se exponen algunos ejemplos significativos en los cuales se puede apreciar el funcionamiento del algoritmo, no obstante los resultados globales se encuentran en el ANEXO A: Tablas Tabla 6.

Es necesario recordar que este algoritmo puede ajustarse en función de las necesidades del usuario. Estas pruebas se realizan con el programa automatizado, es decir, el umbral a partir del cual se considera que puede caracterizarse como taquicardias se calcula en función de la edad y el sexo del paciente (Tabla 1).

El siguiente ejemplo (señal 114.mat) corresponde a un paciente de 72 años. Según la base de datos el electrocardiograma, de aproximadamente 30 minutos de duración, tiene 1 intervalo de taquicardias. El algoritmo presentado en este proyecto es capaz de detectarlo, es decir, logra una tasa de acierto del 100%.

36 Estos resultados pueden variar, ya que para realizar este proceso es necesario utilizar la función Denoise, la cual, necesita un intervalo de ruido escogido por el usuario. Si este proceso no se realiza correctamente, los resultados pueden no ser tan favorables.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

ANÁLISIS DE CARACTERÍSTICAS Trabajo final de grado Fig 64: Detección de taquicardias; señal 114.mat;

Fig 64: Detección de taquicardias; señal 114.mat; preprocesado con db5 y 'Denoise'

En la Figura 64 puede apreciarse el ejemplo descrito, en el cual se detecta el intervalo de taquicardias y se corrobora que el algoritmo funciona perfectamente en este tipo de señales. El umbral a partir del cual se consideran taquicardias para este paciente es 108 ppm.

A continuación se puede observar otro ejemplo, una paciente de 39 años. Según la base de datos, esta paciente no presenta ningún intervalo de taquicardias en los 30 minutos aproximados de señal. El programa no detecta ninguno, por lo que su tasa de acierto es del 100%. El umbral a partir del cual se consideran taquicardias para esta paciente es 98 ppm.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

ANÁLISIS DE CARACTERÍSTICAS Trabajo final de grado Fig 65: Detección de taquicardias; señal 115.mat;

Fig 65: Detección de taquicardias; señal 115.mat; preprocesado con sym4 y 'Denoise'

Por último están los casos en los cuales detecta casi el 100% de los intervalos como puede ser el siguiente. Un paciente de 68 años. De acuerdo con la base de datos, presenta 110 intervalos de taquicardias en los 30 minutos aproximados de señal. El algoritmo consigue detectar 104, es decir un 94.54% del total. El umbral a partir del cual se consideran taquicardias para este paciente es 94 ppm.

La Figura 66 muestra este tipo caso:

paciente es 94 ppm. La Figura 66 muestra este tipo caso: Fig 66: Detección de taquicardias;

Fig 66: Detección de taquicardias; señal 201.mat; preprocesado con sym4 y 'Denoise'

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Casos fallidos

Trabajo final de grado

Existen casos en los cuales las señales están muy contaminadas de ruido y no pueden ser analizadas correctamente, esto conlleva que el programa detecte anomalías donde no las hay. En el ejemplo siguiente se puede observar como el ruido es tal, que pierde información, es decir en esos instantes se pueden interpretar detecciones fallidas.

esos instantes se pueden interpretar detecciones fallidas. Fig 67: Detección fallida taquicardias; señal 105.mat;

Fig 67: Detección fallida taquicardias; señal 105.mat; preprocesado con bior 1.3 y 'Denoise'

Resultados

Este algoritmo ha resultado útil en un 72.92% de las señales. El resto no eran favorables por motivos de la señal, dos de ellas no eran útiles por no tener señal MLII y otras dos por no disponer de la edad del paciente.

Cabe recordar que el número de detecciones totales se observa en el archivo.txt que el programa devuelve como respuesta.

De las señales válidas para este algoritmo (35 de 48 señales) se han detectado un 96.33% 37 de los intervalos de taquicardias. Se pueden observar con más detalle estos resultados en el ANEXO A: Tablas Tabla 6.

37 Estos resultados pueden variar, ya que para realizar este proceso es necesario utilizar la función Denoise, la cual, necesita un intervalo de ruido escogido por el usuario. Si este proceso no se realiza correctamente, los resultados pueden no ser tan favorables.

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Detección de Bradicardias

Casos válidos

Trabajo final de grado

A continuación se exponen algunos ejemplos significativos en los cuales se puede apreciar el funcionamiento del algoritmo, no obstante los resultados globales se encuentran en el ANEXO A: Tablas Tabla 7.

El siguiente ejemplo (señal 219.mat) corresponde a un paciente del que no se dispone la edad. Según la base de datos el electrocardiograma, de aproximadamente 30 minutos de duración, tiene 17 intervalos de bradicardia. El algoritmo presentado en este proyecto los detecta todos, es decir, logra una tasa de acierto del 100%.

En la Figura 68 puede apreciarse el ejemplo descrito, en el cual se detecta un intervalo de bradicardia en la señal, y corrobora que el algoritmo funciona perfectamente en este tipo de señales:

algoritmo funciona perfectamente en este tipo de señales: Fig 68: Detección de bradicardias señal 219.mat;

Fig 68: Detección de bradicardias señal 219.mat; preprocesado con db4 y 'Denoise'

DETECCIÓN AUTOMÁTICA DE ARRITMIAS MEDIANTE ANÁLISIS DE CARACTERÍSTICAS

Trabajo final de grado

A continuación se puede observar otro ejemplo, un paciente de 57 años. Según la base de datos, este paciente no presenta ningún intervalo de bradicardias en los 30 minutos aproximados de señal. El programa no detecta ninguno, por lo que su tasa de acierto es del

100%.