Análisis y Síntesis de Señal ECG mediante Wavelets
Ing. Luis Humberto Caballero Mejia
Tecnologico Nacional de Mexico
Unidad Merida
luishtocm@hotmail.com
RESUMEN
El proyecto aplica un algoritmo de análisis
de señales ECG, fundamentado en una técnica de
segmentación empleando la transformada wavelet
(WT) en la detección de puntos característicos y
significativos de la señal ECG, como son los
complejos QRS, ondas P y T que son distinguibles
del ruido, línea base y artefactos, debido a la
característica multiescala de la transformada
wavelet. Y de esta forma eliminar el máximo de
ruido, permitiendo una lectura más fidedigna del
ECG, y así descartar posibles afecciones cardiacas
con mayor certeza.
CONTEXTO
El presente proyecto está enmarcado dentro
de las investigaciones llevadas a cabo en La
Maestría en Ingeniería perteneciente al
Departamento de Electrónica del Tecnológico
Nacional de México Unidad Mérida en el ámbito del
procesado de señales biomédicas
No se pretende investigar sobre líneas
nuevas, pero si pretende describir el conocimiento
necesario y los procedimientos adecuados para el
diseño y la posible implementación en arquitecturas
abiertas; de un sistema capaz de realizar de forma
eficiente el procesado de estas señales, en particular;
la señal electrocardiográfica (ECG).
De igual manera se intenta motivar la
investigación en el campo de la Bioingeniería en el
Tecnológico Nacional de México unidades Mérida
y Cancún, como una vertiente de la Mecatrónica.
Asesor
IIMAS-UNAM
Unidad Merida
e-mail
INTRODUCCION
En el trabajo con bioseñales, es necesario
conocer los aspectos biológicos y eléctricos propios del
organismo que las genera, (10), (11), (12).
Las señales eléctricas de corazón,
visualizadas por medio de un electrocardiograma
(ECG), nos permiten observar su funcionamiento;
estas señales registran la actividad de este músculo y
a través de ellas se identifica cuando el corazón
funciona normalmente o tiene alguna discrepancia.
El procesamiento digital de señales o DSP, es
la manipulación matemática de una señal para
modificarla y mejorarla en algún sentido, y se
caracteriza por la representación en el dominio del
tiempo discreto, y; en el dominio de frecuencia
discreta.
La Serie de Fourier y la Transformada de Fourier,
permiten ver la distribución de frecuencias de la
señal, por lo que al discretizar la señal permite que
se almacenen digitalmente los valores de
frecuencias para cada tiempo determinado, y
posteriormente un conversor digital a análogo
(DAC); reproducirá la señal original.
La transformada de Fourier es el mapeo del
espacio tiempo al espacio frecuencia, lo que permite
ver la distribución frecuencial, lo que facilita la
manipulación de la señal de entrada.
El par de Fourier describe las estructuras
temporales y frecuenciales de una señal de manera
independiente; pero para detectar y caracterizar
eventos que combinan esas estructuras en diversos y
complejos patrones es necesario implementar
métodos más refinados de representación conjunta
tiempo-frecuencia.
Entre las diversas opciones, la Transformada
Wavelet es la que brinda la mejor y mas eficiente
herramienta tiempo-escala.
PLANTEAMIENTO DEL PROBLEMA Y
JUSTIFICACIÓN
La cardiología busca detectar enfermedades
cardiovasculares a través de métodos no invasivos
con mínimo riesgo para el paciente y que
proporcionen la mayor cantidad de información para
el análisis de la señal de interés; uno de los
exámenes más empleados hoy en día que cuenta con
estas características es el electrocardiograma.
La electrocardiografía es susceptible de
alteraciones en su morfología, ocasionadas por el
paciente, el equipo utilizado en la obtención de la
señal y el ambiente en el cual se desarrolla;
generándose diferentes tipos de ruidos sobre el
registro electrocardiográfico, lo cual afecta la
interpretación de este.
Por lo mencionado anteriormente en los
sistemas de clasificación de señales cardiacas, es
común encontrar módulos de adquisición y pre
procesamiento de señal, para que la señal obtenida
sea lo más clara possible.
De ahí la importancia que representa
desarrollar un método para la detección de
anomalías cardiacas y así generar un algoritmo para
el pre diagnóstico de patrones eléctricos anormales
Al aplicar un algoritmo de análisis de señales
ECG con criterios estandarizados se propiciará la
eliminación del ruido, permitiendo una lectura más
fidedigna del ECG, y así descartar posibles
afecciones cardiacas con mayor certeza, facilitando
el diagnóstico del especialista.
OBJETIVOS
OBJETIVO GENERAL
El objetivo del presente proyecto es implementar
un algoritmo basado en la Transformada Wavelet
para analizar el contenido espectral del
electrocardiograma, y proceder a la eliminación de
ruido interferente y a la detección de patrones
característicos del ECG.
OBJETIVOS ESPECÍFICOS
Determinar las características de la señal
Electrocardiográfica; como son, el complejo QRS
ondas P y T que son distinguibles del ruido, línea
base y artefactos.
Determinar la familia Wavelet mas adecuada
para la aplicacion a este tipo de señal
Desarrollar una aplicación en la plataforma
MATLAB-SIMULINK, para la visualizacion,
tratamiento y analisis de la señal ECG, que permita
la caracterizacion y clasificacion de parametros de
anormalidad en la señal.
ESTADO DEL ARTE
Al aplicar técnicas de procesamiento de
señales a la señal ECG, se encontró que el principal
problema que se presenta es reconocer los puntos y
patrones característicos de la señal ECG; así como
el cálculo de la frecuencia cardiaca, eje eléctrico,
deflexiones e intervalos.
Aplicando algoritmos basados en el
procesamiento clásico de señales, se obtiene
información de los periodos de la señal ECG, pero
no se identifican puntos característicos por lo que no
son utilizados con frecuencia.
Auto correlación; es la correlación cruzada de la
señal con ella misma pero con un desfase; encuentra
patrones repetitivos, aun si se enmascara con ruido,
pero se generan demasiados armónicos, su objetivo
es encontrar máximos que indiquen el periodo de la
señal ECG (14).
Average Magnitude Difference Function
(AMDF); similar a la auto correlación, pero basada
en la diferencia de la señal al trasladarla dos veces,
buscando con ello mínimos de la resultante.
Fast Fourier Transform (FFT); basada en la
Transformada Discreta de Fourier (TDF), la cual es
adecuada en señales periódicas; pero la señal ECG
no lo es, aun así; al aplicar un ventaneo rectangular
al cual se le aplique la FFT se puede obtener la
duración del periodo, pero no su inicio y final (15).
Los algoritmos basados en derivadas son
rápidos y sencillos, consideran la comparación con
un umbral y algunas veces con un segundo umbral
de decisión, se comportan bien bajo ruido; pero son
sensibles a cambios en la línea base, y ruidos de alta
frecuencia, son utilizados para la identificación del
complejo QRS(17).
Amplitud y primer derivada; se considera la
superación de los umbrales de amplitud y pendiente,
con lo que se detecta la presencia del complejo QRS.
Primer derivada; solo considera la superación de la
pendiente, para detectar el complejo QRS.
Primer y segunda derivada; detecta el complejo
QRS.
Los algoritmos basados en filtros digitales,
presentan una etapa de pre procesamiento que dan
énfasis al complejo QRS, y otra etapa de decisión
basada en umbrales (16), (17), (19).
Friesen; propone dos umbrales a utilizar después
de derivar y filtrar la señal, para de esta forma
localizarla banda de frecuencias del complejo QRS.
Laguna; propone el uso de un solo filtro pasa bajas
y la primera derivada para realzar las componentes
QRS para su detección.
Algoritmos por comparación de patrones,
los podemos clasificar de acuerdo a la parte de la
señal ECG que se compara.
Trahania, utiliza como patrón de comparación un
polinomio cubico definido por un pico máximo, un
segmento parabólico, y; un punto limite semejante a
una línea recta en los extremos del pico, y así
extraer el complejo QRS.
Los algoritmos, que aplican
transformaciones no lineales, combinan las
técnicas anteriores agregando las transformaciones
no lineales, siendo los más utilizados (18).
Pan-Tompkins; Es uno de los más
utilizados actualmente, y se explica mejor mediante
el siguiente diagrama de flujo;
X(n)----->LPF----->HPF----->d(señal)/dt--->
[señal]*[señal]----->(1/N)S(señal)----->Y(n)
LPF y PHF; reducen el ruido dentro y fuera del
ancho de banda de interés.
Derivador, resalta las altas frecuencias y atenúa las
bajas frecuencias, lo que ayuda a distinguir mejor
los complejos QRS.
Transformación no lineal, eleva al cuadrado la señal;
haciendo positivos todos los puntos, y de esta
manera aumentar la magnitud de las altas
frecuencias del complejo QRS, facilitando su
detección.
Integración, de la señal posterior a ser pasada por
una ventana móvil.
En este algoritmo se utilizan umbrales adaptativos,
por lo que se corre el riesgo de detectar picos e
ignorar otros, aun así es uno de los más utilizados.
METODOLOGIA
Establecer los fundamentos teóricos
matemáticos para el procesamiento digital de señal,
así como el software y hardware a utilizar. (3), (4),
(14), (15).
Transformada de Fourier, Transformada
Discreta de Fourier, Transformada Wavelet
Discreta, Algoritmo a utilizar, (7).
Desarrollo del algoritmo DSP, auxiliado por
el software Matlab-Simulink.
Adquirir señal muestra del banco de datos
que validara la eficiencia, (MIT-BIT); la cual se
someterá al siguiente proceso:
Eliminación del ruido en la señal ECG
digitalizada, (1).
Cálculo de la Transformada Wavelet Discreta
(DWT), como método de filtrado (9), para
determinar los coeficientes espectrales, mediante
segmentación, y de esta forma detectar los puntos
significativos de la señal ECG, (8), (11), (12), (13).
Cálculo de la Transformada Wavelet Inversa
(IDWT) para la reconstrucción de la señal.
Comparación entre la DWT filtrada y la
DWT original.
Finalmente se validara el algoritmo para
obtener las conclusiones, observaciones, y
recomendaciones; finales.