Adquisición de señales

biológicas
Jesús María Rodríguez Presedo
Secretario de la Cátedra de Telemedicina
Grupo de Sistemas Inteligentes
Universidad de Santiago
http://www-gsi.dec.usc.es
suso@dec.usc.es
Índice
• Adquisición de señales
• Filtrado digital
• Procesado de la señal de ECG y otras señales
fisiológicas
• Análisis de variabilidad de la frecuencia cardiaca
• Técnicas de soft computing
• Monitorización inteligente de pacientes y
telemonitorización de pacientes
• Bibliografía
Objetivos

• Analizar los distintos tipos de señales

fisiológicas (exceptuando imágenes) de
carácter clínico que podemos
encontrarnos.
• Introducir los distintos métodos de
procesado, almacenamiento y gestión de
la información generada por dichas
señales.
Adquisición: primeros pasos
• Inspección visual y uso de aparatos simples como
el estetoscopio o el termómetro.
• Se inicia a principios de siglo.
Adquisición: primeros pasos

• A mediados de los años 50 y principios de

los 60 empiezan a aparecer unidades
especializadas.
– UCI entre 1947 y 1952 como servicios de
ventilación asistida.
– UCC en 1962 en Toronto, Kansas y Filadelfia.
• Surge la necesidad de monitorizar el
estado del paciente de forma automática.
Adquisición: primeros pasos

• Los primeros monitores de pacientes eran

analógicos.
• Múltiples problemas:
– Procesado excesivamente simple (tacómetros)
– Alarmas basadas en umbrales
– Difícil reconfiguración
– Electrónica demasiado compleja
Monitorización de pacientes
• Pipberger (Veterans Administration Hospital) fue
el primero en digitalizar la señal de ECG a
principios de los 60. Su equipo desarrolla los
primeros programas para el reconocimiento
automático de ondas.
• El equipo de Caceres (US Public Health Service)
realiza la clasificación de latidos y la transmisión
a través de líneas telefónicas del ECG y de los
resultados de su procesamiento.
Ejemplo de sistema de monitorización de los años 60
Monitorización de pacientes
• Problemas:
– Equipos demasiado caros y voluminosos
– Baja fiabilidad
• Solución: aparición del microprocesador en 1971
Monitorización de pacientes
• Seguimiento continuo del estado de un paciente
en base a la adquisición y procesado de un
conjunto de variables fisiológicas.
Monitorización de pacientes
• Tipos de variables fisiológicas
– Imágenes 2D y 3D
– Señales unidimensionales (ECG, EEG,
presiones, temperatura, …)
• Frecuencia de adquisición
– Periódica (fundamentalmente señales
unidimensionales con una elevada frecuencia
de muestreo)
– Aperiódica (imágenes y otras señales
adquiridas manualmente)
Monitorización de pacientes
• Solo las señales unidimensionales son
actualmente útiles para un seguimiento en
tiempo real del estado del paciente
• Razones:
– Limitaciones en la potencia de cálculo
– Excesivo coste
– No viable una adquisición continuada de imágenes
por tratarse en la mayoría de los casos de técnicas
invasivas
Monitorización de pacientes

• Nos centraremos en el procesado del ECG,

por ser la señal más conocida y, en
general, sobre la que se hace un
procesado más complejo.
• Hablaremos, en cualquier caso, de otras
señales fisiológicas.
Adquisición de señales
• Cualquier señal fisiológica será adquirida
mediante un sensor, dispositivo encargado de
realizar la transformación de la señal fisiológica
en una señal eléctrica.
• Normalmente dicha señal deberá ser
acondicionada. En esta fase se realiza una
amplificación analógica así como un filtrado
analógico para evitar el efecto de “aliasing”.
Adquisición de señales
El teorema del muestreo
• Bajo determinadas hipótesis una señal discreta
resultado de muestrear una señal continua no
pierde información en el proceso de muestreo.
Cuando esto ocurre, la señal continua puede
reconstruirse a partir de los valores numéricos
de la señal discreta. Esto es lo que se conoce
como el teorema de muestreo o teorema de
Shannon.
• Este teorema dice que una señal continua puede
ser reconstruida completamente a partir de sus
muestras si y solo si la frecuencia de muestreo
es mayor que dos veces el ancho de banda de la
señal.
El teorema del muestreo
• El aliasing es el fenómeno que se produce
cuando, en una conversión A/D la
frecuencia de muestreo es menor que dos
veces el ancho de banda de la señal.
Cuando esto ocurre, los componentes de
la señal por encima de la mitad de la
frecuencia de muestreo se superponen
con componentes de baja frecuencia
distorsionando la señal.
Potencia espectral de una señal de EEG (originalmente limitada en banda a
40 Hz). La presencia de ruido de 50 Hz (a) causa un error de aliasing en la
componente de 30 Hz si muestreamos la señal a 80 Hz (b).
Adquisición de señales

• El proceso de conversión se describe

básicamente por los siguientes
parámetros:
– Frecuencia de muestreo
– Precisión del conversor en número de bits
– Rango del conversor
Adquisición de señales
• Muchas de las señales que habitualmente se manejan
son de carácter bioeléctrico. Son el resultado de la
conductividad eléctrica que se produce en el cuerpo
debido al movimiento de iones. La adquisición de estas
señales implica transformar esas corrientes de iones en
corrientes eléctricas susceptibles de ser manejadas por
la instrumentación electrónica.
• Algunos ejemplos de señales bioeléctricas son el
electrocardiograma (ECG), electromiograma (EMG),
electroencefalograma (EEG), electrooculograma (EOG),
etc.
Adquisición de señales
• En el caso de la señal de ECG, el sensor es
simplemente un contacto eléctrico pues la señal
a medir es bioeléctrica.
• La señal obtenida es de muy baja amplitud (del
orden de los milivoltios) y debe ser amplificada a
valores susceptibles de ser manejados por un
conversor analógico/digital (voltios).
• La fase de amplificación analógica es crítica. El
amplificador es un amplificador de
instrumentación que introduce muy pocas
distorsiones a la señal original.
Adquisición de señales
• No todas las señales fisiológicas son de tipo
bioeléctrico, si bien son, quizás, las más
importantes. Una posible clasificación del tipo de
señales fisiológicas podría ser la siguiente:
– Señales bioeléctricas
– Señales de bioimpedancia
– Señales bioacústicas
– Señales biomagnéticas
– Señales biomecánicas
– Señales bioquímicas
– Señales bioópticas
Adquisición de señales
• La componente de más baja frecuencia del ECG
se corresponde con el RR más largo. Si
asumimos una frecuencia cardiaca mínima de 30
latidos/min. => 0,5 Hz.
• La AHA recomienda un ancho de banda entre
0,05 y 100 Hz. Eso implica, por el teorema de
Shannon que las frecuencias de adquisición
aceptables están por encima de 200 Hz.
Espectro de la señal de ECG
Filtrado digital de señales
• Una señal tiene un espectro de frecuencias típico
y su estudio puede realizarse tanto en el
dominio del tiempo como en el de la frecuencia.
• Normalmente una señal se encuentra
contaminada por ruido procedente de muy
diversas fuentes. El ruido funciona como una
señal adicional que se suma a la señal original.
Filtrado digital de señales
• Únicamente será posible
eliminar completamente
el ruido si su espectro no
se solapa con el espectro
de la señal en ningún
punto.
• En caso contrario será
posible reconstruir solo
parcialmente las
características de la señal
original.
Filtrado digital de señales
• Un filtro ideal pasa-
banda. Como el
ruido no solapa con
la señal se puede
eliminar
completamente con
un filtro, obteniendo
una señal limpia
completamente de
ruido.
Filtrado digital de señales
• Existen diversas aproximaciones al proceso de
filtrado digital de la señal
– Filtrado clásico: filtros de Butterworth, Chebyshev
tipos I y II, elípticos y Bessel. Todos ellos pueden ser
de tipo pasa alta, pasa baja, pasa banda o banda
eliminada.
– Filtros adaptativos, en donde el algoritmo de filtrado
cambia en función de las características de la señal.
– Otros métodos como el promediado de señal
Filtrado de la señal de ECG
• Generalmente se persigue eliminar los siguientes tipos
de ruido
– Deriva de la línea base (mediante filtros pasa-alta)
– Ruidos de alta frecuencia, generalmente debidos a movimientos
esqueléticos o a interferencias (mediante filtros pasa-baja)
– Interferencias de red (mediante filtros banda-eliminada entorno
a los 50/60 Hz.)
• Debe buscarse un compromiso entre conseguir una
buena eliminación del ruido sin eliminar la información
clínicamente significativa. El filtro o filtros utilizados
dependerán de la aplicación (monitorización Holter,
ambulatoria, test de esfuerzo, etc.)
Ejemplo de dos tipos diferentes de filtros pasa-baja aplicados sobre una señal de
ECG con ruido de tipo muscular (EMG).
Una señal de ECG contaminada por ruido de 50 Hz es filtrada por un filtro banda
eliminada centrado a esa frecuencia.
Efecto de un filtro derivativo pasa-alta sobre una señal de ECG
Promediado
• El filtrado tradicional funciona bien cuando la señal y el
ruido no solapan en el espectro de potencia. Cuando se
produce dicho solapamiento un filtro no solo elimina el
ruido sino que puede distorsionar gravemente la señal
original.
• Cuando la señal que deseamos obtener se repite de
forma idéntica a lo largo del tiempo, una técnica de
promediado puede resolver satisfactoriamente el
problema. Esta técnica suma un conjunto de eventos de
la señal con su correspondiente ruido. Si los eventos
están convenientemente alineados, la relación señal
ruido aumenta pues el ruido se supone aleatorio con un
valor medio igual a cero.
Promediado
• Algunos ejemplos en los que se aplica la
técnica del promediado los tenemos en la
detección de potenciales evocados sobre
el EEG o la detección de potenciales
ventriculares tardíos sobre la señal de
ECG. También se utiliza habitualmente en
los test de esfuerzo para limpiar la señal
de ECG que se encuentra muy
contaminada por ruido.
Mejora de la calidad de
la señal en un potencial
evocado (EP) mediante
la técnica del
promediado.
Detección de ruido
• El objetivo es detectar aquellas manifestaciones
de ruido que no han podido ser eliminadas por
el proceso de filtrado y que invalidarían todo
procesado posterior.
• Necesario debido a que habitualmente la señal y
el ruido comparten componentes de frecuencia,
por lo que no es posible realizar un filtrado
óptimo.
• A veces resulta más eficiente detectar el ruido
en etapas de más alto nivel y no hacerlo
directamente sobre la señal.
Detección de complejos QRS
• La detección del ciclo cardíaco es fundamental
para el procesado de la señal de ECG.
• Generalmente se basa en la detección de
complejos QRS. A partir de esta detección es
posible realizar un análisis más profundo de la
señal de ECG.
• El diseño de un detector de complejos QRS es
complejo por la variabilidad fisiológica de los
complejos y por la presencia de ruido.
• Suele mejorar las prestaciones cuando se realiza
un análisis multicanal.
Espectro de potencias típico de los
complejos QRS
Detección de complejos QRS
Caracterización morfológica de
complejos QRS
• Necesario para clasificar el latido y abordar con
éxito la identificación de ritmo
• Es un problema clásico del reconocimiento de
patrones. Las técnicas que se suelen utilizar van,
desde el uso de comparación con plantillas,
pasando por la extracción de características, así
como técnicas sintácticas y/o semánticas.
• El agrupamiento en familias puede realizarse con
técnicas clásicas de “clustering”.
Caracterización morfológica de
complejos QRS

V V
Extracción de características del
complejo cardíaco
• Las características que en general nos van
a interesar son las siguientes:
– Frecuencia cardiaca
– Altura y anchura de las principales ondas que
constituyen el ciclo cardíaco (P, Q, R, S y T)
– Desnivelación y pendiente del segmento ST
– Otros parámetros como áreas de las distintas
ondas o del segmento ST con la isoeléctrica,
etc.
Pasos a seguir para la extracción
de características
• Delineación del complejo QRS. Se basa en determinar
una zona con valores de pendiente elevadas. Puede
haber integración multicanal.
• Determinación de la isoeléctrica, a partir de un nivel-
base al comienzo del complejo QRS.
• Determinación de la altura de las distintas ondas del
latido con respecto a la isoeléctrica.
• Determinación del comienzo y final de cada onda como
cruce con la isoeléctrica.
• Determinación de la desnivelación del segmento ST. El
punto de medida generalmente depende de la frecuencia
cardiaca.
• Pendiente del segmento ST como resultado de un ajuste
lineal de un segmento de señal comprendido entre el
punto J y el comienzo de la onda T.
Extracción de características
Extracción de características
• Problemas:
– La detección de ondas P resulta compleja por
la baja relación señal/ruido.
– La determinación del final de la onda T puede
ser compleja. Generalmente se asume que
existe una dependencia con la frecuencia
cardiaca.
– La onda U es incluso más compleja de
detectar que la onda P.
Diagramas de tendencias
• Son el resultado de representar la evolución de
los distintos parámetros extraídos del complejo
cardiaco. Generalmente se remuestrean para
conseguir una señal periódica.
• Sobre los diagramas de tendencias pueden
hacerse diversos tipos de procesados de alto
nivel:
– Análisis de variabilidad
– Detección de episodios
Detección de arritmias
• Se basan en determinar el origen de cada latido
detectado, teniendo en cuenta para ello la
familia en la que se ha clasificado su complejo
QRS, su anchura y su ocurrencia temporal.
Básicamente se contemplan latidos sinusales,
supraventriculares y ventriculares.
• Posteriormente se detecta el ritmo mediante la
aplicación de un autómata.
• Existen algunas arritmias que no pueden ser
detectadas por este método (asistolia,
fibrilación, etc.) pues no involucran a latidos.
Proceso de detección de arritmias
Señales de presión
• El análisis de la señal de presión es
relativamente fácil, sobre todo si disponemos de
los resultados de procesar la señal de ECG.
• Características de la señal:
– Secuencia de pulsos resultado de la modulación
impuesta por la actividad mecánica del corazón.
– La línea-base de la señal de presiones tiene
importancia clínica. Su filtrado nunca debe eliminar
componentes de baja frecuencia, como en el caso del
ECG.
– Elevada presencia de artefactos por movimientos del
paciente o del catéter.
Extracción de características

• Presión sistólica: valor máximo de la señal

de presión durante el ciclo cardíaco.
• Presión diastólica: valor mínimo de la
señal de presión durante el ciclo cardíaco.
• Presión media: valor medio de todos los
valores de presión a lo largo de un ciclo
cardíaco.
Otras características de las señales
de presión
• Intervalo entre pulsos = frecuencia cardiaca
• Max dP/dt
• Intervalos de tiempo sistólico
– Periodo pre-eyección = tiempo entre comienzo del
QRS y el comienzo del pulso arterial
– Tiempo de eyección de ventrículo derecho = tiempo
entre comienzo del pulso arterial y el nodo diacrítico
• Presión diacrítica
• Otros parámetros (ej. frecuencia respiratoria,
etc.)
Otras señales
• Entre las señales que podemos tener habitualmente
cuando monitorizamos un paciente tenemos:
– SaO2: se mide en %. Es significativo un descenso acusado de su
valor. Es muy significativa a la hora de hacer estudios
polisomnográficos y, especialmente, en el caso de pacientes
aquejados de apnea del sueño.
– Electroencefalograma (EEG): muy interesante también en
estudios polisomnográficos. Sirve, entre otras cosas, para
clasificar las distintas fases del sueño junto con el
electrooculograma. También es muy significativa la potencia
espectral de la señal en diversas bandas de frecuencia.
– Otros parámetros como temperatura, tono muscular, frecuencia
respiratoria medida mediante flujo nasal, sonido cardiaco, etc.
Compresión de señales
• Actualmente se utilizan habitualmente sistemas digitales
para el procesamiento de señales como el ECG, el EEG,
etc. Estos sistemas suelen tener mecanismos para el
almacenamiento de dichas señales.
• No obstante la cantidad de información puede ser muy
elevada. Así, un Holter con dos canales de ECG
muestreados a 200 muestras por segundo y 10 bits de
resolución por muestra puede necesitar más de 200
Mbits/día de almacenamiento.
• Surge la necesidad de comprimir las señales
Compresión de señales
• Básicamente existen dos grandes categorías de
algoritmos de compresión:
– Con pérdidas
– Sin pérdidas
• Todo algoritmo de compresión se caracteriza por su
factor de compresión (CR). Para señales biomédicas
típicas, los métodos de compresión sin pérdidas
proporcionan factores de compresión del orden de 2:1,
mientras que los algoritmos con pérdidas pueden llegar
a factores de compresión 10:1 o superiores.
• Un factor de compresión 2:1 es muy pobre, por lo que
habitualmente se prefiere algoritmos con pérdidas. La
elección del algoritmo es un compromiso entre el factor
de compresión requerido y la fiabilidad a la hora de
reconstruir la señal original.
Variabilidad de la frecuencia
cardiaca

Hasta 1970
Década de los 70
Año 1981
1982-1995

• Confirmación de su utilidad clínica

– Estratificación del riesgo en infarto.
– Valoración de salud fetal.
– Predicción de muerte súbita.
• Nuevas técnicas de análisis.
– Dinámica no lineal.
– Nuevos estimadores espectrales.
1996
Siglo XXI

40
35
30
25
Artigos en
20
CiC sobre
15 HRV
10
5
0
1990 1993 1996 1999 2002
Etapas
 Detección y clasificación
de latidos
• Frecuencia de muestro de ECG > 200 Hz.
– En pacientes con baja variabilidad > 500 Hz.
• Clasificación de latidos: distinguir entre
latidos normales y ectópicos.
– 1 o más latidos ectópicos en registros de 1
hora en el 33% de personas sanas.
Etapas
FC instantánea
t (mseg) RR (mseg)
347 816
537 760
720 732
909 756
1097 708

t (mseg) FC (mHz)
347 1226
537 1316
720 1366
909 1323
1097 1412
¿RR o FC?
• Problema: segmentos
FC (mHz)
de FC donde el valor
6
FC=10 /RR
medio no es igual.
– Día y noche.
• Soluciones:
– Utilizar RR o FC en
escala logarítmica.
RR (mseg)
– No mezclar FC y RR.
Etapas
Necesidad del filtrado

• Ningún algoritmo de detección y

clasificación de latidos es infalible.
• El efecto sobre los índices de variabilidad
es importante aunque hay índices más
robustos que otros.
• ¿Revisión manual?
– Un registro de 24 horas ocupa 1 hora o más.
– Para sistemas en tiempo real es imposible.
 Un buen algoritmo

• Filtro de Sapoznikov nº 8

Desde i=2 hasta n

FC(i) es aceptada si
Abs(FC(i)-M(i))<U
ó
Abs(FC(i)-FC(L)) <U
Problemas
[09:45:32] [09:50:32]

^
Sapoznikov-8
[09:38:40] [09:43:40]
^

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

+ media mejorada
[06:07:40] [06:12:40]
^^^^^^^^^^^^^^^

+ lat. siguiente
[06:14:47] [06:19:47]
^^^^^^^^^^^^^^^

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

^ ^

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

+ umbral adaptativo ^ ^

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

^ ^
Etapas
¿Es necesario?
• La serie de “FC no equiespaciada” es apta para
el análisis en el dominio de tiempo y el análisis
no lineal”.
• Para el análisis en frecuencia las técnicas
actuales, basadas en la transformada de
Fourier, exigen una señal equiespaciada.
• Alternativas
1. Tomar la señal no equiespaciada como si fuese
equiespaciada.
2. Método de Lomb.
3. Interpolar.
Métodos de interpolación

Mejores

R.D. Berger, J.P. Saul, R.J. Cohen. “An efficient algoritm for spectral analysis
of heart rate variability”. IEEE Trans. Biomed. Eng. 33(9):900-904, 1986.
Etapas
 Análisis en el dominio del
tiempo
• Análisis “a corto plazo” y “ a largo plazo”.
• Corto plazo: mejor técnicas espectrales.
• Largo plazo: los índices en el dominio del
tiempo han demostrado su utilidad.
Índices en el dominio del tiempo
Índice Descripción
SDNN Desviación estándar de la serie RR
SDANN Desv. est,. de la media de la serie RR en periodos de 5
minutos.
SDNNIDX Media de la desv. est. de la serie RR en periodos de 5 minutos.
pNN50 % de valores de la serie RR que difieren del previo mas de 50
mseg.
R-MSSD Raíz cuadrada de la media de las diferencias al cuadrado entre
los valores de la serie RR adyacentes.
TINN Base del triángulo al que se ajusta el histograma.
HRV index Cociente entre el número de valores de la serie RR y el máximo
del correspondiente histograma
IRRR Diferencia entre los cuartiles primero y tercero de la serie RR
MADRR Mediana de las diferencias absolutas entre los valores
adyacentes de la serie RR
Etapas
 Sistemas no lineales y caóticos

• Sistemas determinísticos y aleatorios.

• Sistemas lineales y no lineales.
• Sistema caóticos
– Determinístico y aperiódico.
– Dependencia sensitiva de las condiciones
iniciales.
– Bandas permitidas y prohibidas.
¿Existen los sistemas caóticos
en la realidad?
Dimensión del sistema
• Sistema determinístico: m-1 siendo m el
número de grados de libertad del sistema.
• Sistema aleatorio: m
• Sistema caótico: un número no entero
(fractal) entre m-1 y m
• P. Grasberger y I. Procacia. “Measuring
the strangeness of strange attractors”.
Physica 9D:189-208, 1983.
Entropía
• Mide la “predictibilidad” del sistema.
• Fundamento: dividir el espacio de estado
en celdas y analizar todas las trayectorias
que salen de una misma celda. Su “ancho”
sería la entropía.
• S. M. Pincus. “Aproximate entropy as a
measure of system complexity”. Proc. Nat.
Academy of Sciences USA, 88:2297-2301,
1991.
Exponentes de Lyapunov
• Miden la dependencia de la dinámica del
sistema respecto a las condiciones
iniciales.
• Fundamento: relación entre diámetro de
una celda y diámetro de la nube de
puntos t instantes mas adelante. Luego se
ajustan a una exponencial.
• Si algún exponente es positivo el sistema
diverge.
• A. Wolf, J.B. Swift, H.L. Swinney, J.A:
Vastanao. “Determining Lyapuniv esponents
from a time series”. Physica 16D,285-317,
1985.
1985
Técnicas gráficas
Etapas
Señales estacionarias

• DFT (discrete Fourier Transform)

N −1 2πf m
−j
F ( k ) = ∑ x ( n )e
kn
N

n =0

• Versión rápida: FFT.

• Estimador del espectro: |F(k)|2/N
Señales estacionarias
• Problemas:
– Limitada resolución: fm/N Hz
– “Aliasing” o solapamiento espectral si f > fm/2 Hz.
– Difusión espectral (spectral leakage)
• Método de Welch: dividir la ventana original en
K segmentos, hacer la FFT en cada uno y luego
promediar.
– Se hace para disminuir la varianza del estimador.
 Señales no estacionarias

1 14000

0.8
12000
0.6

0.4 10000

Energia (seg^2/Hz)
0.2
8000
x(t)

6000
−0.2

−0.4 4000

−0.6
2000
−0.8

−1 0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 0 1 2 3 4 5 6 7 8
Tiempo (sg) Frecuencia (Hz)
La STFT

• STFT= Short Time Fourier Transform.

• Fundamento: dividir el intervalo en K
segmentos y hacer una FFT en cada uno.
STFT (t , f ) = ∫ [ x(τ )ω (τ − t )]e
x
w − j 2πfτ
dτ
• Aproximación válida si la FC no varia
mucho y podemos tomar intervalos de señal
grandes.
 Ejemplo de STFT

12 12

10 10

8 8
Frecuencia (Hz)

Frecuencia (Hz)
6 6

4 4

2 2

0 0
0.5 1 1.5 2 2.5 3 3.5 4 0.5 1 1.5 2 2.5 3 3.5 4 4.5
Tiempo (sg) Tiempo (sg)
Análisis espectral moderno
• Pasos:
– Selección de un modelo matemático.
– Ajuste de los parámetros del modelo.
– Cálculo del espectro a partir de ese modelo.
• Problemas:
– ¿Qué modelo?
– ¿cuántos parámetros?
• Modelo más usado: AR (autoregresivo)
• S.M. Kay. “Modern spectral estimation: theory
and applications”. Prentice-Hall, 1988.
 Distribuciones tiempo-frecuencia

• ¿Es el espectrograma la única representación

tiempo-frecuencia válida?
• No, hay mas funciones E(t,f) que podrían
interpretarse como funciones densidad de
energía en el plano tiempo-frecuencia.
• La más utilizada es la distribución de Wigner-
Ville y versiones “suavizadas” de la misma.
• L. Cohen. “Time-frequency analysis”. Prentice-
Hall, 1995.
Análisis espectral de la FC
• Análisis a largo plazo
– Podemos utilizar el espectrograma.
– También los índices en el dominio del
tiempo.
• Análisis a corto plazo
– Periodo < 1 hora con segmentos de 2-5
minutos.
– Válido el espectrograma.
• Análisis de muy corto plazo.
– Segmentos < 1 minuto.
– No sirve el espectrograma
Bandas espectrales

VLF LF HF
1

0.05 0.1 0.15 0.2 0.35 0.4 Frec. (Hz)

• Índices mas habituales

– HF.
– LF/HF.
Computación flexible

“Consiste en un conjunto de técnicas

inspiradas en la tolerancia mostrada por
humanos para procesar información
afectada de imprecisión e incertidumbre.
El objetivo es obtener soluciones tratables,
robustas y de bajo coste.”
L. A. Zadeh, 1994.
Motivación

• La medicina supone un reto:

– Complejidad de los procesos fisiológicos.

– El desconocimiento de modelos.

– Una forma de conocimiento basada en la

experiencia y en la pericia. Aquejado de
vaguedad e imprecisión.

– La enorme cantidad de datos manejados.

Marco de estudio
• Se proporcionan soluciones que abarcan el ciclo
monitorización-diagnóstico-tratamiento.

• Se requieren fundamentalmente técnicas que

proporcionen información simbólica a partir de
datos de señal.
Técnicas de Computación flexible

• Se distinguen tres tipos de técnicas:

– Teoría de conjuntos borrosos.
– Computación neuronal.
– Razonamiento probabilista.
Teoría de conjuntos borrosos
• Un predicado P es clásico si al aplicarlo a una colección U de
objetos, ésta queda clasificada en sólo dos clases.

Ejemplo: P= es primo, U= conjunto de números naturales

U1={u∈U; u es primo} U2={u∈U; u no es primo}

• Un predicado P es vago si al aplicarlo a una colección U de

objetos, ésta no queda clasificada en sólo dos clases.

Ejemplo: P= es alto, P= es gordo, P= es guapo

U= conjunto de varones gallegos
Conjuntos borrosos
• En los conjuntos borrosos la noción de
pertenencia es una cuestión de grado.

FRESCA FRESCA
1 1

0 0
10 16 22 10 16 22
TEMPERATURA DEL AIRE TEMPERATURA DEL AIRE
La negación en predicados vagos
• Para cada predicado P, existe su negado ¬P.
• Es bien conocido que en el caso clásico:
– Principio de no contradicción: A∩¬A=∅
– Principio de tercio excluso: A∪¬A=U
• En la lógica borrosa pueden violarse ambos principios
NO FRESCA FRESCA NO FRESCA
1

0
10 16 22
TEMPERATURA DEL AIRE
Variable lingüística
• Los valores que puede tomar una variable lingüística son
palabras o sentencias en un lenguaje natural o sintético.
• Podemos definir una función significado que asigna a
cada palabra un conjunto borroso.
• Realizamos una partición del universo de discurso:
CERO PEQUEÑO MEDIANO GRANDE
1

0
Reglas borrosas

• Los sistemas basados en lógica borrosa a menudo

representan el conocimiento mediante reglas
condicionales.
• INFERENCIA BORROSA:
REGLA: SI el agua está muy caliente ENTONCES añadir abundante agua fría

HECHO: El agua está moderadamente caliente.

CONCLUSIÓN: Añadir un poco de agua fría.

• Esto resulta muy relevante en control y clasificación.

Problema: monitorización de
pacientes

• Los monitores comerciales proporcionan

alarmas basadas en criterios de umbral.

• Mala relación especificidad-sensibilidad.

• Sobrecarga del personal clínico.
• Se descartan un gran número de alarmas.
Ejemplo: detección de episodios
de isquemia
• Obtenemos de un experto esta definición:
“Un episodio ST puede detectarse a partir de la
persistencia de un valor de alta desnivelación del
segmento ST con respecto al valor de la isoeléctrica,
y durante un período de aproximadamente un minuto
o más”.
Solución borrosa
ALTA MÁS DE APROX. 1 MIN.
1 1

0 0
-∞ -∞ -0,11 -0,09 50 55 ∞ ∞
DESNIVELACIÓN DEL ST DURACIÓN DEL EPISODIO

• ALGORITMO:
– Utilizamos la “alta desnivelación del ST” como un filtro lingüístico.
– Obtenemos episodios en los que persiste una alta desnivelación del
ST.
– Calculamos en qué casos la persistencia es de “más de aproxim.
un minuto”.
Episodios de isquemia: resultado
Modelado de patrones
Otras aplicaciones de los conjuntos
borrosos en medicina

• Control automático de la presión arterial en pacientes en

postoperatorio.

• Desarrollo de sistemas expertos para el diagnóstico de

enfermedades (reumatológicas, cáncer, etc.).

• Reconocimiento de patrones en ECG, EEG, imagen

radiológica, etc.
Computación neuronal
• Las Redes de Neuronas Artificiales (RNA) son
modelos computacionales sencillos que se inspiran
en algunas propiedades de sus homólogas
naturales:
– Memoria.

– Aprendizaje.

– Plasticidad.

– Robustez.
Una neurona artificial
PESO

2
FUNCIÓN
DE
SUMADOR ACTIVACIÓN
0.2

Σ f

0.5

actividad aferente actividad eferente

(entrada) (salida)

• Los pesos constituyen la memoria a largo plazo, y su

ajuste corresponde a lo que se denominará aprendizaje.
La función de activación
• En el caso más sencillo, la neurona proporciona a la
salida un valor de activación o de inhibición.
• Esto se logra mediante la función de activación.
1.0 1.0

f f

0.0 0.0

t t

función escalón función sigmoide

Conexionismo en las RNA

• Una RNA es una arquitectura modular de computación

distribuida.
• Se estructura en un conjunto de capas con distintas
topologías.

entrada salida

RNA
Aprendizaje en RNA

• Supervisado.
SALIDA ESPERADA
ENTRADA SALIDA
RNA

ERROR

• No supervisado.
ENTRADA
RNA
SALIDA
Aplicaciones de las RNA

• Clasificación.
• Asociación.
• Agrupamiento.
• Generalización.
• Optimización.
• Predicción y control.
Ejemplo: clasificación de latidos
Altura QRS

Duración QRS Taquicardia SV

Taquicardia V
Altura P

Hipertrofia VI
Intervalo RR
Hipertrofia VD

Desnivelación ST
Infarto de miocardio

Intervalo PR
Otras aplicaciones de la
computación neuronal en medicina
• Diagnóstico de trastornos psiquiátricos y neurológicos a
partir de EEG.

• Cálculo de riesgo del síndrome de Down a partir de

indicadores bioquímicos de la madre.

• Eliminación de artefactos en señal de pulsioxímetro.

• Control de anestesia a partir de datos fisiológicos.
• Neurociencia: aproximación computacional de
comportamientos funcionales.
Razonamiento probabilista

• Engloba distintas técnicas:

– Algoritmos genéticos.

– Otros algoritmos bioinspirados (hormigas, etc.)

– Redes de creencia.

– Teoría del caos.

Algoritmos genéticos
• Son métodos basados en población para la resolución de
problemas de búsqueda y optimización.

• Aplican métodos análogos a los de la evolución biológica:

selección, reproducción sexual y mutación.

• Queremos hallar una solución S={x1,x2,...,xn} tal que

F(x1,x2,...,xn) sea máximo o mínimo (según).
• {x1,x2,...,xn} se codifican en un cromosoma.
Codificación
• Cada individuo (cadena) codifica un conjunto de
genes (parámetros) en bloques de código.

101100101000111011000

Gen 1 Gen 2 Gen 2 Gen 3 Gen 4

• Algunos de esos bloques corresponden a regiones

particulares del espacio de soluciones.
10*******************
Construcción de un clasificador
 Recombinación
• Se define como el intercambio de subcadenas entre
individuos.
• Se habla de recombinación de n-puntos, siendo n el
número de puntos de corte.
Recombinación de 1 punto

100101001110011100011101 100101001110 110110111110

111001101001110110111110 111001101001 011100011101

Recombinación de 2 puntos

100101001110011100011101 100101001 00111 1100011101

111001101001110110111110 111001101 11001 0110111110

Mutación
• Se define como la variación en uno o más elementos
del código de un individuo.
• Es necesario establecer previamente una frecuencia
de mutación. Por ejemplo, uno por mil.
111001101001110110111110

mutación

1110011010 1 1110110111110
El algoritmo
1. Cada individuo se evalúa según la función objetivo.
2. Las que logran mayor puntuación se aparean entre
sí, mediante recombinación.

3. Tiene lugar una mutación en una fracción pequeña

de la población, con el fin de que no se dé una
población uniforme.

4. Es necesario un criterio de finalización.

Aplicaciones de los algoritmos
genéticos en medicina
• En diseño de herramientas de procesado de señal e
imagen, para la obtención de parámetros óptimos.

• En genética, como método estocástico para el estudio de

la actividad de genes, interrelaciones, etc.

• En planificación de radioterapia 3D, donde es necesario

optimizar la dosificación respecto a restricciones clínicas
y geométricas.

• Optimización de recursos hospitalarios.

Almacenamiento de la información

• Surge la necesidad de almacenar

convenientemente la información de
monitorización, así como su transmisión
entre sistemas
• Existen múltiples soluciones para el
almacenamiento. No obstante, uno de los
más difundidos es el formato MIT-BIH
El formato MIT-BIH
• En este formato cada secuencia de grabación de datos
de forma ininterrumpida constituye lo que se denomina
un registro
• Un registro consta de al menos los siguientes elementos:
– Un fichero de cabecera en el que se describe la fecha y hora del
registro, su nombre, la lista de señales y sus características
(frecuencia de adquisición, bits por muestra, etc.).
– Uno o más ficheros de datos en los que se almacenan
propiamente las señales según el formato especificado en el
fichero de cabecera.
– Uno o más ficheros de anotaciones en los que está indicada la
posición exacta de cada evento clínicamente significativo sobre
la señal (por ejemplo, taquicardia ventricular, comienzo de
episodio isquémico, etc.)
El formato MIT-BIH
• Existe un API de programación que
permite diseñar programas que almacenan
o leen información en dicho formato.
• Asimismo existe un conjunto elevado de
aplicaciones, generalmente orientadas al
procesamiento de la señal de ECG.
• Para más información
http://www.physionet.org
Transmisión de la información
• Hay muy poco hecho en el campo de
estandarizar la transmisión de información de
monitorización.
• Cada empresa dispone de su propio protocolo de
comunicación (no es interoperable con otros
equipos) y éste suele ser secreto.
• Ejemplos de iniciativas para el desarrollo de
estándares en este campo los tenemos en el
estándar MIB (IEEE 1073) y HL7 así como las
iniciativas del CEN/TC251
Telemonitorización

• Teleasistencia prestada mediante el

seguimiento continuo del estado del
paciente a través de la adquisición y
procesado, generalmente en tiempo real,
de un conjunto de variables fisiológicas
que describen dicho estado
• En esta categoría se encuadra el entorno
de monitorización que vamos a presentar
Entorno ubicuo de monitorización
de pacientes
Interfaz Web de Acceso a datos de monitorización
Interfaz PDA de acceso a datos de
monitorización
Monitorización en el hogar
Monitorización ubicua

• PocketView ECG
(Micromedical)

• Bluetooth 12 leads ECG

(Corscience)
Monitorización ubicua
• Pulse Oximeter
(DolphinMedical)

• 4100 Bluetooth (Nonin)

Conclusiones
• La monitorización automática de pacientes es una tarea
que se viene realizando desde hace más de 40 años.
• Las tendencias actuales van encaminadas hacia una
mayor ubicuidad en la monitorización de pacientes. Las
redes inalámbricas y la telefonía móvil son clave para
este desarrollo.
• Tendencia hacia la monitorización multiparamétrica y no
invasiva: desarrollo de nuevos sensores.
• Ni de lejos se ha logrado extraer toda la información que
es posible obtener de procesar las señales actualmente
disponibles como el ECG. La industria es reacia a
incorporar nuevas técnicas de procesamiento y se centra
fundamentalmente en aspectos de ergonomía y facilidad
de uso de sus equipos. Sólo se incorporan nuevos
algoritmos cuando existe realmente una demanda por
parte de los usuarios.
Bibliografía
• Bronzino, J.D. “The biomedical engineering handbook”. CRC Press e IEEE Press.
1995.
• Fernández-Delgado, M. “MART: una arquitectura de computación neuronal y su
aplicación al diseño de un sistema inteligente de monitorización de pacientes. Tesis
doctoral. 1999.
• González, F. y Zamarron, C. Eds. “Telemedicina: aplicaciones y nuevas tecnologías”.
Ed. Sociedad Gallega de Telemedicina. 2004.
• Moody, G.B. “WFDB Applications Guide”. Tenth edition. 2005. (fuente:
http://www.physionet.org)
• Mora, F.A., Passariello, G., Carrault, G. y le Pichon, J.P. “Intelligent patient monitoring
and management systems: a review”. IEEE Eng. Med. & Biol., 12, 4, (1993) 23-33.
• Pahlm, O. y Sörnmo, L. “Software QRS detection in ambulatory monitoring – a
review”. Med. & Biol. Eng. & Comput. 22 (1984) 289-297.
• Presedo, J. “Monitorización inteligente de isquemia en SUTIL”. Tesis doctoral. 1994.
• Vila, J. “Análisis de la variabilidad de señales fisiológicas. Integración en un sistema
de monitorización inteligente”. Tesis doctoral. 1997.
• Zadeh, L.A. “Fuzzy sets”. Information and Control, 8 (1965) 338-353.