Análisis de señales biomédicas para aplicación de terapias en la fibrilación ventricular cardiaca
- Autores: Azeddine Mjahad
- Directores de la Tesis: Alfredo Rosado Muñoz (dir. tes.)
- Lectura: En la Universitat de València ( España ) en 2017
- Idioma: español
- Materias:
- Texto completo no disponible (Saber más ...)
- Resumen
La muerte súbita es una muerte natural, inesperada y rápida en un tiempo límite de 24 horas después del comienzo de un proceso patológico. Las causas más comunes de la muerte súbita son las enfermedades Cardiovasculares (ECV) que resultan estar entre las principales causas de muerte en todo el mundo. En 2012, la Organización Mundial de la Salud (OMS) registró 17,5 millones de muertes por ECV, que representan el 31 % de todas las muertes registradas en el mundo .
Una de las enfermedades cardiovasculares con mayor mortalidad es la Fibrilación Ventricular (FV), que es una arritmia cardíaca producida por una actividad eléctrica desorganizada del corazón. Durante la FV, los ventrículos se contraen de forma asíncrona con ausencia de latido efectivo, fallando el bombeo sanguíneo, lo que produce la muerte súbita en el paciente, si no se trata de forma adecuada en un plazo de pocos minutos. Las desfibrilación es el único tratamiento definitivo posible de la FV, que consiste en la aplicación de un choque eléctrico de alta energía sobre el pecho del paciente, facilitando así el reinicio de la actividad eléctrica cardíaca normal. El éxito de la desfibrilación es inversamente proporcional al intervalo de tiempo desde el comienzo del episodio hasta la aplicación de la descarga.
Aparecen muchas dificultades a la hora de diagnosticar la FV: por una parte están las características intrínsecas de la FV (falta de organización, irregularidad, etc.), y por otra, la gran similitud entre la FV y otras patologías cardíacas entre ellas la Taquicardia Ventricular (TV).
La diferenciación entre la TV y la FV es bastante complicada: el diagnóstico de la TV como FV en un paciente puede ocasionarle graves lesiones a la hora de aplicarle la terapia correspondiente a FV (descarga eléctrica de alto voltaje), es más, puede causarle una FV.
Por el contrario, si la FV se interpreta incorrectamente como TV, el resultado puede ser también peligroso para la vida. Por lo tanto, un método de detección eficaz para distinguir FV de TV tiene mucha importancia en la investigación clínica.
Con el fin de diagnosticar y tratar las enfermedades cardiovasculares (FV por ejemplo), se establecen dos grandes grupos de métodos diagnósticos en cardiología: métodos diagnósticos invasivos y no invasivos. Las técnicas invasivas requieren introducir catéteres en el organismo, con el objetivo de medir presiones de las cavidades cardíacas, para registrar la actividad eléctrica. Las técnicas no invasivas están enfocadas a caracterizar el estado fisiopatológico del corazón a través de electrodos colocados directamente sobre la piel del paciente.
El electrocardiograma (ECG) es un examen no invasivo, de bajo costo, que se ha utilizado como el método básico de diagnóstico de desórdenes cardíacos de conducción eléctrica, mediante el estudio de la frecuencia cardíaca y la morfología de diferentes ondas que constituyen el ciclo cardíaco. El análisis ECG constituye una buena fuente de información a partir de la cual se pueden detectar diferentes tipos de enfermedades cardíacas.
Debido a que la señal de ECG es una señal aleatoria no estacionaria, el análisis en el dominio del tiempo no resulta ser suficientemente sensible a las distorsiones de las formas de la onda ECG. Sin embargo estos métodos no siempre presentan todas las informaciones que pueden ser extraídas de las señales ECG, con lo cual, se pierde la información sobre la frecuencia, la cual muestra una información más adicional de la señal. El diagnóstico en el dominio de la frecuencia utiliza métodos como la transformada de Fourier. Por lo tanto, el análisis en el dominio de la frecuencia permite determinar las frecuencias de la señal. Por otro lado, se pierde la información de tipo temporal de la señal, con lo cual es un método muy limitado y no es útil para el análisis de señales no estacionarias. Varios estudios han utilizado modelos matemáticos que combinan la información temporal y espectral en la misma representación. Esta técnica Representación Tiempo-Frecuencia (RTF) es muy importante en el tratamiento de las señales no estacionarias como la señal de ECG, ya que distribuye la energía de la señal en el espacio bidimensional tiempo-frecuencia. Además, múltiples factores alteran la adquisición y registro de la señal ECG: por un lado está la influencia del medio ambiente (la interferencia de red 50-60 Hz, la línea base, etc.), y por otro lado están las perturbaciones de origen fisiológico como los de la electromiografía (EMG).
La reducción del ruido en el ECG ha sido uno de los principales campos de investigación en las últimas décadas, ya que una adecuada reducción permite realizar un buen pre-procesado de la señal, extrayendo de ésta la máxima cantidad de información posible y eliminando la no deseable.
El uso de imágenes de representación de tiempo-frecuencia (t-f) como la entrada directa al clasificador es lo novedoso de esta tesis doctoral. Se plantea la hipótesis de que este método facilita mejorar los resultados de la clasificación ya que permite eliminar la extracción de características típicas, y su correspondiente pérdida de información, que además se utilizan para la evaluación y la comparación con otros autores.
Materiales y Métodos: se ha utilizado las bases de datos estándar del MIT-BIH Malignant Ventricular Arrhytmia Data base y AHA (2000 series) para obtener los registros de las señales ECG, creando a partir de ellos un conjunto de entrenamiento y uno de prueba para los algoritmos de clasificación empleados. Un total de 24 registros de monitorización continua (22 registros de MIT-BIH más dos adicionales de la base de datos AHA) se ha empleado, con frecuencia de muestreo de 125 Hz.
Como método se ha implementado un algoritmo de filtro, con el fin de reducir la línea base, se desarrolla un enventanado que indica el comienzo de la Ventana de tiempo (Vt) de la señal del ECG. A cada ventana obtenida se le aplicó la Transformada de Hilbert (TH), después se le aplicó la RTF como entrada a los cinco clasificadores: las Redes Neuronales Artificiales de clasificación (ANNC-Artificial Neural Networks Classification), máquina de vector de soporte de tipo Smooth (SSVM-Smooth Support Vector Machine), (BAGG-Bagging), regresión logística (L2_RLR-L_2-Regularized Logistic Regression) y K vecinos más cercanos (KNN-K Nearest Neighbors). Se realizó sus respectivos entrenamientos y pruebas individuales eligiendo el clasificador KNN por su mejor calidad de detección. La RTF fue convertida en Imagen de RTF (IRTF) e IRTF de dimensionalidad reducida mediante técnicas de reducción del tamaño de imágenes (Media de la Intensidad de los Píxeles (MIP), KNN, Bilineal, Bicúbica) y de la técnica de Selección de Características (SC) de tipo (SFS-Sequential Forward Selection).
Se realizaron combinaciones de los algoritmos de clasificación al aplicarse sobre un mismo conjunto de datos (IRTF, IRTF reducida, SC), con el fin de comparar el comportamiento entre ellos y con los resultados logrados de los clasificadores individuales. Estas estrategias y metodologías utilizadas fueron comparadas con diferentes métodos citados en la bibliografía y así comprobar en qué medida los resultados obtenidos apoyan nuestra hipótesis.
Resultados: usando parámetros de evaluación del rendimiento (sensibilidad, especificidad y exactitud) como metodología para validar los resultados que obtuvo cada una de las estrategias empleadas, se encontró que el clasificador KNN alcanza el mejor rendimiento para RTF. Se logró para ‘FV’ una sensibilidad del 94,97% y una especificidad global del 99,27%, exactitud global del 98,47 %, y para ‘TV’ una sensibilidad del 93,47%, especificidad global del 99,39%, exactitud global del 98,97% y un tiempo de ejecución 0,1763s.
Los principales resultados de la clasificación para la detección de FV obtenidos usando la técnica IRTF reducida (MIP) como entrada al clasificador KNN, mostraron un 88,27% de sensibilidad, 98,22% de especificidad global y 96,35% de exactitud global. En el caso de ‘TV’ 88,31% de sensibilidad, 98,80% de especificidad global, 98,05% de exactitud global y un tiempo de ejecución 0,024s.
Al realizar combinaciones de los clasificadores, se obtuvo que la combinación ANNC_KNN_ANNC al utilizar el Método de Jerárquica (MJ) dieron una sensibilidad del 92,14%, especificidad del 98,07% y 97,07% de exactitud global para ‘FV’, una sensibilidad del 89,03%, una especificidad del 80,78%, 98,08% de exactitud global para ‘TV’ y un tiempo de ejecución entre [0,0239s; 0,0241s].
Conclusiones: la clasificación realizada en la discriminación de FV y TV demostró cómo se comportan los distintos algoritmos de clasificación tanto individuales como combinados al aplicarse sobre un mismo conjunto de características.
Los resultados obtenidos mediante el algoritmos de combinación ANNC_KNN_ANNC usando los datos de IRTF reducidas fueron mejores en la detección comparado con los obtenidos mediante los algoritmos utilizados individualmente y otros multiclasificadores aplicando sobre un mismo conjunto de datos de IRTF reducidas.
Además al comparar los resultados de la combinación con los obtenidos mediante KNN empleando la RTF y IRTF no reducidas son ligeramente inferiores en combinación, pero en cambio se obtiene un tiempo de ejecución menor, por lo que es de mejor utilidad para sistemas de detección en tiempo real.
Después de un largo análisis es posible concluir que la metodología propuesta brinda información útil para la detección de FV con un bajo tiempo de cómputo, la cual la puede separar satisfactoriamente del resto de patologías cardiacas a la hora de diagnosticar, mejorando significativamente las posibilidades del paciente de ser manejado eficazmente al presentar un episodio con alguna de estas arritmias, lo que convierte a este trabajo en una fuente de aporte clínico en la ayuda para el diagnóstico de arritmias.
