Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Resumen –– Las señales de electrocardiografía (ECG) usualmente son usadas para el diagnóstico y supervisión de las funciones del corazón, mediante la medición de parámetros como la frecuencia cardiaca, intervalos de tiempo RR (variabilidad cardiaca), tiempo entre las ondas ST y la amplitud. La detección se hace normalmente de forma manual y en electrocardiogramas cortos con una duración de varios minutos. Es importante automatizar la medición de estos parámetros para poder ser usada en registros largos como los que se obtienen con un Holter y que no pueden ser analizados manualmente. En el presente trabajo, se desarrolla un algoritmo capaz de detectar la localización de cada onda en el complejo ECG, sus máximos y mínimos y los intervalos de tiempo entre ellos, a partir de estos resultados se pueden obtener no solamente las series de interlatido cardiaco (series RR) sino también series de intervalos ST, QT o cualquier otra que sea de utilidad para un correcto diagnóstico. La eficiencia de detección es comparable a la de otras metodologías reportadas. Palabras Clave – ECG, algoritmo de detección, variabilidad cardiaca Abstract –– Electrocardiography (ECG) signals are used for the diagnosis and monitoring of heart functions, by measuring parameters such as heart rate, RR time intervals (cardiac variability), time between ST waves and the amplitude of the. Detection is normally done manually and on short ECGs lasting several minutes. It is important to automate the measurement of these parameters to be able to be used in long registers such as those obtained with a Holter and which cannot be analyzed manually. In the present work, an algorithm was developed capable of detecting the location of each wave in the ECG complex, its maximums and minimums and the time intervals between them, from these results, it is possible to obtain not only the series of heart variability ( RR time series) but also ST, QT interval series or any other that is useful for a correct diagnosis. Detection efficiency is comparable to that of other reported methodologies. Keywords –– ECG, detection algorithm, cardiac variability I. INTRODUCCIÓN Las señales de un electrocardiograma (ECG) vienen del potencial de acción combinado del tejido muscular cardiaco, este empieza en el nodo del atrio sinodal (SA), produciendo la despolarización del atrio y la onda P, el complejo QRS se origina por la despolarización de los ventrículos, y finalmente, la onda T es producto de la repolarización de los ventrículos. Este potencial viaja a través de la piel, donde puede ser captado por medio de electrodos colocados en la distribución descrita por el triángulo de Einthoven. Comúnmente su obtención es por medio de un electrocardiógrafo. El uso de dispositivos Holter posibilita un análisis extenso por medio de herramientas computacionales, porque con este dispositivo puede monitorearse la actividad eléctrica del corazón en periodos de 24 o más horas, de tal forma que puede analizarse el comportamiento cardiaco en todas las etapas del día, incluido el sueño. En la Figura 1 se muestra de forma esquemática una señal de ECG normal, en donde se ilustran los puntos del ECG y algunos de los intervalos que se usan para posibles diagnósticos. Los puntos más fáciles de identificar son los puntos R, de hecho, cuando en una señal de ECG de larga duración se identifican los puntos R, entonces pueden construirse las series de interlatido cardiaco, que son las series de los intervalos de tiempo RR o tacogramas, los cardiólogos analizan estas series y construyen histogramas de los mismos, calculan medias, desviaciones estándar y otros parámetros estadísticos y a este análisis se le llama análisis de variabilidad cardiaca. Las desviaciones de esta forma de onda, tanto en amplitud como en frecuencia, se han identificado con diferentes patologías del corazón, tal como se describirá adelante. Claro que las señales reales son diferentes y en muchas ocasiones aunque se trate de una persona sin problemas cardiacos, se producen señales muy difíciles de analizar porque las señales se contaminan con el movimiento. En registros Holter se mide la señal de ECG durante todo el día y puede haber segmentos muy parecidos al que se muestra en la Figura 2. Un ECG sirve como método de diagnóstico para detectar una enfermedad cardiovascular (CVD), clasificadas por la Organización Mundial de la Salud como la primera causa de defunción mundial. Un trazo de ECG representa una correlación directa con el sistema conducción eléctrica y el comportamiento general del corazón. Gabriel (2006) describe las anomalías del ECG que llevan a un diagnostico patológico, estas incluyen: la depresión ST, ondas inversas, elevación de las ondas ST, algunas de estas patologías se describen en la TABLA I [1, 2]. En las figuras 3-7 se ilustran algunas de las anormalidades que se observan en la señal de ECG y que llevan al cardiólogo a establecer un diagnóstico, el problema Detector de picos de ECG y algoritmo de análisis de forma de onda R. I. Rojas Jiménez, A. Muñoz Diosdado, J. A. Zamora Justo Departamento de Ciencias Básicas, UPIBI Instituto Politécnico Nacional, Ciudad de México, México Teléfono (55) 5729-6000 Ext. 56493 E-mail: rodrigoroji.97@gmail.com Este trabajo está patrocinado en parte por la Secretaría de Investigación y Posgrado del IPN, proyecto SIP-2019-6318 es que a menos que la condición del corazón esté muy deteriorada, es muy difícil que en los tiempos y condiciones en los cuales se obtienen los registros de ECG en los laboratorios comerciales se puedan identificar estas desviaciones. Por otro lado, en un registro Holter de 24 horas, hay más de cien mil complejos PQRST y analizarlos de forma manual es prácticamente imposible, escondidos en toda esa cantidad de señales de ECG, podría haber latidos anormales, algunos de los cuales no se presentan en reposo. Todo algoritmo de detección de las formas de onda de ECG debe iniciar con la detección de los puntos R, pero tal como puede verse se necesita tener algoritmos muy robustos que localicen sin problema máximos y mínimos, sin embargo, tal como puede verse en las señales reales, las señales reales tienen ruidos asociados dependiendo del instrumento de medición utilizado. De tal manera que los métodos utilizados son bastante sofisticados e involucran técnicas de análisis de señales complejas. Fig. 1. Trazo totalmente esquemático de un ECG normal, con los puntos e intervalos principales de la señal. Por ejemplo, uno de los problemas más importantes a resolver es el desplazamiento de la línea basal de la señal de ECG debida al movimiento de las personas, este desplazamiento puede ser de tal magnitud que hace que al aplicar los algoritmos tradicionales para encontrar máximos y mínimos éstos fallen. La razón es muy fácil de entender si se observa la parte superior de la Figura 2, en donde se ha producido un desplazamiento de la línea basal debido a movimientos asociados con actividad física intensa como correr, subir escaleras o cargar gran peso. La aplicación de filtros adecuados al registro de ECG puede producir la señal de ECG que se observa en la parte inferior de tal Figura, muchas veces para obtener esa señal sin tendencias es necesario aplicar varias veces los filtros. TABLA I PATOLOGÍAS ASOCIADAS A ELECTROCARDIOGRAMAS ANORMALES Anomalía en el ECG Cardiopatía relacionada Figura correspondiente Depresión en ST Isquemia miocárdica Fig. 3 Onda invertida Isquemia miocárdica Fig. 4 Elevación en ST Ataque al corazón Fig. 5 Complejo QRS amplio, onda Q desincronizada Pulsos ventriculares prematuros Fig. 6 Sin segmento de ST Infarto agudo al miocardio Fig. 7 Fig. 2. Señal normal de ECG en donde semuestra como el movimiento complica la detección de los puntos del complejo PQRST por el desplazamiento de la señal de la línea basal. Fig. 3. Trazo de ECG con 250 muestras por segundo, correspondiente a una isquemia miocárdica. Se observa una depresión en la amplitud del segmento ST en comparación de la onda R. Un problema importante que tienen los monitores Holter comerciales es la frecuencia de muestreo, porque la mayoría tienen una frecuencia de alrededor de 125 Hz, esto significa que un segundo de la señal tiene 125 puntos, como un latido cardiaco dura menos de un segundo, resulta que la localización de los máximos y mínimos se tiene que realizar con muy pocos puntos, por eso uno de los objetivos principales de nuestro grupo de investigación es tener instrumentos Holter con una mayor frecuencia de muestreo; si por ejemplo frecuencia fuera de 1000 Hz eso aumentaría la densidad de puntos ocho veces y por lo tanto la precisión en la identificación de los picos aumentaría mucho. En un trabajo anterior [3] se describe el diseño de un nuevo Holter en el cual la frecuencia puede aumentarse hasta 1500 Hz, sin embargo, para las frecuencias más altas producen un deterioro de la señal, por eso en este trabajo se trabaja con una frecuencia de 1000 Hz, que se considera más que suficiente para nuestros propósitos. Fig. 4. Trazo de ECG con 1000 muestras por segundo. Presenta la onda T invertida, indicador de isquemia miocárdica. Fig. 5. Trazo de ECG con 1000 muestras por segundo. Se observa una elevación en el segmento ST, indicador de un ataque al corazón. Fig. 6. Trazo de ECG con 1000 muestras por segundo donde se observa una desincronización en el complejo QRS, esto implica una arritmia. Fig. 7. Trazo de ECG con 1000 muestras por segundo y el segmento ST faltante, infarto agudo al miocardio. De las figuras anteriores se puede observar que la cardiopatía está relacionada con una anormalidad en el ECG por la onda involucrada o el segmento del sistema circulatorio relacionado. De ahí la importancia de tener un sistema automatizado que pueda analizar la morfología de la señal de ECG, muchas veces en registros de pacientes sanos tomados en reposo y en periodos cortos de tiempo no se detecta ningún problema, sin embargo, estas cardiopatías se diagnostican con un examen físico extenso, ya sea realizando actividad física o pruebas de esfuerzo, en las cuales se registra la señal de ECG mientras los pacientes hacen ejercicio. Varios métodos han sido propuestos para la detección de las ondas en un ECG. Algunos usan métodos de correlación cruzada o aproximación lineal por partes, de acuerdo a Meyer (2006) [4]. El mismo autor, combina Pan- Topkins y correlación cruzada, destinados a mejorar la detección de picos y compensar las debilidades de ambos, estos se encuentran desarrollados en el APÉNDICE. Benítez (2001) propone un enfoque interesante al usar la transformada de Hilbert para detectar los picos de la onda R en una base de datos de arritmias. Por otro lado, compara el desempeño de distintos algoritmos para la detección del complejo QRS, que comprenden: transformada de Hilbert y filtros digitales. Asimismo, argumenta que el uso de técnicas basadas en las formas de onda se realiza localizando principalmente la posición de los picos R por medio de comparación de escalas respecto a los picos vecinos [5]. II. METODOLOGÍA Las mediciones de la señal ECG fueron obtenidas usando un monitor Hölter adaptado a las necesidades del proyecto, con una frecuencia de muestreo de 1000 Hz, Inicialmente se utilizaron señales de prueba en reposo, posteriormente con pruebas de esfuerzo, siguiendo el protocolo del apartado C. Las señales fueron procesadas y ajustadas usando programación en Matlab®. A continuación, se muestra el procedimiento completo de medición y procesamiento: Las señales ECG están conformadas por varias frecuencias contenidas en una banda ancha (BW) de 0.5-150 Hz y una amplitud en el orden de milivolt (mV), sin embargo, otras frecuencias provenientes de la contracción muscular y la respiración pueden interferir con la medición, añadiendo ruido a la señal original. Un amplificador operacional con ganancia de 1000 y filtros activos fue implementado para obtener una señal con alta relación de ruido de señal y una amplitud entre 0-3.3 V. La identificación de las formas de las ondas P,Q,S y T dependen de las descripción de la onda R, para mantener los errores al mínimo, toda la señal es establecida en 0, usando una función de corrección lineal basal (CLB) así como un filtro de suavizado de picos, eliminando el ruido de baja frecuencia residual que no fue atenuado por los filtros analógicos, en la Fig.8 . Se muestra una porción de la señal de ECG normal tomada con el Holter ya mencionado a una frecuencia de muestreo de 1000. Cabe destacar que la posición de las señales fue determinada de forma arbitraria. Fig. 8. Segmento de un electrocardiograma normal tomado con el dispositivo Holter. A. Detección de la onda R Los picos máximos (onda R) de la señal de ECG (Fig. 9) son identificados por medio de la derivación numérica de la señal y los promedios de los puntos máximos estimados a lo largo de ella. Eso resulta en la recolección de datos de referencia para determinar la posición exacta de los picos, al realizar una segunda derivación numérica, de la siguiente manera: 𝑓′(𝑎) = 𝑓(𝑎 + ℎ) − 𝑓(𝑎) ℎ Fig. 9. Gráfica de la detección de las ondas R de persona sana, la señal fue tomada durante una prueba de esfuerzo. B. Detección del complejo QRS y las ondas P y T De una manera análoga al apartado anterior, las ondas P, Q, S, T son identificadas teniendo en cuenta la frecuencia de muestreo de la señal y la posición predeterminada de la onda R, mediante derivación numérica, se determinan las posiciones de las ondas con valores positivas P y T. Para el caso de Q y S se invierte la señal y se consideran como picos máximos positivos, esta detección se realiza al mismo tiempo para ambos. Fig. 10. Gráfica de la detección de las ondas P y T de la misma señal de la Fig. 7. Fig. 11. Gráfica de detección de ondas Q y S de la misma señal de la Fig. 7. Finalmente, para la integración del complejo QRS se concatenan los picos R con los correspondientes Q y S. Fig. 12. Detección completa de ECG. C. Protocolo de recolección de datos Durante el proceso de recolección de datos se ocupó un protocolo para llevar a cabo el estudio de determinación de datos de salud física y estado de salud del corazón sin poner en riesgo la integridad de los participantes y fomentando la ética profesional de todo estudio médico. Series de ECG adicionales se obtuvieron de la base de datos “PTB Diagnostic ECG” realizada por Ralf Bousseljot, Hans Koch y Dieter Kreiseler [6]. Esta base de datos contiene 549 series de 290 paciente, de los cuales 52 se encontraban sanos. La frecuencia de muestreo es de 1000 muestras por segundo con una resolución de 16 bits en un rango de ± 16.384 mV. III. RESULTADOS El algoritmo fue probado con series cortas y dos series de tres horas con dos intervalos de treinta minutos de caminata y dos de una hora de reposo. Entre 100 a 200 segmentos de ECG fueron detectados para las series cortas. La Figura 2 demuestra la detección de las ondas a través del algoritmo, el cual, calcula la derivada con el objetivo de encontrar el pico más grande, correspondiente a la onda R, después, un parámetro Pr es calculado para cada onda, dependiendo de la frecuencia de muestreo. Se utilizaron datos reales de pacientes sanos, para probar la efectividad del algoritmo. Asimismo, se desarrolló una interfaz gráfica de usuario (Fig. 13) para facilitar el uso del algoritmo, esto fue implementadocomo parte del mejoramiento del algoritmo clásico de detección de ECG por [7]. La eficiencia y error del algoritmo se determinaron de la siguiente manera: 𝐸𝑟𝑟𝑜𝑟 = |∑ 𝑃𝑖𝑐𝑜𝑠 𝑒𝑛𝑐𝑜𝑛𝑡𝑟𝑎𝑑𝑜𝑠 − 𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑝𝑖𝑐𝑜𝑠| 𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑝𝑖𝑐𝑜𝑠 𝑥 100 𝐸𝑓𝑖𝑐𝑖𝑒𝑛𝑐𝑖𝑎 = ∑ 𝑃𝑖𝑐𝑜𝑠 𝑒𝑛𝑐𝑜𝑛𝑡𝑟𝑎𝑑𝑜𝑠 𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑝𝑖𝑐𝑜𝑠 𝑥 100 Fig. 13. Interfaz gráfica de usuario desarrollada. A la izquierda se muestra el trazo de ECG, a la derecha la gráfica de la serie de interlatido R-R de la primera prueba de esfuerzo, abajo los controles para cargar el archivo, elegir la frecuencia de muestreo, aplicar CLB para determinar la distancia y altura mínimos para cada pico R, como referencia. TABLA II PROMEDIOS DE LOS PORCENTAJES DE ERROR Y EFICIENCIA PARA CADA FORMA DE ONDA Forma de onda Error Eficiencia P 2.17% 97.82% Q 2.89% 97.10% R 1.47% 98.52% S 1.44% 98.55% T 2.89% 97.10% IV. DISCUSIÓN El ruido proveniente de la respiración y contracción muscular que afecta a la adquisición del ECG, por lo tanto, también afecta a la eficiencia del algoritmo. Adicionar filtros digitales podría servir para reducir el ruido bajo severas condiciones, sin embargo, esto podría no remover por completo el ruido. La eficiencia ronda el 97.10% de acuerdo a los datos reportados en la TABLA II. Gracias a los métodos numéricos simples, los costos computacionales se mantienen bajos. El uso de la interfaz gráfica de usuario implica una mejora adicional al simplificar y optimizar el procesamiento y obtención de las posiciones de los picos y las series de interlatido cardiaco. Las Fig. 9 a 12 son segmentos de trazos de ECG de una persona sana, donde se probó el algoritmo, resultando en la correcta identificación de las posiciones exactas de las formas de onda secuencialmente, comenzando por la más alta (R) las dos adyacentes (P y T) y finalmente, Q y S. V. CONCLUSIONES Se desarrolló un algoritmo para la identificación de los componentes principales de una señal de electrocardiograma con una eficiencia promedio de 97.10% utilizando un dispositivo Holter digital diseñado para este propósito y la base de datos “PTB Diagnostic ECG”. Así mismo, se determinaron las series de interlatido R-R. APÉNDICE 1. Algoritmo de Hamilton-Tompkins En este algoritmo inicialmente se calcula la primera derivada de la señal 𝑥𝑑[𝑛] mediante un filtro de respuesta finita al impulso (FIR). Posteriormente se emplea una transformación lineal [8]: 𝑦[𝑛] = 𝑥𝑑 2[𝑛] Por último, un umbral y periodo refractario se utilizan para la detección de los complejos QRS 2. Transformada de Hilbert La transformada de Hilbert de una función 𝑥(𝑡) está definida como [9]: �̂�(𝑡) ≔ 𝐻[𝑥(𝑡)] = 1 𝜋 ∫ 𝑥(𝜏) ∞ −∞ 1 𝑡 − 𝜏 𝑑𝜏 Esto implica que la función resultante sigue siendo dependiente del tiempo y que �̂�(𝑡) es una función lineal de 𝑥(𝑡). Así mismo, �̂�(𝑡) es obtenida a partir de la convolución de (𝜋𝑡)−1 de la siguiente manera: �̂�(𝑡) = 1 𝜋𝑡 ∗ 𝑥(𝑡) Reescribiendo esta función y aplicando la transformada de Fourier: ℱ{�̂�(𝑡)} = 1 𝜋 ℱ { 1 𝑡 } ℱ{𝑥(𝑡)} ℱ { 1 𝑡 } = ∫ 1 𝑥 𝑒−𝑗2𝜋𝑓𝑥𝑑𝑥 = −𝑗𝜋 𝑠𝑔𝑛 𝑓 ∞ −∞ Donde la función signo es: 𝑠𝑔𝑛 𝑓 { 1 𝑠𝑖 𝑓 > 0 0 𝑠𝑖 𝑓 = 0 −1 𝑠𝑖 𝑓 < 0 Por lo tanto, la transformada de Fourier de la transformada de Hilbert resulta: ℱ{(�̌�)} = −𝑗 𝑠𝑖𝑔𝑛 𝑓 ℱ{𝑥(𝑡)} En el dominio del tiempo, la transformada de Hilbert de la función original, representa el armónico conjugado. Una de las propiedades principales de la transformada de Hilbert es que representa una función impar, es decir, cada vez que cruce el eje de las abscisas es un punto de inflexión en la función original. Esta es otra herramienta que hace posible la identificación de las crestas en una señal de ECG [9]. AGRADECIMIENTOS Agradecemos el apoyo de nuestros colaboradores del Departamento de Ciencias Básicas de la Unidad Profesional Interdisciplinaria de Biotecnología. REFERENCIAS [1] R. Rajni and I. Kaur, “Electrocardiogram Signal Analysis - An Overview,” Int. J. Comput. Appl., vol. 84, no. 7, pp. 22–25, 2013, doi: 10.5120/14590-2826. [2] K. Gabirel, Encyclopedia of Heart Diseases. Ottawa, Canada: Elsevier, 2006. [3] A. M. A. Molina, R. I. R. Jiménez, and A. M. Diosdado, “Multifractal analysis of ECG time series of stress tests in healthy subjects,” in AIP Conference Proceedings, 2019, vol. 2090, doi: 10.1063/1.5095916. [4] C. Meyer, J. F. Gavela, and M. Harris, “Combining algorithms in automatic detection of QRS complexes in ECG signals,” IEEE Trans. Inf. Technol. Biomed., vol. 10, no. 3, pp. 468–475, Jul. 2006, doi: 10.1109/TITB.2006.875662. [5] D. Sadhukhan and M. Mitra, “R-Peak Detection Algorithm for Ecg using Double Difference And RR Interval Processing,” Procedia Technol., 2012, doi: 10.1016/j.protcy.2012.05.143. [6] R. Bousseljot, D. Kreiseler, and A. Schnabel, “Nutzung der EKG- Signaldatenbank CARDIODAT der PTB über das Internet,” Biomed. Tech., vol. 40, no. s1, pp. 317–318, 1995, doi: 10.1515/bmte.1995.40.s1.317. [7] C. V. Silva, V. G. Rojas, D. A. León, and P. A. Lillo, “Improvement of classic qrs complex detector algorithm in electrocardiographic signals,” Ingeniare, vol. 18, no. 2, pp. 176– 182, 2010, doi: 10.4067/S0718-33052010000200004. [8] S. Manizales, “Estudio comparativo de t ´ ecnicas para extracci ´ on ametros en se nales de electrocardiograf ´ ıa Estudio comparativo de t ´ ecnicas para extracci ´ on de par ´ ametros en se nales de electrocardiograf ´,” 2004. [9] D. Benitez, P. A. Gaydecki, A. Zaidi, and A. P. Fitzpatrick, “The use of the Hilbert transform in ECG signal analysis,” Comput. Biol. Med., 2001, doi: 10.1016/S0010-4825(01)00009-9.
Compartir