Transcript ESCUELA POLITÉCNICA DEL EJÉRCITO
ESCUELA POLITÉCNICA DEL EJÉRCITO
DISEÑO E IMPLEMENTACIÓN DE UN ALGORITMO PARA DETECCIÓN DE APNEAS DEL SUEÑO, BASADO EN SEÑALES RESPIRATORIAS DERIVADAS DE ELECTROCARDIOGRAMA
AGENDA
• ESTUDIO BÁSICO DE ELECTROCARDIOGRAMA
• ADQUISICIÓN DE SEÑALES Y BASE DE DATOS
• ALGORITMO DE DETECCIÓN DE SAOS
• CONCLUSIONES Y RECOMENDACIONES
OBJETIVO GENERAL • Diseñar e implementar un algoritmo para detectar apneas del sueño, mediante la variabilidad de ritmo cardiaco como señal la de la base de datos de apnea-ecg de Physionet.
señales de
Objetivos Específicos
• Extraer características del ECG para obtener las señales respiratorias derivadas.
• Determinar que la Variabilidad de ritmo cardiaco es la señal con mejores características para implementar el algoritmo.
• Realizar un análisis frecuencial de las señales para observar su comportamiento.
• Implementar el algoritmo a través del Intervalo RR y el cálculo espectral
• Calcular el porcentaje de SAOS presente en los pacientes del grupo de prueba y compararlos con las anotaciones apnea provistas por la base de datos.
de • Calcular el porcentaje de SAOS presente en los pacientes del grupo de validación del algoritmo y compararlos con los datos teóricos obtenidos desde polisomnografía.
• Analizar el desempeño del algoritmo en base a criterios bioestadísticos.
Resumen
El Síndrome de Apnea Obstructiva del Sueño (SAOS) es un trastorno de alta prevalencia cuyo diagnóstico actualmente se realiza a partir de la Polisomnografía, un estudio que implica altos costos y un complicado procedimiento. Este proyecto propone un algoritmo, como prueba de diagnóstico, capaz de reconocer la enfermedad a través de un examen no invasivo como el electrocardiograma (ECG).
SAOS (Síndrome de apnea obstructiva del sueño)
TRASTORNOS DEL SUEÑO Estado donde se pierde la capacidad de interacción con el entorno de forma transitoria .
Respiratorios Síndrome de apneas del sueño APNEA: SAOS Obstrucción y colapso de las vías aéreas superiores.
Cese del flujo respiratorio mayor a 10 segundos y cientos de veces en la noche, acompañados con ronquidos, hipoxia y ocasionalmente con despertares inconscientes
Muy frecuente : afecta al 4-6% de los hombres y al 2-4% de las mujeres en las edades medias de la vida.
• Su frecuencia aumenta con la edad.
• Deterioro de la calidad de vida • Presencia de hipertensión arterial • Desarrollo de enfermedades cardiovasculares y cerebro vasculares.
Los síntomas guía para sospechar un SAOS son: 1) ronquidos entrecortados.
2) episodios de ahogo y paradas respiratorias durante el sueño.
3) somnolencia excesiva durante el día.
Diagnóstico del SAOS
Flujo aéreo
: por termistor, neumotacógrafo o analizador de CO2.
Esfuerzo ventilatorio:
mediante bandas elásticas toracoabdominales o sistema similar.
Recambio gaseoso:
por pulsioximetría se determina la saturación de oxígeno (SaO2).
Electrocardiograma
(ECG).
Estadios de sueño:
EEG, EOG (izquierdo y derecho), EMG (submentoniano).
Esfuerzo respiratorio:
mediante dos bandas, toráxica y abdominal.
Saturación Arterial de Oxígeno:
saturómetro colocado en el dedo índice del paciente.
Posición Corporal Movimientos de las Piernas
Actividad eléctrica de los músculos
Movimientos Oculares.
ELECTROCARDIOGRAMA
• Registro gráfico de los potenciales eléctricos que produce el corazón obtenidos desde la superficie corporal a partir de electrodos y un equipo de registro (electrocardiógrafo).
Figura 1. Electrocardiograma, derivaciones precordiales
Ondas •
P
: despolarización auricular •
QRS:
despolarización ventricular, su duración normal es de 0.06 a 0.1 sg siendo: • • •
Q:
primera onda negativa antes de la primera onda positiva.
R:
toda onda positiva. Si existe una segunda onda positiva la llamamos R ´.
S:
toda onda negativa después de una onda positiva. •
T:
de despolarización ventricular. •
U:
pequeña onda que sigue a la onda T, de significado incierto. Figura 2. Ondas de Electrocardiograma
COMPLEJO QRS
ADQUISICIÓN DE SEÑALES DE ELECTROCARDIOGRAMA
Base de datos de libre distribución: Apnea-ECG Database.
Esta base de datos fue desarrollada por el PhyisioNet/Computers in Cardiology Challenge 2000.
Base de Datos
Base de datos: Consta de 70 registros 8 horas de duración Señal : Muestreada a 100 Hz Resolución de 16 bits Cada bit representa 5 mV Las señales de desarrollo y pruebas se subdividen en 3 grupos: • pacientes con apnea (grupo A), • pacientes borderline (grupo B) • pacientes normales o en control(grupo C).
Señales de desarrollo y prueba: • 35 señales contienen anotaciones de apnea y del complejo QRS.
• 8 disponen de 4 señales respiratorias: Oronasal pletismográfica de pecho, abdominal saturación de oxígeno.
Señales de validación del algoritmo: • 35 grabaciones con datos de apnea teóricos obtenidos por polisomnografía.
• Los registros son hombres y mujeres con edades entre 27 y 63 años con pesos entre 53 y 135 Kg.
Señales de electrocardiograma y pletismográficas del paciente a03
Figura 4. Señales extraídas de la base datos a través de ATM Physiobank.
Por cada paciente se tiene los archivos: •
.dat
contiene las señales de ECG digitalizadas.
(16bits por muestra, 100m/s, 200 A/D unidades por milivoltio) •
.apn
anotaciones de apnea.
•
.qrs
anotaciones de QRS.
•
.hea
archivos de encabezado que especifican los nombres y formatos de los archivos de señal asociados
Desde Cygwin Figura 5. Muestra de conversión de archivos a través de Cygwin.
Archivos: . apn y .qrs se convierten en archivos tipo .txt
• Funciones de la librería WFDB utilizadas:
rdann
Lee archivos de anotaciones para las grabaciones WFDB.
DISEÑO E IMPLEMENTACIÓN DEL ALGORITMO DE DETECCIÓN DE SAOS
DIAGRAMA DE BLOQUES GENERAL
Inicio Lectura y concatenación de base de datos de ECG Preprocesamiento de las señales
DIAGRAMA DE FLUJO DEL ALGORITMO DE DETECCIÓN DE SAOS.
Se toma la señal desde la base de datos Filtros y correcciones de la señal de ECG Extracción de características Obtención de señales respiratorias derivadas Análisis temporal Correlaci Cruzada ón Análisis Frecuencial Comportamiento de las señales Implementación de algoritmo de detección de apnea obstructiva del sueño Cálculo de porcentaje de SAOS encontrado.
Fin del algoritmo
PREPROCESAMIENTO
• Para el pre procesamiento se lleva a cabo tres pasos: • Corrección deriva de línea • Detección del complejo QRS • Corrección del complejo QRS
Inicio Preprocesamiento Análisis y conversión de archivos base de datos Physionet en archivos .txt
Lectura desde Matlab de archivos y concatenación de datos Con la concatenación se obtiene los datos de ECG como unidades físicas. Aplicar la corrección deriva de linea con filtros.
Detección complejo QRS por medio de anotaciones.
Detecta pico R Corrección complejo QRS, detectar RR robusto Realiza Gráficas de ecg, detección y correción Devuelve archivo con vector y anotaciones guardadas QRS, QRS tipo Respiraciones Fin del Preprocesamiento Intervalo RR es 1.8 veces superior a RR robusto si Detecta y realiza gráfica de Falso Negativo no Suma de 2 intervalos RR consecutivos <1.2 RR robusto si Detecta y realiza gráfica Falso Positivo no
CORRECCIÓN DE LA DERIVA DE LINEA DE BASE DE LA SEÑAL DE ELECTROCARDIOGRAMA
En el ciclo respiratorio se produce actividad de baja frecuencia o ruido El filtro reemplaza un valor por la mediana de los valores cercanos en un intervalo de 2n+1.
Eliminar ondas P de duración 0,2s y T de duración 0,6s .
Corrección deriva línea de base Datos de vector ecg Filtrado de señall con filtro de mediana móvil de 200ms Filtrado de señall con filtro de mediana móvil de 600ms Devuelve variable con valor de línea para ser eliminada Gráfica señal ecg con línes de base y sin línes de base Fin de la corrección de deriva de línea
DETECCIÓN DE LOS COMPLEJOS QRS
Detección Complejos QRS Objetivo: Detectar el pico R.
Datos de vector ecg y anotaciones QRS Se elimina ondas T de gran amplitud y ruido de diversa procedencia.
Encontrar valores máximos y mínimos Detectar pico R como punto máximo.
Detectar el pico R como el punto máximo en una ventana de 300ms centrada.
Graficar señal ECG y en ella las anotaciones de pico R Fin de la detección de picos R
CORRECCIÓN DE LOS COMPLEJOS QRS
Se obtiene un Intervalo RR robusto .
Falso Positivo: Por ondas T o latidos ectópicos Falso Negativo: Latidos no detectados
Generación de Intervalo RR robusto Bucle de detección y tipificación de fallos
Bucle que corrige los Falsos positivos y Falsos negativos.
EXTRACCION DE CARACTERISTICAS
Cálculo de Areas mediante cruce por 0 1 Cálculo de Area R (calcAreaR) Calculo de Area QR Cálculo de Área QRS Área mediante detección de 4 puntos Rreducir muestra x[imax-n] >0 hasta encontrar x[imax-n] <0 cambio de signo de la onda R Reducir muestras hasta encontrar el cambio de signo de la onda Q, (Punto B) Aumentar la muestra hasta encontrar el cambio de signo de la onda R Encontrar inicio QRS restando constante aproximada al pico R Fin del cálculo de áreas Aumentar la muestra hasta encontrar el siguiente cruce por 0 Seguir reduciendo la muestra hasta encontrar siguiente cruce por 0 (Punto A, muestra inicial) Seguir aumentado la muestra hasta encontrar el cambio de signo de la onda S (Punto A) Encontrar punto máximo Pico R Se encontraron dos cruces por cero?
Encontrar la muestra final aumentado las muestras hasta encontrar el cruce por 0 Aumentar hasta encontrar el cambio de signo y final de la onda S Encontrar punto mínimo Pico S Centrar el punto máximo en ventana de 100 ms Calcular Area Q Calcular Area S Encontrar fin complejo QRS sumando constante aproximada a pico S Calcular el área R con la fórmula Calcular Area QR Area R+ Area Q Calcular Area QRS Area QR+ Area S Calculamos el área como la suma de las áreas de loa triángulos formantes por los cuatro puntos
CALCULO AREA R, QR y QRS
Anotaciones de pico R, se aplica ventana 100 ms Partimos de x[
i max
]>0, como punto máximo Las muestras son reducidas hasta encontrar cambio de signo x[
i max-n
]<0 Se aumenta las muestras hasta encontrar el siguiente cruce por 0 Se calcula el área como:
Area QR Area S
SEÑALES DERIVADAS DE ELECTROCARDIOGRAMA
Calcular Amplitud pico R Detección picos R a partir de anotaciones Programa (Calcular todo AMRR) Calculo de valores puntos máximos, mínimos área abs, RMS e Intervalo RR Interpolación de valores calculados mediante spline cúbico Duración onda R (RWD) Variabilidad Ritmo Cardíaco (Intervalo RR) Partir del algoritmo calcAreaR 1 Calcular la distancia entre dos picos R Filtrado de señales (Filtro pasa bajos) Aplicación de ventana temporal de 300ms centrada en la anotación NOTA Extrayendo sección donde se calcula el tiempo que transcurre entre que la onda pasa por 0 la 1era vez hasta que vuelve a atravezarla Con el tramo de la señal se calcula el punto máximo = pico R Guardar datos en estructura (
parametros
) Fin del programa
SEÑALES DERIVADAS DE ELECTROCARDIOGRAMA
Área y duración de la Onda R Amplitud Pico R Variabilidad de ritmo cardiaco(Intervalo RR ) Se realiza interpolado de tipo spline cúbico Filtrado pasa-bajas que elimina frecuencias no coherentes con el rango de frecuencias respiratorias (0 5 Hz).
El filtro utilizado es de tipo Butterworth de orden 3.
En los sujetos de nuestra base de datos la tasa respiratoria es normalmente 10-20 respiraciones/minuto en reposo.
AMPLITUD PICO R
Detección de los picos R mediante anotaciones Se aplica ventana temporal de 300ms centrada en la anotación. Se calcula su punto máximo dando como resultado R
DURACIÓN ONDA R (RWD)
RWD: Onda que transcurre desde que la onda R pasa por 0 hasta que lo cruza nuevamente Se utiliza parte del algoritmo para el cálculo del área R
VARIABILIDAD DE RITMO CARDIACO (INTERVALO RR)
Se utiliza a consecuencia partir directa de episodio de apnea es la disminución en el ritmo cardíaco por parte del paciente debido a la no necesidad corazón.
de que de bombeo la un del Se produce un aumento en el intervalo RR y por tanto una disminución clara de la frecuencia cardíaca.
Durante un episodio de apnea se producen variaciones cíclicas en el ritmo cardíaco que suelen aparecer de forma periódica cada 25-100 s.
Consecuencia: Intervalo de frecuencias de entre
Hz
donde los
0.01-0.04
episodios de apnea tienen mayor influencia.
VARIABILIDAD DE RITMO CARDIACO (INTERVALO RR)
El proceso para obtener la señal es calcular la distancia entre dos picos R consecutivos.
En este caso nos interesa la señal sin interpolar
Intervalo RR
Cálculo de señales Interpolación y Filtrado Las señales son guardadas en estructura
parámetros
ESTUDIO TEMPORAL
A partir de las señales respiratorias derivadas se realiza un estudio temporal utilizando correlación cruzada. El objetivo es comprobar que el Intervalo RR es la EDR con mejores características para implementar el algoritmo.
Se realiza la correlación en tramos por minuto entre las señales respiratorias provistas por la base de datos y las EDR
ESTUDIO FRECUENCIAL
Se busca analizar el comportamiento frecuencial de la señal Intervalo RR.
Se analiza tramos con y sin apnea para comportamiento de la ver el señal en el rango frecuencial de 0.01 .
0.04 Hz (Rango de apnea).
CICLOS POR LATIDO
Se considera la secuencia RR como una señal que refleja la actividad del sistema nervioso autónomo.
Utilizando el Dominio del latido (beatquency domain) en lugar del dominio frecuencial, la frecuencia no se mide en ciclos por segundo sino en ciclos por latido.
Se debe tener en cuenta que el muestreo de dicha actividad no es uniforme.
Se utiliza la señal RR no interpolada.
ALGORITMO DE DETECCIÓN DE SAOS
Partimos tomando la señal del Intervalo RR no interpolada.
Durante la realización de este proyecto, la estimación de la PSD se ha realizado mediante la aplicación directa de la transformada de Fourier (función fft de MATLAB) y mediante el método del periodograma de Welch (función pwelch de MATLAB), con el objetivo de mejorar los resultados aplicando solapado.
DIAGRAMA DE FLUJO DEL ALGORITMO DE DETECCIÓN DE SAOS
.
La apnea tiene mayor influencia en el rango de frecuencias entre 0.01
y 0.04 Hz. Es decir un descenso en la banda VLF.
Esta disminución es cuantificada mediante el cálculo de la Densidad Espectral de Potencia (PSD).
ALGORITMO DE DETECCIÓN DE SAOS
Se detecta obstructiva del la apnea sueño a través de obtener la potencia espectral del tramo de señal analizado en el intervalo entre 0.01 y 0.04 Hz y mirar si éste es mayor a un cierto límite.
Una vez analizada la potencia espectral, se llega a la conclusión de que ésta es muy variable a los cambios de postura producidos por el paciente durante el proceso de ensoñación Dicha señal se le llama FPWR (Frecuency power espectrum signal). Se calcula la potencia en todo el tramo de señal, llamada TPWR (Total power spectrum signal)
ALGORITMO DE DETECCIÓN DE SAOS
Se obtiene la potencia relativa en la banda entre 0.01 y 0.04 Hz, llamada DPWR (differential power espectrum signal) El valor límite de DPWR utilizado para diferenciar tramos con y sin apnea es de un 40 %.
ALGORITMO DE DETECCIÓN DE SAOS
Cálculo de porcentaje de apnea Cantidad de anotaciones de apneatipo y apneas encontradas con el algoritmo Inicializar contadores de apnea de
base
de datos si Con los registros que se posee anotaciones de apnea los porcentajes son comparados.
contador de Tipo de apnea = 1 Contador Apnea real +1 no Inicializar contador de apneas de algoritmo Contador sin apnea Calculo porcentaje de apnea real en la señal Contador de apnea según el algoritmo no Si threshold=1 si Contador sinapneaalgoritmo =1 Contador apneaalgoritmo +1 Con los registros de validación el porcentaje de apnea teórico.
es comparado cuantificado con el y valor Fin del cálculo de procentaje
ALGORITMO DE DETECCIÓN DE SAOS
Usando Transformada de Fourier
ALGORITMO DE DETECCIÓN DE SAOS
ALGORITMO DE DETECCIÓN DE SAOS
En el transcurso de las pruebas el comportamiento del algoritmo es mejor mientras el solapado va disminuyendo, incluso en los pacientes que presentan cambios de postura durante el sueño.
Por lo tanto implementado solapamiento.
el algoritmo es finalmente con Periodograma de Welch sin
RESULTADOS OBTENIDOS EN LOS REGISTROS DE VALIDACIÓN Teniendo como: Detecciones Positivas correctas = 22 Detecciones Negativas correctas = 10 Falsos Positivos Falsos Negativos = 2 = 1
ANÁLISIS BIOESTADÍSTICO DE VALIDACIÓN DEL ALGORITMO
CONCLUSIONES Y RECOMENDACIONES
Se pudo determinar que la Variabilidad de ritmo cardiaco o Intervalo RR es la EDR que mejores resultados presenta en la correlación con los estudios de la polisomnografía. Por lo tanto la serie de intervalos RR fue elegida para ser usada en el algoritmo de detección de SAOS.
La frecuencia cardiaca se ve fuertemente influenciada por el sistema respiratorio en un proceso denominado Arritmia Sinusal Respiratoria, resultando en una secuencia de bradicardia – taquicardia.
Se determinó que la implementación del algoritmo es mejor a partir del intervalo RR sin interpolación pues se hace la detección mediante ciclos por latido pues el muestreo de la actividad del sistema autónomo no es uniforme.
CONCLUSIONES Y RECOMENDACIONES
Las pruebas de detección y por consiguiente la intensidad de detección de los intervalos RR como variación del ciclo cardíaco es dependiente de los estados del sueño así como de la posición del cuerpo Es mejor la aplicación del algoritmo en un paciente cuya muestra sea tomada en el durante un sueño diurno.
sueño nocturno, que
CONCLUSIONES Y RECOMENDACIONES
Se detectó la apnea obstructiva del sueño a través de obtener la potencia espectral del tramo de señal analizado en el intervalo entre 0.01 y 0.04 Hz y determinando si éste es mayor a un cierto límite.
Una vez analizada la potencia espectral, se llega a la conclusión de que ésta es muy variable a los cambios de postura producidos por el paciente durante el proceso de ensoñación.
Los resultados obtenidos en la son altos en los tres evaluación para la validar el algoritmo parámetros de medición como son Sensibilidad =96%, Especificidad = 83%, y Precisión= 91%. Estos parámetros dan cumplimiento a un buen resultado de la implementación del algoritmo.
CONCLUSIONES Y RECOMENDACIONES
Se puede concluir que respecto del mediante el método de detección del SAOS análisis espectral de la señal de variabilidad de ritmo cardíaco, el procedimiento es eficaz en la detección del padecimiento del trastorno, aunque parece ineficaz a la hora de graduar la severidad de la enfermedad.
Se concluye que la buena precisión del diagnóstico puede ser reconocida como determinación para una decisión clínica de presencia o ausencia de desórdenes respiratorios de sueño (apneas) clínicamente relevantes.
En algunos casos, falsos positivos puede ocurrir debido a la frecuencia muy baja en la que reconocemos la apnea, por otro lado la presencia de apnea del sueño puede no ser detectado por el algoritmo debido a una limitación básica cono el no reconocimiento de cambios autonómicos existentes en caso de apnea del sueño.
CONCLUSIONES Y RECOMENDACIONES
Algunos pacientes bajo medicación para control cardíaco también presentan pérdidas de los cambios autonómicos del ECG y la determinación de Intervalos RR se hace complicada, convirtiendo al paciente en un falso negativo, pero como la Sensibilidad nos indica, el algoritmo determina si el paciente está realmente enfermo en un 96%.
Gracias a la comparación con otros métodos podemos obtener una mejor visión acerca de los FP y FN que se pueden presentar en el diagnóstico de la apnea obstructiva del sueño.
En el caso de la tiene evaluación de Canisius et al su evaluación en precisión como resultado 77% y el algoritmo de detección de apnea obstructiva del 91% de sueño implementado en esta tesis es evaluado con un precisión,
CONCLUSIONES Y RECOMENDACIONES
El algoritmo realiza una mejor detección de pacientes realmente enfermos o sanos, sobretodo en pacientes durante el que no presentan cambios de posición sueño, y los pacientes con poco índice de apnea, independientemente que presente movimiento o no durante el proceso de ensoñación.
El algoritmo de detección de SAOS implementado en esta tesis proporciona una alternativa simple a los métodos actuales de diagnosis como la polisomnografía; permitiendo su aplicación domiciliaria mediante el uso de una prueba de diagnóstico no invasiva como es el electrocardiograma, reduciendo así costos y permitiendo comodidad al paciente, con el fin de proporcionar una mejor calidad de sueño a ser evaluado.
CONCLUSIONES Y RECOMENDACIONES
Como ampliación del proyecto, se propone analizar el algoritmo sobre una base de registros mayor e implementarlo en un hardware con mayor capacidad de procesamiento para así poder extraer conclusiones más robustas.
Realizar un estudio diferentes más exhaustivo de representatividad de sujetos de características fisiológicas ,con objeto de evaluar en mayor profundidad la dependencia negativa de la efectividad del alguna variable de método con índole morfológica como en el caso analizado del paciente X15.
Se recomienda analizar con mayor profundidad las derivadas de ECG con el propósito de encontrar mayor número de características en donde se vea reflejado el SAOS y así mejorar la capacidad del algoritmo en cuanto a señales respiratorias determinación del grado de la enfermedad.