Upload
duonghanh
View
214
Download
0
Embed Size (px)
Citation preview
Pablo Laguna
TÉCNICAS AVANZADAS DE TRATAMIENTOS DE SEÑAL PARA LA MEJORA DEL PROCESO ASISTENCIAL EN EL ENTORNO DE LA MEDICINA ESPECIALIZADA
CURSOS DE VERANO DE LA UNIVERSIDAD DE CANTABRIA
Acondicionamiento de la señal ECG y extracción
de parámetrosclínicamente útiles.
Acondicionamiento de la señal ECG y extracción
de parámetrosclínicamente útiles.
Análisis de la señal de ECGAnálisis de la señal de ECG
TÉCNICAS AVANZADAS DE TRATAMIENTOS DE SEÑAL PARA LA MEJORA DEL PROCESO ASISTENCIAL EN EL ENTORNO DE LA MEDICINA ESPECIALIZADA
CURSOS DE VERANO DE LA UNIVERSIDAD DE CANTABRIA
Las señales bioeléctricasgeneradas por el cuerpo contienen información relevantesobre los sistemas biológicos subyacentes.
Su decodificación ha permitido identificary clarificar un gran número de condiciones patológicas.
Las señales bioeléctricasgeneradas por el cuerpo contienen información relevantesobre los sistemas biológicos subyacentes.
Su decodificación ha permitido identificary clarificar un gran número de condiciones patológicas.
Origen de la señal de ECGOrigen de la señal de ECG
Origen de la señal de ECGOrigen de la señal de ECG
Registro de la señal ECGRegistro de la señal ECG
Registro de la señal ECGRegistro de la señal ECG
Características la señal ECGCaracterísticas la señal ECG
•Pseudo periódica
•Transitoria
•No estacionaria
Información Clínica en la señal ECGInformación Clínica en la señal ECG •Estática
Información Clínica en el ECGInformación Clínica en el ECG
•Dinámica
•Alternancias
•Heart RateVariability
•QT/RR
Tratamiento de señales biomédicas: Objetivos
Tratamiento de señales biomédicas: Objetivos
Reducir la subjetividad de las medidas manuales
Reducción de ruido
Extraer nueva información
Equipos y nuevas funcionalidades
Modelado de señales
Visualización de eventos
Reducir la subjetividad de las medidas manuales
Reducción de ruido
Extraer nueva información
Equipos y nuevas funcionalidades
Modelado de señales
Visualización de eventos
Bioelectrical Signal Processing in Cardiac and Neurological
ApplicationsLeif Sörnmo & Pablo Laguna
Elsevier/Academic Press, 2005
Libro de texto cuyo objetivo es unir la Ingeniería-tratamiento de las señales bioeléctricas- con la
fisiologia.
Dificultad en el tratamiento de las señales biomédicas
Dificultad en el tratamiento de las señales biomédicas
Las señales biomédicas se originan en el interior del cuerpohumano su contenido informativo se conoce solo parcialmente.
En Consecuencia: la “verdad” raramente está disponible.
Las señales biomédicas se originan en el interior del cuerpohumano su contenido informativo se conoce solo parcialmente.
En Consecuencia: la “verdad” raramente está disponible.
A diferencia de otras aplicaciones en tratamiento de señal:
Reducir la subjetividad de
las medidas manuales
Reducir la Reducir la subjetividad de subjetividad de
las medidas las medidas manualesmanuales
Las ondas del ECG: P-QRS-TLas ondas del ECG: P-QRS-T
P-wave
R-wave
T-wave
Q-waveS-wave
ST-segment
P-duration
QRS-duration
PQ- interval QT- interval
P-wave
R-wave
T-wave
Q-waveS-wave
ST-segment
P-duration
QRS-duration
PQ- interval QT- interval
El final de la onda T es una fuente de problemas
Hay grandes diferencias, también, entre las delimitaciones manuales de distintos cardiólogos...
Delimitación de ondas Delimitación de ondas Fácil
ECG
Menos fácil
Señal de ayuda
ECG
Difícil
Señal de ayuda
ECG
Señal de ayuda
Reducción de ruido
ReducciReduccióón de n de ruidoruido
y su partes oscuras...y su partes oscuras...
Ruido – Enemigo #1Ruido – Enemigo #1
Orígen externo como interferencia de la red eléctrica, incluyendo problemas de los equipos como sensores (electrodos, catéteres) y amplificadores.
Orígen fisiológico como la actividad de los músculos cuando se desea detectar los complejos QRS.
Orígen externo como interferencia de la red eléctrica, incluyendo problemas de los equipos como sensores (electrodos, catéteres) y amplificadores.
Orígen fisiológico como la actividad de los músculos cuando se desea detectar los complejos QRS.
Principio fundamentalPrincipio fundamental
Cada tipo de ruido debe ser combatido con su algoritmo especifico, i.e.,
casi nunca se puede usar un algoritmo estándar y aplicarlo sin mayor refleción, sino que:
su adaptación es muy importante para no destruir las características de las señales.
Cada tipo de ruido debe ser combatido con su algoritmo especifico, i.e.,
casi nunca se puede usar un algoritmo estándar y aplicarlo sin mayor refleción, sino que:
su adaptación es muy importante para no destruir las características de las señales.
Ruido electrocardiográficoRuido electrocardiográficoVariaciónes de la linea de base
Artefactos de movimiento de los electrodos
Ruido mioeléctrico (EMG)
Filtrado de 50/60 HzFiltrado de 50/60 Hz
Señal original
Filtro notch (estándar)
Observar:Este ruido aparece por causa de la filtración
Filtro nolineal
Cuidado: artefactos interpre-tados como potenciales tardíos.Cuidado: artefactos interpre-
tados como potenciales tardíos.
Los potenciales tardíos son importantes como factor de riesgo para pacientes que han sufrido un ataque de corazón.
zoom
Variaciones de la línea de base en el ECG
Variaciones de la línea de base en el ECG
0 50 100 150-6000
-4000
-2000
0
2000
4000
0 2 4 6 8 10 12 14 16 18 20-6000
-4000
-2000
0
2000
0 50 100 150-6000
-4000
-2000
0
2000
4000
0 2 4 6 8 10 12 14 16 18 20-6000
-4000
-2000
0
2000
tiempo (s)
tiempo (s)
Filtrado de las variaciones de la línea de base
Filtrado de las variaciones de la línea de base
Señaloriginal
Filtrado de las variaciones de la linea de base
Filtrado de las variaciones de la linea de baseObservaruna grave distorsiónen la onda T
Señaloriginal
Señal filtrada(fase
nolineal)
Señal filtrada(fase
lineal)
Señaloriginal
Señal filtrada(fase
nolineal)
Señal sin distorsión con este filtro
Filtrado de las variaciones de la linea de base
Filtrado de las variaciones de la linea de base
Implementación del filtroImplementación del filtro
•Diezmado e Interpolación
•FIR/IIR
-.-.-.-. FIR 400 coef. FIR 1142 coef.
------------ IIR orden 5 forward/backward
Filtrado variante en el tiempoFiltrado variante en el tiempo
•Filtro variante en el tiempo
•Espectro variante en el tiempo
Filtrovariante en el tiempo
Frecuencia de corte función:•Ritmo cardiaco •potencia del residuo
Filtrado variante en el tiempoFiltrado variante en el tiempo•Interpolación polinómica
•Detección fiable de QRS
•Equivalente a un filtro variante en el tiempo
ResultadosResultados
•ECG
•TI Filtering
•TV HR dependent
•TV cubic spline
Cancelación de 50/60 HzCancelación de 50/60 HzProblema Solución: polos/ceros
Mas problema
Cancelación de 50/60 HzCancelación de 50/60 HzSolución: Filtro no-lineal
•Restar una sinusoide
•Se introduce una función de error
•Se actualiza la sinusoide a sustraer con el error
•Se resta la estimación del ruido
Cancelación de 50/60 HzCancelación de 50/60 HzSolución: Estimación por sustracción
Equivale a Filtro
Es lineal?
1.Se estima en un segmento silente
2.Se extrapola a otrossegmentos y se resta
Cancelación EMGCancelación EMGLos espectros están solapados
EMG
Filtros variantes en el tiempo•Alta frecuencia corte en QRS•Baja en P y T
Delineación de ECGDelineación de ECG
Automatic annotations:
Manual annotations:
Group 1 : me < 40 msSD < 50 ms
Well detectedend of T- wave
Automatic annotations:
Manual annotations:
Group 2 : me > 40 msSD < 50 ms
Morphology identificationerror (systematic)
Automatic annotations:
Manual annotations:
Group 3 : me < 40 msSD > 50 ms
Noise or smallT wave amplitude
Automatic annotations:
Manual annotations:
Group 4 : me > 40 msSD > 50 ms
Morphology identificationerrors and low SNR
Detector Pon P Poff QRSon QRSoff Ton T ToffWT 10.7 8.2 9.9 8.9 9.5 26.6 20.3 22.9LPD 11.2 9.3 12.7 9.5 9.3 24.7 25.6 26.9Tolerance 10.2 - 12.7 6.5 11.6 - - 30.6
Mean Standard Deviation (in ms )
Detector Pon P Poff QRSon QRSoff Ton T ToffWT 1.3 -7.8 0.3 -6.6 -0.4 2.3 -6.1 0.7LPD -9.4 -0.1 5.4 3.5 1.3 -3.3 -24.0 -19.7
Bias (in ms) between automatic and manual anotations
Delineación de ECG: Validación
Delineación de ECG: Validación
Delineación de ECG: Multilead
Delineación de ECG: Multilead
• ECG lead: projection of the electrical vector into one direction.
Delineación de ECG: Multilead
Delineación de ECG: Multilead
Delineación de ECG: MultileadDelineación de ECG: Multilead
EASI lead systemPhilips
Promediado y Potenciales tardios•Promediado en ECG de alta revolución
•Análisis de VLP•RMS40, QRSd, LAS40
•Análisis de His-Purkinge•Estimación de señal
•Análisis de la variabilidad latido a latido •La potencia del “ensemble variance”
• Limitaciones:•Señal No estacionaria
•Ruido
•Misalignment --> Filtro paso bajo Fc
a=
0 132.σ
Alineado • Libre de ruido
• Registros ruidosos•
• Interpolación
• Disminuye
• Disminuye el efecto paso bajo
• Mejor estimación de señal
σaminTs= 2 3
σ σa amin≥
Ts
Ts
τ = ⋅0 4, TsQRS t( )−τ
QRS t( )
σaminTs= 2 3
Ejemplo de latidos desalineados
s(k)
Fs = 1000 Hz
-0,3
-0,2
-0,1
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0 50 100 150
ms
σa ms= 1
Fc = 132 Hz
-0,3
-0,2
-0,1
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0 50 100 150
ms
Fc = 26 Hz
-0,3
-0,2
-0,1
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0 50 100 150
ms
σa ms= 5
Métodos de alineamiento• Correlacion
• Alineamiento de Woody (WA)
•Correlacion iterativa
• Integrales normalizadas (NI)
•Differencia d ela integral entre dos registros
• Cruce por doble umbral (TC)
Deviation signalDeviation signal
Correlation SW TCNIWANo alignmentAveraged signal overprinted on originalAveraged signal overprinted on original
mV
-0,4
0
0,4
0,8
1,2
100
-0,4
0
0,4
0,8
1,2
100
-0,4
0
0,4
0,8
1,2
100
-0,4
0
0,4
0,8
1,2
100
ms-0,4
0
0,4
0,8
1,2
100
-0,4
0
0,4
0,8
1,2
100
Comparación de Metodos
0
0,1
0,2
0,3
0,4
1000
0,1
0,2
0,3
0,4
1000
0,1
0,2
0,3
0,4
1000
0,1
0,2
0,3
0,4
100 ms0
0,1
0,2
0,3
0,4
100
mV
0
0,1
0,2
0,3
0,4
100
Reducción del nivel de ruidoReducción del nivel de ruido
#latidos
Nivel de ruido en cada latido
Reducción del ruido en función del
número de latidospromediados
El efecto resultante es un filtrado paso bajo
El efecto resultante es un filtrado paso bajo
Variaciones gaussianas Variaciones uniformes
Estimación de la latencia:Un ejemplo
Estimación de la latencia:Un ejemplo
QuickTime™ and aVideo decompressor
are needed to see this picture.
latencia estimada
SNR buena
SNR media
SNR mala
ECG Real: VLP
Actual ECGFs = 1000 Hz3 leadsWAButterworth BFHigh-pass 40 Hz
QRSd = 105 msRMS40 = 17,9 uVLAS = 48 ms
0
50
100
75 125 175 225 275 325
uV
247142
38.75 uV
msQRSd = 110 msRMS40 = 17,8 uVLAS = 48 ms
0
50
100
75 125 175 225 275
uV
39 uV
137.5 247.5
325ms
No interpolacionFs=1000 Hz
No interpolacionFs=1000 Hz
InterpolacionFs=4000 Hz
InterpolacionFs=4000 Hz
Otra aplicación del promediado: La prueba de esfuerzo
Otra aplicación del promediado: La prueba de esfuerzo
onset of exercise
end of exercise
Ischemia
Otra aplicación del promediado: La prueba de
esfuerzo
Otra aplicación del promediado: La prueba de
esfuerzo
Sano
ensemble variance
averaged beat
Otra aplicación del promediado: La prueba de esfuerzo
Otra aplicación del promediado: La prueba de esfuerzo
• Robust estimation method• preprocessing
•QRS detection (Aristotle)•baseline wander attenuation (cubic splines)
•Weighted averaging of beats
Exercise ECGExercise ECG--based CAD diagnosisbased CAD diagnosis
• Robust estimation method• postprocessing
•rejection of outliers (MAD)
variance
median
median absolute deviation (MAD)
criterium for rejection
>
Exercise ECGExercise ECG--based CAD diagnosisbased CAD diagnosisConclusions
• Estudio en simulación
ExerciseExercise ECGECG--based CAD diagnosisbased CAD diagnosis
• Simulation study
Exercise ECGExercise ECG--based CAD diagnosisbased CAD diagnosis
• Evaluation of the robust estimation method
Extraer nueva
información
Extraer Extraer nueva nueva
informaciinformacióónn
Estudiar la apnea del sueñosin registros respiratorios
Estudiar la apnea del sueñosin registros respiratorios Las consecuencias de la apnea del sueño pueden ser: riesgo elevado de hyper-tensión, infarto cardíaco, trombosís.
Los metodos estándar detectan apnea a base de la monitorización respiratoria, utilizando equipos molestos para el sujeto.
Puede utilizarse el ECG para derivar la información respiratoria?
Las consecuencias de la apnea del sueño pueden ser: riesgo elevado de hyper-tensión, infarto cardíaco, trombosís.
Los metodos estándar detectan apnea a base de la monitorización respiratoria, utilizando equipos molestos para el sujeto.
Puede utilizarse el ECG para derivar la información respiratoria?
Ritmo normal (sinusal)Ritmo normal (sinusal)
Respiratory sinus rhythm
Normal sinus rhythm
Intervalo RR
respiración gradualmente mas lenta
Información respiratoria derivada del ECG (ritmo)Información respiratoria derivada del ECG (ritmo)
Información respiratoria derivada del ECG (amplitud)
Información respiratoria derivada del ECG (amplitud)
El vectorcardiograma (VCG)El vectorcardiograma (VCG)
-0.50
0.51
1.5
-0.5
0
0.5
1-0.5
0
0.5
1
X (mV)Z (mV)
Y (m
V)
• QRS-VCG loop rotation
Bucles VCG sucesivos tienen
direcciones espaciales que son algo diferentes a
causa de la respiración.
El bucle VCGEl bucle VCG
Señal respiratoria obtenida del ECG
Señal respiratoria obtenida del ECG
señal ECG
variaciónen volumen
ángulos
Los ángulos de rotación
constituyen la base de la señal
respiratoria.
ECG derived respiratory frequencyECG derived respiratory frequency• Beat substitution in low SNR leads
0 . 5 0 . 7- 1
1 . 5
m i n
V
7 . 4 7 . 6- 1
1 . 5
m i n
V
0 . 5 0 . 7- 1
1
m i n
AU
7 . 4 7 . 6- 1
1
m i n
AU
Obtención de la respiración a partir del ECG: EDR
Obtención de la respiración
0 5 10 150.2
0.3
0.4
0.5
0.6
Hz
min0 5 10 15
0.2
0.3
0.4
0.5
0.6
min
Hz
ECG derived respiratory frequencyECG derived respiratory frequency• Simulation study
Codificación: Analisis porcomponentes principales: PCA
Codificación: Analisis porcomponentes principales: PCA•Segmentación en latidos
componentes principales: PCAcomponentes principales: PCA
PCA maximiza la varianza de las componentes transformadas
Estimarla del aprendizaje
PCA:
PCA: quitar la media en x
KLT: dejar la media en xDiferente interpretación!!
Valores propios
componentes principales: PCAcomponentes principales: PCAIntrabeat correlation
componentes principales: PCAcomponentes principales: PCAInterbeat correlation
Truco para eficiencia computacional
Calculo de PCA: SVDCalculo de PCA: SVD
Los vectores base son la descomposición en valores singulares de X
SVD Vectores propios
Analisis MultiderivaciónAnalisis Multiderivación
Apilamiento
PCA
Analisis MultiderivaciónAnalisis Multiderivación
PCA
Aplicaciones: Compresion datosAplicaciones: Compresion datos
Quitando redundancias con transformaciones
Aplicaciones: Compresion datosAplicaciones: Compresion datos
Intrabeat correlation
Aplicaciones: Compresion datosAplicaciones: Compresion datos
Base Universal Base especifica
Mejor codificaciónRequiere info-lateral
Compresion datos: Evaluaciónde prestaciones
Compresion datos: Evaluaciónde prestaciones
Depende de la FsInicial no de la calidad
Depende de magnitud de la señal no del error absoluto
Depende del error matemático
Índice clínico, depende valor de las medidas o del error manual
Compresion datos: Evaluaciónde prestaciones
Compresion datos: Evaluaciónde prestaciones
Aplicaciones: Monitorizaciónisquemia
Aplicaciones: Monitorizaciónisquemia
Interpretación!!
Estimación adaptativaEstimación adaptativa
LMS
Detección de alternanciasDetección de alternancias
Espectro de las series de PCA
Fibrilación auricularFibrilación auricular
Estimación espectral de la AA
Fibrilación auricular: Multi-leadFibrilación auricular: Multi-lead
BSPM: Multi-leadBSPM: Multi-lead
Forzar tiempo/espacio Independientes
Reducción de complejidad
BSPM: Multi-leadBSPM: Multi-lead
BSPM: Multi-leadBSPM: Multi-lead
Apilamiento Decorrelacion t/s
Hypothesis: QT is affected by a history of RR intervals that can be expressed as an RR weighted average ( )
Elementary Elementary ElementaryTime-invariant analysis of the QT / RR relationship
QT lags behind RR changes:
RR
RRiRRj RRi-1
QTi
Modelado y análisisde la repolarición
Tratamiento de señales biomédicas
0 . 5 1 1 . 5 2 2 . 5 3
x 1 0 4
- 1
- 0 . 5
0
0 . 5
1
1 . 5
0 . 5 1 1 . 5 2 2 . 5 3
x 1 0 4
0 . 3
0 . 4
0 . 5
0 . 6
0 . 7
H
H+
+-
- e(n)( )g z,a
( )ˆˆg z,ay
y
+z
z
no (n)
x
ElementaryBeat-to-beat response of QT to abrupt changes
N = 1 N = 30 N = 50
Detección de ALternanciasDetección de ALternanciasEsquema general: preprocesadoEsquema general: preprocesado
Introducción Revisión Análisis de AOT basado en modelos Evaluación AOT en PTCA Conclusiones
Detección de AlternanciasDetección de Alternancias
[ ]== −10 ... MxxX
latidom
ues
tra
latido
mu
estr
a
=
Matriz de complejos ST-T: M latidos, con N muestras por complejo
Introducción Revisión Análisis de AOT basado en modelos Evaluación AOT en PTCA Conclusiones
Deteccion de alternanciasDeteccion de alternancias
latido
mu
estr
a
XN series de muestras
Y
latido
coef
icie
nte
P series de coeficientes
Introducción Revisión Análisis de AOT basado en modelos Evaluación AOT en PTCA Conclusiones
Detección de alternnaciasDetección de alternnaciasIntroducción Revisión Análisis de AOT basado en modelos Evaluación AOT en PTCA Conclusiones
Detección de alternnaciasDetección de alternnaciasIntroducción Revisión Análisis de AOT basado en modelos Evaluación AOT en PTCA Conclusiones
Detector Gausiano
Detector Laplaciano
Estimación de la alternancia
Repo a una muestra dada para latido i
BB BBBBBBBBBBAA AAAA AAAAAAAAIndices de riesgocardiaco: Alternancias
Tratamiento de señales biomédicas
Alternancias de onda T en isquemia
Ischemic patient
Healthy subject
Análisis de isquemia y HRV durante prueba de esfuerzo
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10200400600
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10
200400600
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10
200400600
PSD
(ms2
Hz-
1 )
Frequency (Hz)
P1VHFHFLFVLF
P2VHFHFLFVLF
P3VHFHFLFVLF
PSD
(ms2
Hz-
1 )PS
D (m
s2H
z-1 )
0 200 400 600 800 1000 120050
100
150
200
time (s)
Hea
rtR
ate
(bpm
) P1
P2 P3
Tratamiento de señales biomédicas
HRV No HRV No estacionariaestacionaria durantedurante pruebaprueba de de esfuerzoesfuerzo
• Modelling• Real exercise HRV signal • Model for exercise HRV
Freq
uenc
y (H
z)
Freq
uenc
y (H
z)
Real exercise HRV
• HRV low pass filtered at 0.9 Hz spurious 1 Hz componentdue to cycling?
Freq
uenc
y (H
z)
•Cuidado con la interpretación.•Siempre pensar dos veces!!
Annotated EpisodesDetected Episodes
Theshold detection.
S = 85 %
+P = 86 %
Detección de isquemia y BPC
Baja Sensibilidad/especificidad• Episodios de ruido• Cambios Posturales• Isquemia de demanda• Isquemia de suministro• Criterios de detección
ST deviation
Introduction Depolarization
Elementary
ConclusionsRepolarization (T-I) Repolarization (T-V)
Elementary ElementaryPendientes del QRS para isquemia
HF-QRS
QRS slopes
Clinical utility: ischemia monitoring
normal ischemic
Introduction Depolarization
Elementary
ConclusionsRepolarization (T-I) Repolarization (T-V)
Elementary ElementaryWave-based indices & QRS slopesRelative variations in mean over patients
derivation V3 derivation -aVR
In some leads (V2 – V4), ST superior to
In other leads (V1, V6, aVF, -aVR), superior to ST
Muchas gracias por su
atención!