QCVC

Autoridades

 Areas Temáticas  Arritmias y Electrofisiología  Bioingeniería e Informática  Médica  Cardiología del Ejercicio Cardiología Nuclear e Imágenes  Cardiología Pediátrica  Cardiología Transdisciplinaria y Salud Mental en Cardiología  Cardiopatía Isquémica  Ciencias Básicas  Cirugía Cardiovascular Cuidados Intensivos en el Postoperatorio de Cirugía Cardiaca Ecocardiografía Enfermedad de Chagas Enfermedades Vasculares, Cerebrales y Periféricas Enfermería Cardiovascular Epidemiología y Prevención Cardiovascular Hemodinamia Intervencionismo Cardiovascular Hipertensión Arterial Insuficiencia Cardíaca Otros

Actividad Científica

Hall Central

Información General

FAC

Tema Libre

Prototipo de Estetoscopio Inteligente para el Telediagnóstico de Sonidos y Soplos Cardíacos Martínez Alajarín J., López Candel J., Ruiz Merino R. Departamento de Electrónica, Tecnología de Computadoras y Proyectos, Escuela Técnica Superior de Ingeniería de Telecomunicación, Universidad Politécnica de Cartagena, Cartagena, España.

Introducción En los últimos 30 años, la auscultación cardiaca ha sido sustituida por las modernas técnicas de imagen (principalmente la ecocardiografía) para diagnosticar el estado valvular del corazón, a pesar de que sigue siendo ampliamente utilizada como técnica de cribado. En la actualidad, la investigación se centra principalmente en desarrollar sistemas automáticos que ayuden al médico a obtener un diagnóstico rápido, preciso, y objetivo del estado del corazón, especialmente en Atención Primaria o en zonas rurales, así como en situaciones especiales, como en las expediciones de alta montaña para prevenir el Edema Pulmonar de Altura [1].

Objetivos Desarrollar un prototipo de estetoscopio electrónico con tamaño y peso similar a los estetoscopios tradicionales, y que incluya además capacidad de diagnóstico y transmisión remota y comprimida de los sonidos cardiacos. En este trabajo se presenta brevemente el desarrollo de los algoritmos de procesamiento para el diagnóstico y compresión del fonocardiograma (FCG), integrados en el sistema ASEPTIC (Aided System for Event-based Phonocardiogram Telediagnosis with Integrated Compression). También se presenta la arquitectura electrónica de la implementación hardware de estos algoritmos para el prototipo de estetoscopio inteligente. ASEPTIC consta de dos partes principales (Figura 1): una etapa de procesamiento que analiza la señal FCG y determina el estado cardiovascular, y una etapa que comprime el FCG para transmitirlo de forma remota con unos requerimientos de ancho de banda bajos. Los módulos de compresión/descompresión actúan de interfaz para la recepción y envío de señales a ASEPTIC.

Figura 1: Estructura interna de la aplicación ASEPTIC.

Material y Métodos Se ha utilizado una base de registros FCG para probar los algoritmos desarrollados, que consta de 28 registros sin soplos (424 ciclos cardiacos) y 31 registros con soplos (393 ciclos). Las señales se almacenaron en formato WAV, con 16 bits de resolución, 1 canal, y 8000 Hz de frecuencia de muestreo. Sin embargo, para el funcionamiento normal del sistema se desarrolló un entorno de adquisición

específico (Figura 2) para registrar, además de la señal FCG, las anotaciones de cambios registrados durante el proceso de auscultación en el sensor (campana/diafragma), área de auscultación (ápex, base izquierda, ...), y maniobras (Valsalva, apretar manos, ...). La señal del pulso es también registrada, aunque únicamente se utiliza para validar resultados y no durante el proceso de análisis de los sonidos cardiacos. Las anotaciones relacionadas con la auscultación se almacenan en un fichero de anotaciones, y la señal FCG se comprime y almacena en un fichero diferente. Ambos ficheros se transmiten al ordenador donde la aplicación ASEPTIC se encuentra ejecutándose. El FCG se descomprime entonces y es analizado, y los resultados se muestran en pantalla. En caso necesario, la señal FCG junto con los resultados del análisis son transmitidos a otros sistemas (bases de datos multimedia, sistemas de análisis o monitorización jerárquicamente superiores, etc.). En ese caso, el FCG es comprimido de nuevo y enviado al sistema correspondiente.

Figura 2: Entorno de adquisición específico para la adquisición de señales FCG.

Etapa de procesamiento Los algoritmos de procesamiento desarrollados realizan un análisis completo de la señal FCG desde el momento de la adquisición hasta el diagnóstico final. Estos algoritmos se han dispuesto en forma de estructura jerárquica de cuatro niveles (1 a 4). Cada nivel se encuentra asociado a una de las señales principales: envolvente del FCG (nivel 1), eventos detectados (nivel 2), eventos identificados (nivel 3), y diagnóstico (nivel 4). Cada nivel está formado por varios módulos de procesamiento que realizan tareas específicas sobre el FCG o sobre sus señales derivadas (Figura 3). A medida que las señales van atravesando los módulos de procesamiento y ascienden por los niveles de la jerarquía, se lleva a cabo un proceso de abstracción de datos que transforma progresivamente los datos cuantitativos de los niveles inferiores en datos cualitativos en los niveles superiores. El análisis se realiza procesando sólo el FCG, sin utilizar señales auxiliares como el ECG o el pulso. Además, el sistema se ha diseñado para funcionar como un sistema de diagnóstico de propósito general para patologías cardiovasculares, y sigue un esquema de funcionamiento basado en eventos, tratando de imitar el procedimiento seguido por el médico durante la auscultación.

Figura 3: Módulos de procesamiento de la estructura jerárquica utilizada para analizar el FCG.

A continuación se describen brevemente los algoritmos existentes en cada nivel de la jerarquía: Nivel 1: el FCG se decima en un factor 2, se escala en el rango [+1,-1], y se filtra (ancho de banda: 40 Hz – 800 Hz). A continuación se calculan 3 señales instantáneas derivadas del FCG (amplitud, energía y frecuencia instantáneas (IA, IE e IF)), y se calculan sus envolventes utilizando un filtro de media móvil [2]. Nivel 2: se calcula el ritmo cardiaco medio empleando la señal de autocorrelación del producto de las tres envolventes. A continuación se utiliza un método de detección de eventos [3] para detectar los eventos cardiacos básicos y sus límites temporales, basándose en la detección de máximos relativos de la envolvente IA y el cálculo de un conjunto de puntos asociados [4]. Nivel 3: el FCG se segmenta en ciclos cardiacos utilizando el ritmo cardiaco promedio calculado anteriormente. Los eventos detectados se identifican empleando la siguiente información: duración de los eventos, amplitud y frecuencia máximas, distancia relativa entre eventos, número de eventos en los ciclos cardiacos, y situación del punto medio de cada evento (sólo en el caso de los soplos). Nivel 4: se utiliza el Análisis de Componentes Principales (PCA, Principal Component Analysis) para reducir las 13 características calculadas para cada evento a sólo 5 características por evento. El vector de características de cada ciclo cardiaco se clasifica entonces utilizando una red neuronal artificial. El diagnóstico final se obtiene a partir de los eventos identificados, los resultados de la clasificación, y los datos del paciente (edad, sexo, ...). Etapa de Compresión La transmisión y almacenamiento del FCG se realiza comprimiendo esta señal con un método de codificación adaptado expresamente para esta señal [5]. La compresión del FCG se basa en la descomposición de esta señal con la transformada wavelet para obtener los coeficientes wavelet. A continuación se anulan aquellos coeficientes inferiores a un determinado umbral. Esto genera dos vectores: el vector de coeficientes, TC, que representa los coeficientes como números flotantes, y el mapa de posición, SM, que es un vector binario que indica con ‘0’ las posiciones de los coeficientes anulados, y con ‘1’ los coeficientes no anulados. Los coeficientes anulados son entonces eliminados del vector TC, al igual que el último bloque de 0’s del vector SM. Mediante los métodos Run Length Encoding (RLE) y Huffman se comprime el mapa de posición de forma adicional, y para comprimir los coeficientes wavelet aún más se utiliza cuantización lineal. Este método de compresión se denomina Codificación Directa del Fonocardiograma (CDF), y su flujograma se indica en la Figura 4.

Figura 4: Algoritmo de Compresión Directa del Fonocardiograma (CDF).

Arquitrectura electrónica El diseño electrónico del prototipo de estetoscopio electrónico consta de varios módulos: el subsistema analógico, para capturar y acondicionar la señal FCG; el subsistema digital (FPGA), para procesar el FCG después de haberse convertido a digital con el conversor A/D; un microprocesador; el interfaz humano (pantalla LCD y teclado); un módulo Bluetooth para comunicaciones; y el sistema de configuración de la FPGA (Figura 5).

Figura 5: Arquitectura electrónica del prototipo de estetoscopio inteligente.

Resultados Los resultados de identificación de eventos muestran un alto porcentaje de ciclos cardiacos en los que todos los eventos fueron correctamente delimitados e identificados: 387 de 424 ciclos (91.27%) para registros sin soplos, y 258 de 393 ciclos (65.65%) para registros con soplos. En cuanto al reconocimiento de patrones, las 5 características más discriminantes para cada evento fueron la duración, los valores medios de los eventos en las envolventes IA e IF, y el área encerrada por los eventos en las envolventes IA e IF. Para dar una primera idea de las prestaciones de la clasificación, se utilizaron 94 ciclos para clasificarlos en tres categorías: registros normales, con soplo holosistólico, y con soplo mesosistólico. El clasificador utilizado fue una red neuronal perceptron multicapa con algoritmo de entrenamiento Levenberg-Marquardt. La estructura de la red fue de 15/40/3 neuronas para las capas de entrada/escondida/salida, y la capa de salida empleada fue de tipo competitivo (winner-take-all). Los resultados de clasificación fueron 100.00%, 92.69% y 97.57% de aciertos para las clases de registros normal, con soplo holosistólico, y con soplo mesosistólico, respectivamente. Finalmente, los resultados de compresión del método CDF se han comparado con los obtenidos con OGG Vorbis. Comparando la tasa de compresión (CR) para errores de compresión similares, el método CDF obtuvo una tasa de compresión entre 1.8 y 4.5 veces mayor que la conseguida con OGG Vorbis. La Figura 6 representa la tasa de compresión obtenida para un registro normal para los dos métodos evaluados para diferentes errores PRD (Percent Root-mean-squared Difference).

Figura 6: Resultados de compresión que muestran CR frente al error PRD para los métodos OGG Vorbis y CDF.

Discusión Se ha presentado un sistema de telediagnóstico del estado cardiovascular, que incluye una etapa de

procesamiento que analiza el FCG sin utilizar señales auxiliares empleando un enfoque basado en eventos, y una etapa de compresión que proporciona un método eficiente para almacenar y transmitir de forma remota las señales FCG. También se ha presentado la arquitectura electrónica de un prototipo de estetoscopio inteligente. Los resultados obtenidos son prometedores tanto para la detección de eventos cardiacos y la clasificación de patologías, como para la compresión, ya que mejoran enormemente los obtenidos con otros métodos de compresión. En un futuro se prevé realizar un ajuste más fino de los parámetros para mejorar la precisión del sistema empleando un número mayor de registros FCG y de patologías.

Conclusiones La implementación de los algoritmos desarrollados en un dispositivo electrónico portátil presenta grandes ventajas en cuanto a velocidad y portabilidad en comparación con una implementación software de los algoritmos, y se espera que proporcione un instrumento de bajo coste con el que poder priorizar de forma objetiva las listas de espera y proporcionar un diagnóstico rápido y básico del estado cardiovascular en situaciones en las que las modernas técnicas de diagnóstico por imagen no se encuentran disponibles.

Agradecimientos Este trabajo ha sido subvencionado por el Ministerio de Educación y Ciencia de España (MEC) y por los Fondos Europeos para el Desarrollo Regional (FEDER) bajo el proyecto TIN2006-15460-C04-04.

Bibliografía 1. 2. 3. 4. 5.

Gómez de León FC, Martínez-Alajarín J, López-Candel J, Ruiz-Merino R, Marín-Morales RL. Remote monitoring and automatic analysis of phonocardiographic signals in climbing of high mountains. In Computers in Cardiology, pp. 841-844, 2006. Liang H, Lukkarinen S, Hartimo I. Heart sound segmentation algorithm based on heart sound envelogram. In Computers in Cardiology, pp. 105-108, 1997. Martínez-Alajarín J, Ruiz-Merino R. Efficient method for events detection in phonocardiographic signals. Proceedings of SPIE, vol. 5839, pp. 398-409, June 2005. Milios EE, Nawab SH. Signal abstractions in signal processing software. IEEE Transactions on Acoustics Speech and Signal Processing, vol. 37, num. 6, pp. 913-928, June 1989. Martínez-Alajarín J, Ruiz-Merino R. Wavelet and wavelet packet compression of phonocardiograms. Electronics Letters, vol. 40, num. 17, pp. 1040-1041, 2004.

Publicación: Octubre de 2007

Preguntas, aportes y comentarios serán respondidos por el relator o por expertos en el tema a través de la lista de Informática Médica Llene los campos del formulario y oprima el botón "Enviar"

Preguntas, aportes o comentarios:

Nombre y apellido: País: Argentina Dirección de E-Mail: Confirmación Dirección de E-Mail:

Enviar

Borrar

© 1994- 2007

CETIFAC - Bioingeniería UNER - Webmaster Actualización: 10-Oct-2007

- HonCode - pWMC