Вы находитесь на странице: 1из 36

Capítulo 3de

Basesdatos y simulación

Leif Sörnmo, Andrius Petr˙enas y Vaidotas Marozas

3.1 Bases de datos públicas de ECG

La disponibilidad de bases de datos públicas es esencial ya que permite a los investigadores


establecer si un método novedoso funciona mejor que los existentes. Muchas de las bases de datos
de ECG públicas relevantes para la investigación orientada a la ingeniería sobre la atrbrilación
auricular (FA) están disponibles para descargar en PhysioNet (​www.physionet.org​), un recurso web
gratuito con una gran colección de señales fisiológicas y software [​1​]. Las bases de datos de
Physionet han desempeñado y continúan desempeñando un papel crucial en el desarrollo de los
detectores de FA y en la evaluación de su desempeño (cap. ​4​), mientras que casi no desempeñan
ningún papel en el desarrollo de métodos para la extracción de ondas (cap. ​5​) y f caracterización de
la ola (cap.​ ​6​).

Las bases de datos de PhysioNet incluyen anotaciones basadas en los latidos, como el tiempo de
aparición y el tipo de latido, pero a menudo también anotaciones basadas en la arritmia, como el tipo y el
inicio / final de la arritmia. Las anotaciones sobre el tiempo de aparición del latido pueden ser
automatizadas y proporcionadas por un detector QRS con buen desempeño, mientras que las anotaciones
basadas en arritmia generalmente son proporcionadas por uno o varios expertos, lo que implica un
esfuerzo de trabajo considerable para anotar una base de datos que consiste en ECG continuo a largo
plazo. grabaciones Desafortunadamente, la información sobre el proceso de anotación suele ser escasa, y
casi siempre faltan detalles sobre el número de anotadores involucrados, el nivel de experiencia entre los
anotadores y cómo se llegó a un consenso en casos de desacuerdo.

L. Sšrnmo ()
segundo

Departamento de Ingeniería Biomédica y Centro de Electrocardiología Integrativa,

Universidad de Lund, Lund, Suecia

correo electrónico: leif.sornmo@bme.lth.se

A. Petrúenas · V. Marozas

Instituto de Ingeniería Biomédica, Universidad de Tecnología de Kaunas, Kaunas,


Lituania

correo electrónico: andrius.petrenas@ktu.lt

V. Marozas
e-mail: vaidotas.marozas@ktu.lt

© Springer International Publishing AG, parte de Springer Nature 2018 49

L. Sšrnmo (ed.), ​Fibrilación auricular desde una perspectiva de ingeniería​,

Serie en Bioingeniería, https://doi.org/10.1007/978-3-319-68515-1_3

50 L. Sšrnmo et al.

Teniendo en cuenta que algunas bases de datos de ECG han evolucionado hasta convertirse
prácticamente en estándares, la información sobre el proceso de anotación debe ser, de preferencia,
transparente para el usuario.

A continuación, se describen brevemente las bases de datos públicas más populares empleadas
en la investigación orientada a la ingeniería.

La base de datos de fibrilación auricular (AFDB, por sus siglas en inglés) MIT-BIH ​consta de 25 10-h,
dos derivaciones ​registros ambulatorios de ECG de pacientes con FA, en su mayoría paroxísticos [​2​]. Las
señales se adquirieron utilizando un dispositivo analógico con un ancho de banda de aproximadamente
0,1Ð40 Hz, se muestrearon a una velocidad de 250 Hz y se cuantificaron con una resolución de 12 bits en
un rango de

± 10 mV. Dos de las 25 grabaciones contienen solo la serie de intervalos RR, pero no una señal de
ECG y, por lo tanto, solo se pueden utilizar en el análisis basado en RR. Falta información sobre la
colocación del plomo.

La base de datos se anotó manualmente con respecto al tipo de latido, el tipo y el inicio / final de la
arritmia, lo que dio como resultado un total de 297 episodios de FA con una duración de tan solo 3
latidos a decenas de miles de latidos.

Las distribuciones de la duración del episodio de FA y los intervalos de RR proporcionan


información interesante sobre las propiedades de la AFDB. La Figura ​3.1a​presenta el histograma de
la duración del episodio, con una caída similar a la de un exponente, excepto que 29 episodios tienen
duraciones que exceden los 2000 latidos. En conjunto, estos 29 episodios representan hasta el 82%
del tiempo total que los pacientes están en FA; cuando se calcula en pacientes individuales, este
porcentaje se conoce comúnmente como "carga AF". El hecho de que un pequeño número de
episodios pueda dominar el tiempo total que un paciente está en FA destaca una importante
limitación de las medidas de rendimiento de detección comúnmente utilizadas, para ser más
​ .5​.
detalladas discutido en la sec.​ 4

La Figura ​3.1​b presenta el histograma de todos los intervalos RR en AFDB, con la mayoría

RR ​Intervalos que van desde 0.3 hasta 1.5 s. Hasta el 25% de todos los intervalos RR son más cortos que
0.5 s, lo que impone una restricción importante en los métodos que exploran las ondas f en el intervalo TQ;
esta restricción se aplica especialmente a los métodos para la extracción de la onda f, ver cap. ​5​. Para un
intervalo RR de 500 ms y un intervalo QT con una longitud típica de 350 ms, el intervalo TQ es solo de 150
ms, lo que para una frecuencia auricular dominante (DAF) de 5 Hz implica que menos de una onda f está
contenida en el Intervalo TQ
(a)​
30
2
Ofiso
dos 5

2
0

1
5
Nu
mer
29
o 1 episodio
0 s

> 2000
latidos

0 500 1000 1500

× 10
4

2
(b
.
) 5

inte
rval
os

1
.
5

de
R
R
1
0

me .
ro 5

0 0.5 1 1.5

Duración del episodio (tiempos) Longitud (s) de intervalo RR

Fig. 3.1 ​Histogramas de lade​ un ​duraciónepisodio de FA y​ b ​intervalos RR en AF, determinados a partir de​ ​BaseMIT
AFBIH AFBases

de datos3de datos y simulación 51

La base de datos de FA a largo plazo (LTAFDB) ​consta de 84 ECG ambulatorios de dos


derivaciones ​Grabaciones obtenidas en pacientes con FA paroxística o persistente, con una duración
de 24 a 25 h [​3​]. Las señales se muestrearon a una velocidad de 128 Hz y se cuantificaron con una
resolución de 12 bits en un rango de ± 10 mV. Falta información sobre el ancho de banda y la
colocación del cable.

Las anotaciones basadas en latidos fueron automatizadas, mientras que las anotaciones basadas
en arritmia resultaron de la revisión manual de la salida de un sistema comercial para el análisis de
ECG. Más de 7000 episodios de FA están contenidos en LTAFDB, y por lo tanto, es la base de datos
pública con el mayor número de episodios.

El patrón de ocurrencia temporal de los episodios de FA se presenta en la Fig. ​3.2 para cuatro
pacientes diferentes; el inicio y el final de un episodio están dados por anotaciones manuales. Estos
cuatro ejemplos ilustran que el patrón de ocurrencia temporal puede diferir dramáticamente entre los
pacientes.

La base de datos de terminación de AF (AFTDB) ​es un subconjunto de LTAFDB compuesto por 80


Extractos de 1 minuto de pacientes con FA espontánea o persistente [​4​]. La base de datos se
compiló con el propósito de predecir la terminación espontánea de la FA. Los 80 registros se dividen
en un conjunto de entrenamiento con 30 registros y dos conjuntos de pruebas con 30 y 20 registros,
respectivamente.

La base de datos corta de AF(SSAFDB) ​de un solo conductorconsta de 12,186 conductores únicos

Grabaciones de ECG obtenidas de un dispositivo basado en un teléfono inteligente, con una duración de 9
a 60 s [​5​].

Las señales se muestrearon a una velocidad de 300 Hz, cuantificadas con una resolución de 16 bits sobre

(a) ​
AF
no AF
(segundo)​
AF

no AF

(do)​
AF

no AF

(d) ​
AF
no-AF
0 4 8 12 dieciséis 20
24

Tiempo (horas)

Fig. 3.2 ​Ejemplos de patrones de ocurrencia temporal de episodios en FA paroxística, obtenidos de ​Cuatro pacientes
monitoreados durante un período de 24 horas, formando parte de la Base de datos de FA a largo plazo. ​a Unos pocos
episodios largos que en conjunto extienden prácticamente todo el período de monitoreo, ​b numerosos episodios, a menudo
cortos, que en conjunto extienden prácticamente todo el período de monitoreo, ​c muchos episodios cortos agregados en un
período de 5 h, ​yd​ un episodio corto seguido de una gran cantidad de episodios más largo episodio 3-h

52 L. Sšrnmo et al.

Un rango de ± 5 mV, con un ancho de banda de 0.5 a 40 Hz. Aunque el cable no está especificado, la gran
mayoría es el cable I, ya que es el más sencillo de grabar con el dispositivo.

La base de datos se divide en un conjunto de capacitación con 8,528 grabaciones y un conjunto


de prueba con 3,658 grabaciones. Cada grabación se anota manualmente utilizando las siguientes
cuatro categorías: 1. Ritmo sinusal normal, 2. AF, 3. otro ritmo y 4. demasiado ruidoso para clasificar,
con 5076, 758, 2415 y 279 grabaciones en cada una de las categorías de el conjunto de
entrenamiento. Una categoría se aplica a todo el registro de ECG, incluso si la arritmia solo está
presente parcialmente. No se proporcionan anotaciones basadas en el ritmo.

Dado que el dispositivo basado en un teléfono inteligente se utiliza para la detección en el hogar y,
por lo tanto, es operado por el paciente, la calidad de la grabación es generalmente mucho menor
que, por ejemplo, en las grabaciones continuas a largo plazo. Además, la amplitud de la onda f es

generalmente más baja en la derivación I que en la derivación V​ , que es la ventaja preferida para el
1​
análisis de la onda f. La calidad de la señal se puede cuantificar utilizando un índice que determina la
idoneidad del análisis de las ondas f en segmentos de señal de 5 s [​6​], véase también la sección
Sect. ​6.5 ​para una breve descripción. El índice de calidad de la señal se normaliza al intervalo [0​, 1],
donde 1 representa la calidad más alta; Un valor de corte adecuado para una calidad de señal
aceptable es de 0.25. La Figura ​3.3​a presenta el histograma del índice de calidad de la señal,
computado en segmentos no superpuestos, de 5 s de todas las grabaciones de SSAFDB anotadas
como AF. Usando 0.25 como valor de corte, el 83% de todas las grabaciones en SSAFDB tienen una
calidad de señal que es demasiado baja para el análisis de onda.
El propósito original de compilar SSAFDB fue evaluar el desempeño de los clasificadores diseñados
para manejar segmentos cortos de ECG, mientras que las bases de datos de ECG ambulatorios a largo
plazo como AFDB y LTAFDB se han utilizado principalmente para evaluar el desempeño en términos de la
precisión con la que se pueden detectar los episodios de FA. Por lo tanto, diferentes tipos de algoritmos se
evalúan en SSAFDB y AFDB / LTAFDB.

La base de datos de arritmias MIT – BIH (MITDB) ​contiene 48 extractos de media hora de ​Grabaciones
ambulatorias de ECG de dos canales, obtenidas de 47 sujetos [​7​]. Las señales

(a)​
0.25

0.2

(%)
0.1
5

Grabaci
ones
0.1

0.05

(segundo)​ ​
0.25

0.2

(% 0
) .
1
Gr 5
ab
aci 0
on .
es 1

0
.
0
5

0
.
0 0.1 2 0.3 0.4 0.5 0 0 0.1 0.2
S S

Fig. 3.3 ​calidad de la señal evaluado en todas las grabaciones de AF en un ​el Breve Single-Lead AF base de datos y b

la base de datos Lund AF (plomo V​ un índice​(S)​que determina la idoneidad de análisis ​Ondas f [​6​]. Los
1),​usando
resultados se presentan como histogramas relativos

3 Bases de datos y simulación 53

se tomaron muestras a una velocidad de 360 ​Hz y se cuantificaron con una resolución de 11 bits en
un rango de ± 10 mV. Falta información sobre el ancho de banda y la colocación del cable.

Dado que solo ocho grabaciones contienen FA, con un total de 105 episodios, el valor principal de
esta base de datos es investigar el rendimiento de detección en presencia de arritmias sin FA, como
ßutter auricular, bigeminy y trigeminy.

La base de datos de ritmo sinusal normal (NSRDB, por sus siglas en inglés) MIT – BIH ​incluye
18 a largo plazo ​Grabaciones de ECG de sujetos sin arritmias significativas. Por lo tanto, solo la
especificidad de un detector de FA puede investigarse con esta base de datos, por ejemplo, en
presencia de arritmia sinusal respiratoria.

3.2 Bases de datos no públicos de ECG

Si bien las bases de datos públicas han eliminado gran parte del tiempo que conlleva el trabajo de
recopilación de datos, la necesidad de recopilar bases de datos que se ajusten bien a un problema
de investigación en particular sigue existiendo. Esto asegurará que el desarrollo de métodos y la
evaluación del desempeño se realicen con datos relevantes. Por ejemplo, el desarrollo de métodos
para la caracterización de ondas de onda requiere bases de datos obtenidas con conductores de
ECG que son más relevantes que los de las bases de datos públicas mencionadas anteriormente. De
hecho, la colección de bases de datos emparejadas promueve la diversidad en la investigación de
una manera que las bases de datos públicas históricamente no lo han hecho. Aunque la mayoría de
las bases de datos emparejadas no son públicas desde el principio, ya sean propietarias o
disponibles a un costo, se puede esperar que tarde o temprano se conviertan en públicas para
beneficiar a un grupo más grande de investigadores.

Teniendo en cuenta que muchas bases de datos públicas se recopilaron utilizando tecnología de
grabación antigua, donde MITDB es una de las más antiguas, desde 1982, otra motivación
importante para recopilar bases de datos es beneficiarse de la tecnología de grabación moderna, que
ofrece una mayor tasa de muestreo, mayor ancho de banda, menor nivel de ruido, más derivaciones
y mayor periodo de adquisición.

La base de datos de AF de Lund es un ejemplo de las numerosas bases de datos no públicas


recopiladas a lo largo de los años, con el fin de desarrollar y evaluar métodos para la caracterización
de la onda [​8​]. La base de datos contiene 211 registros de ECG extendidos de 12 derivaciones
obtenidos en reposo de pacientes con FA, en su mayoría persistentes (en algunos estudios, se
extrajo un segmento de 1 minuto de cada paciente en esta base de datos para garantizar la
presencia de FA en todo el segmento). Las señales se muestrearon a una velocidad de 1000 Hz,
cuantificadas con una resolución de 16 bits en un rango de ± 10 mV, con un ancho de banda de 0,1 a
300 Hz. No se proporcionan anotaciones.
Figura ​3.4​A presenta el histograma intervalo RR de la base de datos Lund AF, resem-bling el
histograma intervalo RR de AFDB se muestra en la Fig. ​3.1​b. Dado que el histograma en la Fig. ​3.4​a se
obtiene a partir de señales registradas en reposo, probablemente se habría desplazado hacia la izquierda
hacia intervalos más cortos si la base de datos se hubiera registrado durante la actividad física, con
implicaciones en la longitud del intervalo TQ y el análisis relacionado.

54 L. Sšrnmo et al.

(a)​
4000

RRinter
valos 30
00

20
00

de

Numer
o 10
00

(b

)​
150

1
0
0
Medidas 0

N 5
u 0
m 0
er
o
0

4
0 0.5 1 1.5 0 20 0 60

Longitud (s) de intervalo RR Amplitud RMS (µV)

Fig. 3.4 ​Histogramas de una ​intervalos yRR b ​amplitud de la ondafen la derivación V​


1,​determinados a partir de 1-min
segmentos de la base de datos de Lund AF

El histograma de la amplitud de la onda f en el cable V​ se presenta en la Fig. ​3.4​b. Aquí, la


1
amplitud se define como el valor de la media cuadrática (RMS) de las muestras contenidas en el
intervalo TQ, comenzando 350 ms después de un complejo QRS y terminando 50 ms antes del
complejo QRS anterior; no se realizó ninguna medición de la amplitud en intervalos TQ más cortos
que 250 ms. Sección ​6.2 ​proporciona una visión general de los diferentes enfoques para medir la
amplitud de la onda f.

La Figura ​3.3​b cuantifica que la calidad de la señal en la derivación V​


1 de la base de datos de
Lund AF es superior a la de SSAFDB. Este resultado es, por supuesto, esperado ya que la base de
datos anterior se registró durante el descanso, bajo la supervisión de un técnico que se aseguró de
que los electrodos estuvieran correctamente conectados. Utilizando un valor de corte de 0.25, el 11%
de todas las grabaciones tienen una calidad de señal que es demasiado mala para el análisis de
onda f, para contrastar con el 83% antes mencionado de SSAFDB.

3.3 Simulación de fibrilación auricular

Si bien las bases de datos con señales de ECG son fundamentales para el desarrollo y la evaluación
metodológica, la simulación basada en modelos ofrece ciertas ventajas, como la posibilidad de investigar
condiciones que son difíciles de tratar experimentalmente y la posibilidad de controlar las propiedades de
la señal simulada por un conjunto. de los parametros. Como resultado, el acuerdo entre las señales
simuladas y estimadas puede evaluarse cuantitativamente y expresarse en términos de medidas de
rendimiento adecuadas. Si se desea, estas medidas se pueden calcular para señales simuladas con
diferentes relaciones de señal a ruido (SNR). Las ventajas de la simulación se explotaron por primera vez
en el contexto de la extracción de la onda f, ya que ninguna de las bases de datos de ECG públicas se
prestan bien para la evaluación del rendimiento, y más tarde en el contexto de la detección de episodios
breves de FA, ya que la base de datos de ECG anotada con dichos episodios falta en gran medida .

3 Bases de datos y simulación 55

A continuación se describen brevemente tres modelos de simulación de onda f con una complejidad
muy diferente. Dado que ninguno de estos modelos produce una señal con actividad ventricular, la señal
de onda f simulada generalmente se agrega a las señales de ECG obtenidas de subtemas en ritmo sinusal
normal, siempre que las ondas P se hayan cancelado por primera vez. Al hacerlo, la variación inherente en
la morfología del QRS, por ejemplo, debido a la respiración, se transfiere de la transferencia registrada a la
señal de ECG simulada, que es importante en la extracción de ondas f ya que la variación morfológica
puede tener una influencia sustancial en el rendimiento. Los intervalos RR del ritmo sinusal normal
también se transfieren a la señal de ECG simulada, una transferencia que puede ser aceptable cuando se
investiga la señal de ECG simulada para la extracción de la onda f, pero claramente inaceptable para la
detección de la FA.

El ​modelo de diente de sierra de onda f se usa ampliamente en el desarrollo algorítmico, primero


introducido en [​9​] y luego empleado en, por ejemplo, [​10​Ð​14​]. Este modelo de señal está definido por
una suma de ​K sinusoidesmodulados en amplitud y frecuencia con frecuencias relacionadas
armónicamente,

d
( a​ (n) s​ in
n
k​
sin​(ω​ ​
) F​ ​n)​ ​n​ =​0,.. . ,​ N
​ ​ - 1​,
kω​ n +

= 0​ (3.1)


k=
1

donde ​ω​
0 = 2​π ​f​0 es la frecuencia fundamental, es decir, la contrapartida del modelo para el DAF.
La frecuencia fundamental ​ω​
0 es modulada por ​ω ​f = 2​π ​F ​f con una desviación máxima de ​f . La
amplitud variable en el tiempo ​a​
k ​(n) se define para que ​d ​(n) exhibe una característica de diente de
sierra,

(
a

o​(
ω​
a

donde ​a es la amplitud de diente de sierra, ​a es la amplitud de modulación máxima, y ​ω​


a =​ ​2​π f​a ​Es
la frecuencia de modulación de la amplitud. El modelo en (​3.1​) ofrece. c​ ierta flexibilidad ya que tanto
la amplitud de la onda f como la frecuencia están moduladas.

Una importante limitación del modelo de diente de sierra se reveló cuando el problema de la
extracción de la onda f se resolvió utilizando una red neuronal artificial [​15​]: la red podría aprender los
cambios predecibles en la amplitud y frecuencia de la señal de onda f simulada, lo que lleva a una
exageración. Figuras de rendimiento.

El ​modelo de replicación de onda f produce una señal basada en las muestras observadas de los
intervalos TQ [​16​]; No se trata de modelos matemáticos. La interpolación entre dos intervalos
sucesivos de TQ en el intervalo QT intermedio con muestras de onda f, utilizando el enfoque descrito
originalmente en [​9​]. Las ondas f del primer intervalo TQ se replican en el intervalo QT y se someten
a una ponderación lineal, y las ondas f en el segundo intervalo TQ subsiguientes se replican de la
misma manera, pero se invierten en el tiempo. Las muestras interpoladas del intervalo QT intermedio
resultan de la suma de las dos señales replicadas y ponderadas. Otras técnicas para la interpolación
basada en TQ se describen en la Sect.​ ​5.3​.

Si bien el modelo de replicación de la onda f puede producir señales realistas, no se puede controlar ni
la tasa de repetición ni la amplitud de las ondas f. Otra limitación importante

56 L. Sšrnmo et al.
es que la longitud de los intervalos TQ disminuye a medida que aumenta la frecuencia cardíaca, lo
que implica que el riesgo de producir señales de onda f poco realistas aumenta cada vez más a
mayor frecuencia cardíaca.

Un enfoque mucho más sofisticado para simular señales de onda f se basa en un ​modelo biofísico de
las aurículas [​17​], ver también [​18​, ​19​]. El modelo se basa en información anatómica derivada de
imágenes de resonancia magnética, que da cuenta de las entradas y salidas de los vasos, las ubicaciones
de las válvulas que conectan los atrios con los ventrículos, así como varios otros aspectos. La actividad
eléctrica de las aurículas se modela en términos de cinética de membrana, donde la presencia de
heterogeneidades en la duración del potencial de acción crea el sustrato para la FA sostenida. La teoría de
la conducción de volumen se emplea para describir la propagación de corrientes desde las fuentes
eléctricas de las aurículas a través de los tejidos pasivos del cuerpo hasta la superficie corporal, lo que
influye en la amplitud y morfología de las señales simuladas de la onda f de múltiples conductores.

Dado que ninguno de los tres modelos de simulación mencionados anteriormente tienen en cuenta
el cambio entre ritmos que no son de AF y AF, no se pueden utilizar para abordar el problema de la
detección de AF. Para llenar este vacío, se ha propuesto un modelo de FA paroxística [​20​], que
incluye no solo el cambio de ritmo, sino también la posibilidad de elegir si la señal simulada debe
estar compuesta de componentes sintéticos o reales, descritos en las Secciones. ​3.4 y ​3.5​,
respectivamente.

3.4 Simulación de FA paroxística usando componentes


sintéticos

La simulación de los ECG de múltiples derivaciones en la FA paroxística se basa en un modelo


fenomenológico, matemático del ritmo ventricular, morfología ventricular, morfología auricular y cambio de
ritmo, mientras que el ruido agregado a la señal simulada se deriva de una base de datos pública, ver Fig.
3.5​. Por lo tanto, la señal resultante está compuesta por componentes sintéticos cuyas propiedades están
controladas por un conjunto de parámetros que se definen, por ejemplo, la duración del episodio, la
variabilidad de la serie de intervalos RR en ritmo sinusal y la morfología de las ondas F, F y P, morfología
del complejo QRST, y porcentaje de auricular

Ventricular ventricular Fibrilación Ritmo

conmutació
ritmo morfología morfología n

ruido dede

base de
datos de

Modelo de nodo AF AV modelo de onda f Markov

QRST modelo
EC
complejo + G

modelo de Auricular
Modelo
SR delcorazón Modelo de onda p ectópica
variabilidad de la
tasa latidos

Fig. 3.5 ​Simulación de señales de ECG utilizando componentes sintéticos. El mismo modelo de complejos QRST se
emplea en ritmo sinusal (SR) yAF

bases de datos y simulación3 57

latidos prematuros (APBs). Para cada nueva realización de la señal simulada, los parámetros del modelo
se generan aleatoriamente a partir de distribuciones uniformes en rangos predefinidos para que se puedan
producir señales de ECG realistas con morfologías intersectoriales únicas.

El modelo de simulación asume inicialmente un sistema de vectorcardiogram (VCG), que consiste


en los cables ortogonales X, Y y Z. Una vez procesados ​adecuadamente, estos cables se
transforman en el sistema de ECG estándar de 12 cables. Una descripción detallada del modelo de
simulación se encuentra en [​20​], junto con una lista de los valores predeterminados de los
parámetros del modelo.

3.4.1 Fibrilación auricular

Ritmo ventricular​. Un modelo estadístico del nodo atrioventricular (AV) con doble ​Las vías se
utilizan para generar intervalos RR en AF [​21​]. En este modelo, los ventrículos se asumen para ser
activado por impulsos auriculares que llegan al nodo AV de acuerdo con un proceso de Pois-son con

tasa media de llegada ​λ​ que está estrechamente relacionado con el DAF. La función de
una,
densidad de probabilidad conjunta (PDF) de los intervalos RR consecutivos ​x​ , ​x​ , ..., ​X ​
0​ 1​ norte ​−1
está dado por

N ​−1
p​ (x​ ,
x​ 0​
x​ , ..., x
1​ (p​ ​
x​ , s​ (x​n​ ) ​+​ (​1​ -​

N​ ​−1​) ) p​ ​ ​ (x​
=
x​ ,​ f​ n​ )),

​ 0
n=

donde está la probabilidad de un impulso auricular conducido a través de la vía lenta, cuyo período

refractario está definido por una parte determinista ​τ​ y una parte estocástica ​τ​ ​ ​. Por lo tanto,
s s, pag
la probabilidad de un impulso auricular para tomar la vía rápida, cuya ​El período refractario está

definido por ​τ. ​ y ​τ ​


f F, ​p , es ​(​1 -). Para un impulso auricular que toma la vía lenta, el intervalo ​x entre
dos activaciones ventriculares sucesivas, es decir, el intervalo RR, se describe en el siguiente PDF
[​21​]:

0 ​<​ ​X​ <


​ τ​ ,​
0​, s​

λ​
a​ (x -​ λ​
a​ (x -​
e 2
τ​ ) τ​ )​
s​ x s​ x
p , <τ ,

τ
p​ ​
x​ , 2​τ​
s, p

(3
s​ (x) s,
s
s
,
.4
p
= - ≤ + p )

λ​
a

τ​ - ​λ​
a​ ​(x​ - ​τ​s​ - ​τ​
s,​ ​pag​ )​ ​ x​ ​ ≥ ​τ​
s​ + ​τ​
s,
s, p
λ​ ​exp
a​
- 2 pag​ ​.

El PDF de la vía rápida está descrito por ​p​ ​(X ​),​ siendo idéntico a (​3.4​) excepto que ​τ​
x ​, ​F s se

reemplaza por ​τ ​ y ​τ​


f s, ​p con ​τ ​
F, ​p . Capítulo ​7 ​proporciona una descripción completa de los
modelos de nodo AV para la simulación de intervalos RR en AF, incluido el modelo estadístico de
nodo AV en [​21​].

ondas​f.El modelo de diente de sierra de onda f en (​3.1​) se complementa con un estocástico


componente para que se puedan producir ondas f más complejas y menos predecibles [​15​].

58 L. Sšrnmo et al.

Usando, por conveniencia, un marco de tiempo continuo, la señal del modelo de onda f ​f​ ​(t ​) De la
l
l-ésima​ plomo vectorcardiographic se compone de dos componentes,

f​ (t) ​=​ d​ (t) +


​ ​ s​ (t), l ∈
​ ​ {​ X, Y, Z}​,
l​ l​ l​
(3.5)

donde ​d​ ​(t​ ​)​ se define de manera similar a


l​
(​3.1​),
K

F
a​ ​
l​ , k​ (t) p​ ecado
​ ​π​ ​F​ ​t​ ​),
sin​(2
d​ (t) ​=
l​ kΩ​ ​
​ t​ ​+
l​ ,0 F​
k​ (3.6)
k
​ 1
k=

pero con la diferencia que se introduce la dependencia del plomo, es decir, ​Ωl​ ​ ​,​0​ = 2​π​ ​F​l​ ​,0
​ ​y

a​ +
​ ​ a​ p
​ ecado​(Ω​
l​ l​ a, l​ n),
​ ​1
k= ​ ​,. . . , K.

En la FA paroxística, el DAF (correspondiente a ​F​ ​


​ )​ está típicamente contenido en el intervalo de
l ,0
3Ð7 Hz [​3​], mientras que, en FA persistente y permanente, es típicamente más alto y está contenido
en el intervalo de 5Ð12 Hz. Además, es bien sabido que el DAF depende de la ubicación anatómica

[​22​], que en el modelo se tiene en cuenta al configurar ​F​


​ a un valor 5% mayor que ​F​Y​,​0y​ ​FZ​
X​,0 ​

,0
a a valor 5% más pequeño que ​F​
​ ​. La tasa de llegada media ​λ​a de los impulsos auriculares que
Y​,0
llegan al nodo AV se toma como el promedio de las frecuencias ​F​
​ ,​ ​ ​FY​
X​,0 ​
​ ,​ y ​F​Z​,​0.​
,0

El componente de onda f estocástico ​s​ ​(t ​) resulta del filtrado de paso de banda múltiple del ruido
l
blanco, con dos bandas de paso relacionadas simétricamente con ​F​ ​
l ,​0 por [0​.6​ 5​Fl​ ​,0
​ ,​ 0​.​95​F​l ​,0
​ ]​ y
2​
[1​.​05​F​ ​
l ,​0,​ 1​.​35​F​l ​,​0].​ La varianza del ruido blanco de entrada ​σl​ ​ , s se toma como una fracción de
la amplitud del diente de sierra ​a​ en (​3.7​).
l​
Los minutos Þrst después del inicio de AF y el último minuto antes de la terminación de AF están
asociados con más organizada f ondas y un menor DAF​[23​D​25],​que en el modelo se contabiliza
mediante el uso de Þlters de paso de banda con bandas de paso estrechos para los Þrst tres minutos
y El último minuto del episodio. Se utiliza un conjunto de filtros de paso de banda con bandas de

​ ​F​ ​
paso gradualmente más amplias, comenzando en [0​.8 ​ 5​F​ ​ ​ ​F​ ​ 1​.​35​F​ ​
​ ,​
l ,0 0​.9
​ ]​
l ,0 y [1​.2
l ,​0,​ l ,​0]​ y
​ 5​F​ ​
terminando en [0​.6
​ ,​ 0​.9​ 5​Fl​ ​,0
l ,0 ​ ]​ y [1​.0​ 5​Fl​ ​,0
​ ,​ 1​.3​ 5​Fl​ ​,0
​ ],​ respectivamente. Para dar cuenta de la
menor DAF, ​F​ ​ se multiplica por un factor que aumenta linealmente de 0,8 a 1 durante los
l ,​0
primeros tres minutos de un episodio de FA. A la inversa, ​F​ ​ se multiplica por un factor que
l ,​0
disminuye linealmente de 1 a 0,8 durante el último minuto de un episodio de FA. La Figura ​3.6 ilustra
las ondas f simuladas al inicio, el punto medio y el final de un episodio de FA.

Otra generalización del modelo de diente de sierra, para hacer que la señal de onda f sea incluso
menos regular, es emplear un modelo no armónico adaptativo en el que la modulación de amplitud y
frecuencia se describe mediante una caminata aleatoria cuyos pasos se muestrean de una
distribución gaussiana de media cero. [​26​].

Complejos QRST​. El modelo de ECG tridimensional, dipolo único propuesto. ​in [​27​] se utiliza para
simular complejos QRST, basándose en el modelo dinámico basado en tres ecuaciones diferenciales
ordinarias acopladas [​28​]. Las tresortogonales

bases de datos3 y simulación 59

Primeros 5 segundos Medio 5 segundos Últimos 5 segundos

0.1 mV

1s

Fig. 3.6 ​Ondas f simuladas al inicio, el punto medio y el final de un episodio de FA, producidas por ​El modelo basado
en diente de sierra en (​3.5​).

Las derivaciones se obtienen proyectando el vector dipolo en las derivaciones registradas. El vector

dipolo, definido por ​q​ (t ​) ​q​ (t ​),​ y ​q​ (t ​)​, se modela como una suma de ​P diferentes funciones
X​ Y​ Z​
gaussianas,
donde cada gaussiano es escalado apropiadamente en amplitud y tiempo con ​αl​ ​, ​p y ​σl​ ,​ pag
​ ​,

respectivamente, y desplazado en el tiempo con μ​l ​, ​pag ​. Para permitir una amplia variedad de QRST

morfologías, ​αl​ ​, ​pag ​, σl​ ​, ​p , y ​μ​l ​, ​p Se asignan distribuciones uniformes de[​20​]. En contraste con los
modelos en [​27​, ​28​], donde el objetivo era simular una señal con latidos cardíacos recurrentes, el objetivo
del modelo de simulación de FA paroxística es producir un único complejo QRST y, por lo tanto, el bucle

VCG está definido por las derivaciones ortogonales ​q​X​(t ​) ​q​Y​(t ​),​ y ​qZ​
​ (t ​) es atravesado una sola vez.

Variación de amplitud se introduce por dejar ​α​l ​, ​p varía según una función sinusoidal cuya frecuencia se
​ 5​,​ 0​.​15] Hz para imitar las ondas de Mayer.
elige aleatoriamente en el intervalo [0​.0

El complejo QRST de tres derivaciones resultante ​q​ (t ​) ​q​ (t ​),​ y ​q​ (t ​) se coloca en el tiempo de
X​ Y​ Z​
ocurrencia producido por el modelo de nodo AV, acompañado de un remuestreo de la onda T para
garantizar que la duración se encuentre en el intervalo RR actual. Como el intervalo QT suele ser
más corto en AF que en ritmo sinusal, se establece en un valor de Þxed (360 ms) según las
observaciones informadas en [​29​, ​30​].

3.4.2 Ritmo sinusal

Ritmo ventricular​. Los intervalos RR en ritmo sinusal son simulados de acuerdo a ​La técnica
descrita en [​28​], donde la estimulación parasimpática (arritmia sinusal respiratoria) y la regulación de
baroreßex se modelan mediante un espectro de potencia bimodal de la serie de intervalos RR,
definido por dos funciones gaussianas.

y
2​
σ​RR​ ,​2
donde ​Ω​
1
60 L. Sšrnmo et al.

P (Ω -​ P (Ω -​
( e 2 e 2
Ω​ )​ Ω​ )​
Ω 1 x 1​ 2 x 2​
S ) p p ,

R 2 2
R = 2 - 2​σ​ ​ + 2 - 2​σ​ ​

2​π 2​π

σ​ σ​
RR​,​1 RR​, RR​,​2 RR​,
1 2

(3.9)

2​
y ​Ω​
2​ ​(Ω​1​ ​<Ω2​
​ )​ son las frecuencias medias con la varianza relacionada ​σ​RR​ ,1​ ​ y la potencia
espectral ​P​
1​ y ​P​2​, respectivamente. De baja a alta frecuencia

la relación de potencia está determinada por ​P​ / ​P​ . La frecuencia más alta ​Ω​ suele estar
1​ 2​ 2
relacionada con la frecuencia respiratoria.

La serie de intervalos RR resultante se obtiene calculando la transformada de Fourier inversa del

espectro ​S​
RR​(Ω).​ La frecuencia cardíaca deseada y la variabilidad de la frecuencia cardíaca se
establecen al escalar la serie de intervalos RR y agregar un valor de compensación. Las oscilaciones
de muy baja frecuencia se modelan mediante un componente de media cero agregado a la salida del
modelo en [​28​]. Este componente se produce mediante un modelo autorregresivo de tercer orden,
identificado a partir de una serie de intervalos RR de paso bajo filtrada (frecuencia de corte de 0,001
Hz) tomada de NSRDB [​20​].

Las ondas​P.Se utiliza una combinación lineal de funciones de Hermite para modelar ondas P en el
derivaciones ortogonales,
3

w​ ​
l​ ,

i​ φi​
(t), l

{X,
Y,
Z}​,
i​= 1

donde ​w​ ​ son pesos dependientes del plomo. Las primeras tres funciones de Hermite están
l, i
definidas por

·
E
x
p
√​
σ​P​,1
​ ​ π

√​
π

con morfología mono, bi y trifásica, respectivamente. El ancho de ​φ​i ​(t ​) está determinado por ​σ​P​, i , que
se trata como un parámetro independiente del cable. FUNC-ciones de Hermite se propusieron
originalmente en​[31]​para el modelado de la morfología del complejo QRS, y más tarde exploraron para
diferentes propósitos en el análisis ECG, véase, por ejemplo,​[32​D35].

Dependiendo de la polaridad y la morfología, las ondas P pueden clasificarse en tres tipos diferentes
[​36​], de las cuales las ondas P de tipo 2 son las que se consideran para la simulación, caracterizadas por
una morfología monofásica positiva en las derivaciones X e Y, y morfología bifásica en el cable Z con una
transición de polaridad negativa a positiva. Este tipo de onda P es predominante en pacientes con FA
paroxística [​36​, ​37​]. Dado que las ondas P son monofásicas en las derivaciones X e Y, los valores más

grandes se asignan a ​w​X​,​1 y ​w​Y​,​1,​ mientras que se asigna un valor mayor a ​wZ​
​ ,​2 para enfatizar la
morfología bifásica en

3 bases de datos y simulación 61

plomo Z. Para explicar el hecho de que la morfología de la onda P varía con el tiempo, ​w​ ​
l , i y ​σ​P​, i
varían de acuerdo con una función sinusoidal cuya frecuencia se elige aleatoriamente en ​el intervalo
[0​.​05​,​ 0​.1
​ 5] Hz.

Complejos QRST​. La técnica utilizada para simular complejos QRST en la FA es ​También se utiliza
en ritmo sinusal. El remuestreo de la onda T se basa en la conocida fórmula de Bazett, que establece
el intervalo QT corregido en 420 ms [​38​]. Inmediatamente después de la terminación de AF, la
duración de la onda T aumenta linealmente en los próximos siete latidos para producir una transición
suave del intervalo QT de AF a ritmo sinusal. La elección de una transición de siete tiempos es ad
hoc, ya que la transición del intervalo QT en la FA no se ha investigado mucho en la literatura.

3.4.3 Latidos prematuros auriculares

Dado que las APB son frecuentes en pacientes con FA [39-42], es importante tener en
cuenta su presencia en el modelo de simulación. Usando una cadena de Markov simple de
dos estados, se introduce un cierto porcentaje de APB, elegidos entre los siguientes cuatro
tipos de APB unifocales [43]:

1. APB con restablecimiento del nodo sinusal. La suma de la longitud de los intervalos
RR anteriores y posteriores es menor que el doble del intervalo RR normal, simulada por un
acortamiento del 20% del intervalo RR anterior y dejandoposterior
RR sin cambios el intervalo.

2. Los APB interpolados ocurren entre dos latidos sinusales adyacentes, simulados
dividiendo un intervalo RR en dos intervalos con proporciones de 60/40.

3. APB con reinicio retardado del nodo sinusal, simulado por un 20% de reducción del
intervalo RR anterior y 20% de prolongación del intervalo RR posterior.

4. APB con pausa compensatoria completa, simulada por un 20% de reducción del
intervalo RR precedente y restando el intervalo RR acortado del doble delnormal
RR intervalopara obtener el intervalo RR posterior.

La probabilidad de generar APB consecutivos, es decir, pareados, tripletes y tiradas cortas,


se incrementa al establecer el porcentaje de APB en un valor grande. Para tener en cuenta
el hecho de que las ondas P asociadas con los APB a menudo se desvían en amplitud y
morfología de las ondas P normales en ritmo sinusal, se genera un nuevo conjunto de
valores de parámetros y se utiliza para simular las ondas P que preceden a los APB. Los
complejos QRST se generan de la misma manera que se hace en ritmo sinusal. La figura
3.7 ilustra los ECG simulados con diferentes tipos de APB.

3.4.4 Respiración

Para tener en cuenta el hecho de que la respiración influye en la morfología de QRST a


través de cambios en el eje eléctrico del corazón, la señal de VCG simulada se transforma
mediante una

62 L. Sšrnmo et al.

APB APB

(a)

APB APB

(b)

APB APB

(c)

APB APB

(d)
1 mV

1s

Fig. 3.7 ECG simulados que contienen latidos prematuros auriculares (APB) con
restablecimiento del nodo sinusal (tipo 1), b APB interpolados (tipo 2), c APB con retraso del
restablecimiento del nodo sinusal (tipo 3) y d APB con pausa compensatoria completa (tipo
4)

matriz de rotación Q (t), compuesta por tres rotaciones sucesivas alrededor de cada uno de
los ejes [44],

Q (t) = QX (t) QY (t) QZ (t). (3.14)

Las tres matrices de rotación están definidas por los ángulos variables en el tiempo ϕX (t),
ϕY (t) y ϕZ (t),

QX (t) = 1 0 0
0 cos ϕX (t) sin ϕX (t) , (3.15)
0 - sin ϕX (t) cos ϕX (t)
QY (t) = cos ϕY (t) 0 sin ϕY (t)
0 1 0 , (3.16)
- sin ϕY (t) 0 cos ϕY (t )

cos ϕZ (t) sin ϕZ (t) 0


QZ (t) = - sin ϕZ (t) cos ϕZ (t) 0. (3.17)
0 0 1

Se supone que la variación angular es proporcional a la cantidad de aire en los pulmones


durante un ciclo respiratorio, una propiedad modelada como el producto de dos funciones
sigmoideas que reflejan la inspiración y la espiración,

ψ (t) = 1 1 , (3.18)

1 + e − γin t 1 + eγex (t −δ)


3 Bases de datos y simulación 63

donde γin y γex definen la duración de la inspiración y el vencimiento, respectivamente, y δ


definen el retraso entre la inspiración y el vencimiento. En la derivación X, la variación
angular a lo largo de los ciclos respiratorios sucesivos se define mediante


ϕX (t) = ξXψ (t - i Tr), (3.19)
i=0

donde Tr es la duración de un ciclo respiratorio (inversamente relacionado con el


respiratorio Þxed frecuencia, es decir, Tr = 2π / Ωr), y ξX es la variación angular máxima. La
variación angular en los cables Y y Z se determina de manera similar, definida por ξY y ξZ,
respectivamente. La elección de los valores de los parámetros del modelo realista se
describe en [45], así como una extensión del modelo en (3.19) para que se pueda tener en
cuenta una frecuencia respiratoria variable en el tiempo.

En el ritmo sinusal, la frecuencia respiratoria Ω2 en (3.9), que determina el ritmo ventricular


a través del sistema autónomo, debería, preferiblemente, establecerse en Ωr. En la FA, la
influencia autonómica de la respiración en el ritmo ventricular no se modela, ya que la
interacción cardiorrespiratoria es insignificante [46].

3.4.5 Ruido aditivo

Se pueden agregar tres tipos de ruido en las grabaciones ambulatorias: desviación de línea
de base, ruido muscular y artefactos de movimiento del electrodo al ECG simulado. Estos
tipos de ruido se extraen de la base de datos de pruebas de estrés por ruido MITÐBIH,
compuesta por un número de grabaciones de 30 minutos que contienen
predominantemente desviaciones de línea de base, ruido electromiográfico y artefactos de
movimiento de electrodos [47]. Las dos derivaciones de las grabaciones en esta base de
datos están etiquetadas como derivaciones X e Y, mientras que el ruido en la derivación Z
se construye calculando la raíz cuadrada de la suma de los cuadrados de las derivaciones X
e Y (se agrega un valor de compensación antes de la cuadratura, y la media se resta
después de sacar la raíz cuadrada).

3.4.6 Transformación de VCG a ECG de

12 derivaciones Se aplican diferentes matrices de transformación a las ondas f, ondas P y


complejos QRST cuando se calcula el ECG estándar de 12 derivaciones del VCG. La
transformación de la onda f se basa en la inversa de la matriz de transformación optimizada
de la onda P [48], multiplicada por una matriz de escala diagonal que determina la tendencia
de la amplitud de la onda f en el ECG de 12 derivaciones [20]. La matriz diagonal explica el
hecho de que la amplitud de la onda f es típicamente mayor en V1 y luego disminuye
gradualmente a medida que los cables se alejan de los atrios. La disminución de la amplitud
puede explicarse por un vector eléctrico mucho más disperso en la FA que en el ritmo
sinusal, combinado con un aumento de la diseminación.

64 L. Sšrnmo et al.

Tancia al sitio del electrodo. El ECG de 12 derivaciones simulado resultante con ondas f,
pero no los complejos QRST, se ilustra en la figura 3.8a, y un ECG de 12 derivaciones real,
cuyas ondas f se parecen a las simuladas, se ilustra en la figura 3.8b.

La inversa de la matriz de transformación optimizada de la onda P en [48] se utiliza para


reconstruir las ondas P en el ECG de 12 derivaciones, ver Fig. 3.9.

La matriz Dower [49, 50] se utiliza para calcular los complejos QRST, así como el ruido, en
el ECG de 12 derivaciones. Sin embargo, la transformación de los complejos QRST y el
ruido se realiza por separado para que el ruido se pueda escalar en cada derivación al valor
RMS deseado antes de agregarse a la señal de 12 derivaciones compuesta de actividad
tanto auricular como ventricular.

(a) (b)
aVL aVL
I I
-aVR -aVR
II II
aVF aVF
III III
V1 V1
V2 V2
V3 V3
V4 V4
V5 V5
V6 V6

Fig. 3.8 a ondas f simulados producidos por el modelo en (3.5), y BF ondas extraídas de un
ECG real mediante una red de estado de eco [15]

aVL I –aVR II aVF III


V1 V2 V3 V4 V5 V6

10. mV

0.1 s

Fig. 3.9 Diez realizaciones superpuestas de ondas P en el ECG estándar de 12


derivaciones, modelado como una combinación lineal de las primeras tres funciones de
Hermite que usan pesos generados aleatoriamente

3 Bases de datos y simulación 65

3.4.7 Cambio entre fibrilación auricular y ritmo sinusal

El cambio entre ritmo sinusal y FA se modela mediante una cadena de Markov de tiempo
continuo de dos estados, donde el tiempo d pasado en un estado, también conocido como
duración del episodio , está determinado por el PDF exponencial

βd e − βd d, d ≥ 0,
p (d) = (3.20)
0, d <0.

El parámetro βd determina la tasa de episodios. La duración media de un episodio de FA


está dada por
d ln 2 , (3.21)

¯AF = βAF
donde βAF denota la tasa de episodios de AF, cf. (3.4). Se supone que la duración media
de un episodio con ritmo sinusal viene dada por

d B d , (3.22)
B)
¯SR = (1 - • ¯AF

donde B (0 <B <1) determina el tiempo total que está presente AF, y por lo tanto B se puede
ver como un descriptor de media carga AF. El único parámetro de control episodio
¯
duración es dAF, y no duración mínima episodio se speciÞed.

se ha propuesto un modelo de conmutación más avanzada, no Markovian que representan


aspectos de AF progresión relacionada con la disposición genética, la edad y la
remodelación de la historia de la FA [51]. El modelo puede simular episodios individuales de
FA, así como la progresión natural de la FA en pacientes durante un período de décadas.
La posibilidad de generar episodios con duración variable es valioso para simular la
progresión de la arritmia. La evidencia muestra que los episodios breves progresan a
episodios más largos [52, 53], lo que implica que es interesante evaluar el rendimiento de
detección en función de la duración del episodio. Además, se han observado episodios
breves pero raros en pacientes después de un accidente cerebrovascular criptogénico y un
ataque isquémico transitorio [54Ð57]. Dichas señales pueden simularse con el modelo
descrito en esta sección, utilizando, por ejemplo, una duración media del episodio de 30
latidos y una carga de AF baja de 0,001.

3.5 Simulación de AF paroxístico usando componentes reales

Alternativamente, el simulador puede producir señales basadas en componentes de ECG


reales, seleccionados al azar de las tres bases de datos que se utilizan para caracterizar el
ritmo ventricular, la actividad auricular (f o las ondas P) y los complejos QRST, ver Fig. 3.10.

66 L. Sšrnmo
et al.
Ventricular ventricular atrial Rhythm

ritmo morfología morfología conmutación


ruido dede

serie RR onda def de

AF Markov
base de datos de
de LTAFDB QRST AFpacientes

modelo

complejo
+ ECG

de fibrilación

SR serieRR PTBDB P de onda de


ectópico
de NSRDB PTBDB
late.
Fig 3.10 Simulación de señales ECG utilizando verdadero componentes, tomados de la
Base de datos de FA a largo plazo (LTAFDB), la Base de datos de ritmo sinusal normal
MITÐBIH (NSRDB) y la Base de datos de ECG de diagnóstico PTB (PTBDB)

Estos componentes, junto con los tipos de ruido descritos anteriormente, se agregan a
Procure el ECG estándar de 12 derivaciones.

Ritmo ventricular. La base de datos de fibrilación auricular a largo plazo se utilizó para crear
un conjunto de ritmos de FA. Se extrajeron un total de 69 series de intervalos RR diferentes
de las 84 grabaciones de ECG a largo plazo; las 15 grabaciones restantes se excluyeron
debido a su duración relativamente corta con AF (<5000 latidos). De manera similar, se
utilizó el NSRDB completo, que consta de 18 grabaciones de ECG a largo plazo, para crear
un conjunto de ritmos sinusales. El cambio entre la FA paroxística y el ritmo sinusal se
modela de la misma manera que para los componentes sintéticos, cf. Secta. 3.4.7.

Para cada señal simulada, la serie de intervalos RR del ritmo predominante se selecciona
aleatoriamente del conjunto de ritmos apropiado y se repite por concatenación hasta que se
alcanza la longitud deseada. Si bien la frecuencia cardíaca suele ser mayor en la FA que en
el ritmo sinusal, puede que este no sea el caso cuando se concatenan intervalos RR
seleccionados al azar en la frecuencia sinusal y la FA. Por lo tanto, cuando el intervalo RR
medio es más corto en ritmo sinusal que en AF, el intervalo RR medio en ritmo sinusal se
ajusta para que sea idéntico al intervalo RR medio en AF.

Se debe tener en cuenta que cuando se simulan ECG utilizando componentes reales, las
frecuencias auriculares y ventriculares no están relacionadas, ya que las ondas f y las series
de intervalos RR se extraen de diferentes bases de datos.

F y las ondas P. Se extrajo un conjunto de 20 segmentos con ondas f reales de múltiples


derivaciones de la base de datos de Lund AF con ECG de 12 derivaciones, adquiridos de
pacientes con FA persistente [8]. Se aplicó una red de estado de eco para la extracción de
onda f [15], véase también la sec. 5.5.3. La derivación V6 se usó como referencia cuando se
extrajeron las ondas f en los 11 derivaciones restantes del ECG, mientras que la derivación
V5 se usó cuando se extrajeron las ondas f en la derivación V6, ver Fig. 3.8b.

En ritmo sinusal, se conserva la onda P real y original, junto con el subsiguiente complejo
QRST, mientras que en AF solo se retiene el complejo QRST y se agrega una señal de
onda f continua.

Complejos QRST. Un conjunto de 100 ECG de 15 derivaciones (12 derivaciones estándar


más las derivaciones de Frank) con ritmo sinusal, seleccionado de la base de datos
PhysikalischÐTechnische Bundesanstalt, sirve de base para modelar complejos QRST.
Siguiente línea de base

Eliminación de y delimitación QRST [58], la onda T original se remuestrea para tener un


ancho de Þxado y luego se ajusta a la frecuencia cardíaca prevaleciente de acuerdo con el
procedimiento descrito en la Sect. 3.4.1. Dado que los ECG de esta base de datos duran
solo unos dos minutos, los complejos QRST se repiten por concatenación hasta que se
alcanza la duración deseada. El intervalo TQ se interpola usando interpolación spline
cúbica. Todos los demás pasos necesarios para generar complejos QRST son similares a
los descritos en la Sección. 3.4.1.

Las señales simuladas compuestas de componentes de ECG sintéticos o reales se ilustran


en la Fig. 3.11.

3.6 Relevancia de las señales simuladas

La pregunta de si un modelo de simulación produce señales realistas no es fácil de


responder ya que el término "realista" es difícil de cuantificar. Históricamente, esta pregunta

(una)

PAF

(segundo)

PAF
aVL aVL

I I

–aVR – aVR

II II
aVF aVF
III III
V1

V2 V2

V3 V3

V4 V4

V5 V5

V6 V6

Fig. 3.11 ECG simulados de 12 derivaciones que contienen un breve episodio de FA,
compuesto de componentes sintéticos y real componentes Usando componentes sintéticos,
el ECG de 12 derivaciones se obtiene de las señales simuladas en las derivaciones X, Y y
Z, siguiendo las transformaciones lineales. Usando componentes reales, el ECG original de
12 derivaciones se toma de la base de datos de Lund AF, seguido de la eliminación de las
ondas P y la adición de ondas f extraídas

68 L. Sšrnmo et al.

no ha recibido mucha atención, en su caso, en artículos que describen modelos de


simulación del ECG, ver, por ejemplo, [28, 31, 59, 60], aunque los modelos han resultado
ser los más valiosos en el desarrollo de algoritmos de procesamiento de señales: una
observación que se aplica particularmente al modelo de simulación en [28]. Para
proporcionar una respuesta cuantitativa, la idea de permitir que expertos cardiólogos
evalúen ciegamente el realismo de las señales de ECG simuladas se materializó por
primera vez en [20], e involucró no solo las señales de ECG simuladas producidas por el
modelo en la Sección. 3.4, pero también señales de ECG reales [20]. Los resultados
mostraron que las señales simuladas eran, en su mayor parte, realistas, pero también
mostraron que el enfoque para modelar el intervalo QT en la FA necesitaba una mejora.
Para hacer que el resultado de la evaluación de expertos sea más poderoso, hubiera sido
deseable con más de dos cardiólogos para que se pudieran extraer conclusiones de mayor
alcance.
En el contexto de la detección de FA, un enfoque indirecto para evaluar el realismo de la
señal es analizar señales simuladas usando algún detector adecuado y luego comparar los
resultados obtenidos con los obtenidos usando el mismo detector en una base de datos
existente que contiene ECG reales [20]. Ninguno de estos enfoques ha sido considerado en
el pasado, aunque puede proporcionar una valiosa información sobre si las señales
simuladas están demasiado "procesadas" para ser utilizadas para el desarrollo de
detectores de FA.

El grado de sofisticación de un modelo de simulación es otra manera de juzgar la relevancia


del modelo, como se indica en [17] donde el modelo de replicación de onda f fue etiquetado
como "primitivo" y el modelo de ritmo sinusal normal [28] mencionado anteriormente como
Òsimple, Ó mientras que el modelo biofísico propuesto por los propios autores fue
etiquetado como "más sofisticado" en la producción de señales de ECG. Teniendo en
cuenta que el modelo biofísico da cuenta de información electroanatómica detallada,
mientras que los otros dos modelos no lo hacen, tal etiquetado parece razonable. Pero, ¿un
mayor grado de sofisticación implica que el modelo es más adecuado para el desarrollo de
algoritmos de procesamiento de señales y la evaluación del rendimiento? El hecho de que
los modelos biofísicos difícilmente se hayan considerado para tales propósitos proporciona
una respuesta a esta pregunta, con complejidad de implementación y computación,
dificultad para controlar las características básicas de la señal, como la amplitud de la onda
f y la tasa de repetición, y la falta de modelos de conmutación del ritmo como razones
probables Desde un punto de vista algorítmico, no es obvio por qué los modelos biofísicos
producen necesariamente señales de ECG que son más relevantes que las de los modelos
fenomenológicos, como los que se describen en las Sectas. 3.4 y 3.5.

Referencias

1. AL Goldberger, LA Amaral, L. Glass, JM Hausdorff, PC Ivanov, RG Mark, JE Mietus,


GB Moody, CK Peng, HE Stanley, PhysioBank, PhysioToolkit y PhysioNet: componentes de
un nuevo recurso de investigación para fisiológicos complejos señales Circulation 101,
E215Ð220 (2000)

2. GB Moody, RG Mark, un nuevo método para detectar la Þbrilación auricular


utilizando intervalos RR, en Procedimientos de computadoras en cardiología vol. 10,
227-230 (1983)

3. S. Petrutiu, AV Sahakian, S. Swiryn, Cambios abruptos en las características de la


onda brillatoria en la terminación de la Þbrilación auricular paroxística en humanos.
Europace 9, 466-470 (2007)

3 Bases de datos y simulación 69

4. GB Moody, terminación espontánea de la inflamación auricular: un desafío de


PhysioNet y Computers in Cardiology 2004, en Proceedings of Computers in Cardiology vol.
31, 101Ð104 (2004)

5. GD Clifford, C. Liu, B. Moody, L.-WH Lehman, I. Silva, Q. Li, A. Johnson, RG Mark,


clasificación de AF a partir de una breve grabación de ECG de un solo conductor: el
PhysioNet Computing in Cardiology Challenge 2017, en Actas de Computing in Cardiology
vol. 44, 1 (2017)

6. M. Henriksson, A. Petrúenas, V. Marozas, F. Sandberg, L. Sšrnmo, Evaluación


basada en modelos de la calidad de la señal de onda f en pacientes con Þbrilación
auricular. IEEE Trans. Biomed. Ing. (2018, aceptado)

7. RG Mark, PS Schluter, GB Moody, PH Devlin, D. Chernoff, Una base de datos de


ECG anotada para evaluar los detectores de arritmia. Proc. Frente IEEE. Ing. Health Care,
205Ð210 (1982)
8. M. Stridh, L. Sšrnmo, CJ Meurling, SB Olsson, Caracterización secuencial de
taquiarritmias auriculares basadas en el análisis de tiempo-frecuencia de ECG. IEEE Trans.
Biomed. Ing. 51, 100Ð 114 (2004)

9. M. Stridh, L. Sšrnmo, Técnicas de cancelación de QRST espaciotemporales para el


análisis de atrbrilación auricular. IEEE Trans. Biomed. Ing. 48, 105-111 (2001)

10. F. Sandberg, M. Stridh, L. Sšrnmo, Análisis robusto de tiempo-frecuencia de la


Þbrilación auricular utilizando modelos ocultos de Markov. IEEE Trans. Biomed. Ing. 55,
502-511 (2008)

11. VDA Corino, LT Mainardi, M. Stridh, L. Sšrmno, Análisis mejorado de


tiempo-frecuencia de las señales de illabrilación auricular utilizando modelos espectrales.
IEEE Trans. Biomed. Ing. 56, 2723-22730 (2008)

12. R. Alcaraz, JJ Rieta, análisis de organización de ECG de superficie para predecir la


terminación de la inflamación de la región paroxística auricular. Comput. Biol. Medicina. 39,
697Ð706 (2009)

13. R. Sassi, VDA Corino, LT Mainardi, Análisis de señales auriculares de superficie:


¿series temporales con datos faltantes? Ana. Biomed. Ing. 37, 2082-2092 (2009)electrodo

14. H. Dai, S. Jiang, Y. Li, extracción de actividad auricular a partir de registros de ECG
deúnico: evaluación de dos métodos novedosos. Comput. Biol. Medicina. 43, 176Ð183
(2013)

15. A. Petrúenas, V. Marozas, L. Sšrnmo, A. Lukoševiÿcius, Una red neuronal de estado


de eco para la cancelación de QRST durante la Þbrilación auricular. IEEE Trans. Biomed.
Ing. 59, 2950Ð2957 (2012)
16. F. Castells, JJ Rieta, J. Millet, V. Zarzoso, enfoque espaciotemporal de la separación
de la fuente ciega para la estimación de la actividad auricular en las taquiarritmias
auriculares. IEEE Trans. Biomed. Ing. 52, 258-267 (2005)
17. V. Jacquemet, A. van Oosterom, J.-M. Vesin, L. Kappenberger, Análisis de
electrocardiogramas durante la Þbrilación auricular: un enfoque biofísico. IEEE Med. Biol.
Ing. revista 25, 79Ð88 (2006)
18. O. Blanc, N. Virag, J.-M. Vesin, L. Kappenberger, un modelo informático de atrios
humanos con una carga de cálculo razonable y propiedades anatómicas realistas. IEEE
Trans. Biomed. Ing. 48, 1229-1237 (2001)

19. N. Virag, V. Jacquemet, CS Henriquez, S. Zozor, O. Blanc, J.-M. Vesin, E. Pruvot, L.


Kappen-berger, Estudio de arritmias auriculares en un modelo informático basado en
imágenes de resonancia magnética de atrios humanos. Chaos 12, 754-763 (2002)

20. A. Petrúenas, V. Marozas, A. Sološenko, R. Kubilius, J. Skibarkienúe, J. Oster, L.


Sšrnmo, Modelado de electrocardiogramas durante la destilación auricular paroxística:
aplicación a la detección de breve episodios Fisiol. Medir 38, 2058-2080 (2017)

21. VDA Corino, F. Sandberg, LT Mainardi, L. Sšrnmo, un modelo de nódulo


atrioventricular para el análisis de la respuesta ventricular durante la brilación auricular.
IEEE Trans. Biomed. Ing. 58, 3386-3395 (2011)

22. MS Guillem, AM Climent, J. Millet, ç. Arenal, F. Fernández ‡ ndez-Avil´s, J. Jalife, F.


Atienza, O. Berenfeld, localización no invasiva de sitios de frecuencia máxima de Þbrilación
auricular por mapeo de potencial de superficie corporal. Circ. Arritmico Electrofisiol. 6,
294-301 (2013)

23. F. Ravelli, M. Mas •, MD Greco, L. Faes, M. Disertori, Deterioro de la organización en


los primeros minutos de Þbrilación auricular: un análisis latido a latido de la duración del
ciclo y similitud de onda. J. Cardiovasc. Electrofisiol. 18, 60Ð65 (2007)

24. R. Alcaraz, JJ Rieta, Evaluación de la variación de la organización no invasiva en el


inicio y la terminación de la illabrilación auricular paroxística. Comput. Métodos Programas
Biomed. 93, 148Ð154 (2009)

70 L. Sšrnmo et al.

25. M. Mas •, M. Marini, M. Disertori, F. Ravelli, Dinámica del acoplamiento AV durante


la Þbrilación auricular humana: papel de la frecuencia auricular. A.m. J. Physiol. Corazon
circ. Fisiol. 309, H198ÐH205 (2015)

26. J. Malik, N. Reed, C.-L. Wang, H.-T. Wu, extracción de onda f de un solo cable
mediante geometría por difusión. Fisiol. Medir 38, 1310-1334 (2017)

27. R. Sameni, GD Clifford, C. Jutten, MB Shamsollahi, ECG multicanal y modelado de


ruido: aplicación a señales de ECG maternas y fetales. J. Adv. Signal Process., 1Ð14 (2007)
28. PE McSharry, GD Clifford, L. Tarassenko, LA Smith, Un modelo dinámico para
generar señales de electrocardiograma sintéticas. IEEE Trans. Biomed. Ing. 50, 289-294
(2003)

29. Pai GR, JM Rawles, El intervalo QT en Þbrilación auricular. Brit. Heart J. 61,
510Ð513 (1989)

30. DL Musat, M. Adhaduk, MW Preminger, A. Arshad, T. Sichrovsky, JS Steinberg, S.


Mittal, Correlación de los métodos de corrección del intervalo QT durante la destilación
auricular y el ritmo sinusal. A.m.
J. Cardiol. 112, 1379-1383 (2013)

31. L. Sšrnmo, PO Bšrjesson, ME NygŒrds, O. Pahlm, Un método para evaluar las


características de la forma QRS utilizando un modelo matemático para el ECG. IEEE Trans.
Biomed. Ing. 28, 713–717 (1981)

32. P. Laguna, R. Jan®, S. Olmos, NV Thakor, H. Rix, P. Caminal, estimación adaptativa


del complejo QRS por el modelo de Hermite para la clasificación y detección de latidos
ectópicos. Medicina. Biol. Ing. Comput 34, 58Ð68 (1996)

33. TH Linh, S. Osowski, M. Stodolski, reconocimiento en línea de latidos del corazón


utilizando polinomios de Hermite y una red neuro-difusa. IEEE Trans. Instrum Medida. 52,
1224Ð1231 (2003)
34. H. Haraldsson, L. Edenbrandt, M. Ohlsson, Detectando el infarto agudo de miocardio
en el ECG de 12 derivaciones utilizando expansiones de Hermite y redes neuronales. Artif.
Intell. Medicina. 32, 127Ð136 (2004)

35. A. Sandryhaila, S. Saba, M. Puschel, J. Kovacevic, Compresión eficiente de


complejos QRS utilizando expansión de Hermite. IEEE Trans. Proceso de señal. 60,
947-955 (2012)

36. R. Havmšller, J. Carlson, F. Holmqvist, A. Herreros, C. Meurling, SB Olsson, PG


Platonov, Cambios relacionados con la edad en la morfología de la onda P en sujetos
sanos. BMC Cardiovasc. Desorden 7, 22 (2007)

37. F. Holmqvist, MS Olesen, A. Tveit, S. Enger, J. Tapanainen, R. Jurkko, R. Havmšller,

S. Hauns¿, J. Carlson, JH Svendsen, PG Platonov, Activación auricular anormal en


pacientes jóvenes con Þbrilación auricular solitaria. Europace 13, 188-192 (2011)

38. HC Bazett, un análisis de las relaciones temporales de los electrocardiogramas.


Heart 7, 353-370 (1920)

39. S.-A. Chen, M.-H. Hsieh, C.-T. Tai, C.-F. Tsai, VS Prakash, W.-C. Yu, T.-L. Hsu,
Y.-A. Ding, M.-S. Chang, inicio de la Þbrilación auricular por latidos ectópicos originados en
las venas pulmonares: características electrofisiológicas, respuestas farmacológicas y
efectos de la ablación por radiofrecuencia. Circulation 100, 1879-1886 (1999)
40. D. Wallmann, D. Tüller, K. Wustmann, P. Meier, J. Isenegger, M. Arnold, HP Mattle,
E. DelacrŽtaz, Los latidos prematuros auriculares frecuentes predicen la  exión paroxística
auricular en el ictus Pacientes: una oportunidad para una nueva estrategia diagnóstica.
Stroke 38, 2292-22294 (2007)

41. M. Weber-KrŸger, K. Gršschel, M. Mende, J. Seegers, R. Lahno, B. Haase, C.-F.


Niehaus,

F. Edelmann, G. Hasenfu§, R. Wachter, R. Stahrenberg, La actividad ectópica


supraventricular excesiva es indicativa de Þbrilación auricular paroxística en pacientes con
isquemia cerebral. PLoS ONE 8, e67602 (2013)

42. DJ Gladstone, P. Dorian, M. Spring, V. Panzov, M. Mamdani, JS Healey, KE Thorpe,


para el Comité Directivo EMBRACE e Investigadores, los latidos prematuros auriculares
predicen la atrbrilla atrial en criptogénico accidente cerebrovascular: resultados del ensayo
EMBRACE. Stroke 46, 936-941 (2015)
43. T. Thong, J. McNames, M. Aboy, B. Goldstein, Predicción de la illabrilación auricular
paroxística por análisis de complejos prematuros auriculares. IEEE Trans. Biomed. Ing. 4,
561-569 (2004)

44. M. • stršm, E. Carro, L. Sšrnmo, P. Laguna, B. Wohlfart, Alineación del bucle


vectorcardiográfico y la medición de la variabilidad morfológica latido a latido en señales
ruidosas. IEEE Trans. Biomed. Ing. 47, 497Ð506 (2000)

45. R. Bail — n, L. Sšrnmo, P. Laguna, Un método robusto para la estimación basada en


ECG de la frecuencia respiratoria durante las pruebas de esfuerzo. IEEE Trans. Biomed.
Ing. 53, 1273-1285 (2006)

46. MM Platiša, T. Boji c, SU Pavlovi c, NN Radovanovi c, A. Kalauzi, Desacoplamiento


del ritmo cardíaco y respiratorio en la destilación auricular. Biomed. Tecnología (Berlín) 61,
657Ð663 (2016)

3 Bases de datos y simulación 71

47. GB Moody, WK Muldrow, RG Mark, Una prueba de estrés acústico para detectores
de arritmia. Proc. Comput. Cardiol. 11, 381384 (1984)

48. MS Guillem, AV Sahakian, S. Swiryn, Derivación de derivaciones ortogonales del


electrocardiograma de 12 derivaciones. Rendimiento de una transformación basada en la
aurícula para la derivación de los bucles P. J. Electrocardiol. 41, 19Ð25 (2008)

49. GE Dower, un sintetizador de plomo para el sistema Frank para simular el


electrocardiograma de 12 derivaciones estándar. J. Electrocardiol. 1, 101-116 (1968)

50. GE Dower, HB Machado, JA Osborne, sobre derivación del electrocardiograma a


partir de conductores vector-diográficos. Clinica Cardiol. 3, 87Ð95 (1980)
51. ETY Chang, YT Lin, T. Galla, RH Clayton, J. Eatock, Un modelo estocástico basado
en individuos de la progresión de la destilación auricular en individuos y poblaciones. PLoS
ONE 11, e0152349 (2016)

52. MC Wijffels, CJ Kirchhof, R. Dorland, MA Allessie, la Atrbrilación auricular engendra


la inflamación auricular. Un estudio en cabras despiertas crónicamente instrumentadas.
Circulation 92, 1954-1968 (1995)

53. CR Kerr, KH Humphries, M. Talajic, GJ Klein, SJ Connolly, M. Green, J. Boone, R.


Shel-don, P. Dorian, D. Newman, Progresión a crónica Þbrilación auricular después del
diagnóstico inicial de Þbrilación auricular paroxística: resultados del Registro Canadiense de
Fibrilación Auricular. A.m. Heart J. 149, 489-496 (2005)

54. AH Tayal, M. Tian, ​KM Kelly, SC Jones, DG Wright, D. Singh, J. Jarouse, J. Brillman,

S. Murali, R. Gupta, se detectó Atrbrillaje auricular Por telemetría ambulatoria móvil


cardiaca en TIA criptogénico o ictus. Neurology 71, 1696-1701 (2008)

55. CG Favilla, E. Ingala, J. Jara, E. Fessler, B. Cucchiara, SR MessŽ, MT Mullen, A.


Prasad,

J. Siegler, MD Hutchinson, SE Kasner, Predictores de Encontrar una atrbrilla auricular


oculta después de un accidente cerebrovascular criptogénico. Stroke 46, 1210-1215 (2015)

56. JW Keach, SM Bradley, MP Turakhia, TM Maddox, detección temprana de la


inflamación auricular oculta y prevención de accidentes cerebrovasculares. Heart 101,
1097-1102 (2015)

57. DJ Miller, K. Shah, S. Modi, A. Mahajan, S. Zahoor, M. Affan, La evolución y


aplicación de la monitorización cardíaca para la Þbrilación auricular oculta en el accidente
cerebrovascular criptogénico y el AIT. Curr. Tratar. Opciones Neurol. 18, 17 (2016)

58. P. Laguna, R. JanŽ, P. Caminal, Detección automática de los límites de onda en


señales de ECG de varias cabezas: validación con la base de datos CSE. Comput. Biomed.
Res. 27, 45Ð60 (1994)

59. A. van Oosterom, TF Oostendorp, ECGSIM: una herramienta interactiva para


estudiar la génesis de las formas de onda QRST. Heart 90, 165-168 (2004)

60. J. Behar, F. Andreotti, S. Zaunseder, Q. Li, J. Oster, GD Clifford, un simulador de


ECG para generar mezclas de actividad materno-fetal en grabaciones de ECG abdominal.
Fisiol. Medir 35, 1537-1550 (2014)