PROYECTO FIN DE CARRERA
Presentado a
LA UNIVERSIDAD DE LOS ANDES FACULTAD DE INGENIERÍA
DEPARTAMENTO DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA
Para obtener el título de
INGENIERO ELECTRÓNICO
por
Alexei Oscarovich Fernandez Fernandez
SIMULADOR DE SEÑALES ELECTRO FISIOLÓGICAS
Sustentado el día 12 del mes 12 del año 2017 frente al jurado:
Antonio José Salazar Gómez y Fredy Enrique Segura Quijano
Asesor: Antonio José Salazar Gómez, Profesor Asociado, Universidad de Los Andes
Contents
1 INTRODUCCIÓN 3
2 OBJETIVOS 3
2.1 Objetivos generales . . . 3
2.2 Objetivos específicos . . . 3
2.3 Alcance y productos finales . . . 3
3 DESCRIPCIÓN DE LA PROBLEMÁTICA Y JUSTIFICACIÓN DEL TRABAJO 4 4 MARCO TEÓRICO 4 4.1 Marco Teórico . . . 4
4.2 Marco Conceptual . . . 6
5 DEFINICIÓN Y ESPECIFICACIÓN DEL TRABAJO 8 5.1 Definición . . . 8 5.2 Especificaciones . . . 8 6 METODOLOGÍA 8 6.1 Plan de Trabajo . . . 8 6.2 Búsqueda de información . . . 9 6.3 Alternativas de desarrollo . . . 9 7 TRABAJO REALIZADO 9 7.1 Descripción del Resultado Final . . . 12
8 VALIDACIÓN DEL TRABAJO 16 8.1 Metodología de prueba . . . 16
8.2 Validación de los resultados de trabajo . . . 16
8.3 Evaluación del plan de trabajo . . . 21
9 DISCUSIÓN 21 10 CONCLUSIONES 22 11 AGRADECIMIENTOS 23 References 23 12 APÉNDICES 24 12.1 Propuesta inicial del proyecto . . . 24
12.1.1 CARACTERIZACIÓN DEL PROBLEMA . . . 24
12.1.2 MARCO TEÓRICO . . . 24
12.1.3 CARACTERIZACIÓN DEL PROYECTO . . . 26
12.1.4 Objetivos generales . . . 26
12.1.5 Objetivos específicos . . . 26
12.1.6 Alcance del proyecto (compromisos) . . . 27
12.2 CONTEXTO DEL PROYECTO Y TRATAMIENTOS . . . 27
12.2.1 Suposiciones . . . 27
12.2.2 Restricciones . . . 27
12.4 CRONOGRAMA . . . 27
12.4.1 Identificación y descripción de hitos . . . 27
12.4.2 Cronograma (Diagrama de Gant) . . . 28
1
INTRODUCCIÓN
Este documento presenta los contenidos que se requirieron con el fin de completar el proyecto de realizar un simulador de señales electro fisiológicas. Se presentan los objetivos y motivaciones de este proyecto, así como un marco teórico necesario para tener una mejor comprensión de los temas tratados. También se presenta el trabajo que se realizo con el fin de alcanzar los objetivos, este con sus respectivos resultados y validación de estos. Por ultimo se discute y concluye acerca de lo que se logro en este proyecto.
2
OBJETIVOS
2.1
Objetivos generales
El objetivo de este proyecto, es simular las señales electro-fisiológicas del cuerpo humano, mas es-pecíficamente las señales adquiridas por medio de un ECG y un EEG. Se realizara una interfaz de usuario intuitiva con la que se podrán personalizar algunos parámetros de estas señales y se utilizara el dispositivo NI myRIO para generar las señales simuladas. Con el propósito de que este dispositivo sea utilizado para el desarrollo de equipos médicos o elaboración de algoritmos para detección de patologías, así ahorrando complicaciones de hacer pruebas clínicas con pacientes.
2.2
Objetivos específicos
• Simular la señal normal de un ECG.
• Tener la capacidad de simular al menos 5 patologías cardiacas. • Simular las señales que se presentan en un EEG.
• Simular patologías que se pueden detectar a través de un EEG.
• Implementar una interfaz, con el cual el usuario sea capaz de decidir que señal y patología quiere simular y generar.
• Generar las señales utilizando el dispositivo myRIO.
2.3
Alcance y productos finales
Este proyecto busca simular las señales de un ECG y un EEG y generarlas a través del dispositivo myRIO. La interfaz de usuario debería tener la capacidad de ser flexible en cuanto a los cambios que el usuario desee, como por ejemplo cambiar amplitudes y frecuencias, o generar una patología deseada por el usuario en un determinado instante de tiempo. Este proyecto no busca realizar equipos médicos, o algoritmos que detecten patologías. Adicionalmente, se simulara las señales de ECG con al menos 5 diferentes patologías cardiacas y la señal de un EEG con eventos como un ataque de hi-poglucemia y ataques epilépticos.
Producto final:
• Se logró simular la señal normal del ECG y EEG satisfactoriamente.
• Se logró satisfactoriamente, simular 5 patologías cardiacas diferentes que se pueden encontrar en un ECG.
• En cuanto a la flexibilidad de la personalización de las señales, se logra satisfactoriamente cambiar las amplitudes, frecuencias de muestreo de la señal y agregar opciones de ruido. • Se logró satisfactoriamente implementar opciones de simulación que permitan al usuario definir
un tiempo para que aparezca una patología especificada y una duración de esta.
3
DESCRIPCIÓN DE LA PROBLEMÁTICA Y JUSTIFICACIÓN
DEL TRABAJO
En la actualidad, existen distintas formas de obtener señales electro fisiológicas del cuerpo. Entre estas, esta el electro cardiograma (ECG) y el electro encefalograma (EEG). Gracias a estas señales, los expertos en el área son capaces de identificar irregularidades en estas señales patológicas que in-volucran alguna condición que afecta la salud del paciente.
Con estas señales se pueden detectar desde arritmias en el corazón hasta cambios significativos en las ondas cerebrales para pacientes que sufren de hipoglucemia [2]. Debido a la importancia de estas pruebas, se busca realizar algoritmos e implementar dispositivos con diferentes aplicaciones basán-dose en las señales electro fisiológicas del cuerpo, como por ejemplo detectar las patologías y avisarle al usuario, o mantener un control de estas señales entre otras aplicaciones.
Para poder diseñar y probar correctamente estos dispositivos, normalmente requeriría pruebas clínicas. Lo cual conlleva una gran cantidad de problemas y planeamiento. Por esto, nace la mo-tivación de realizar un simulador se señales electro fisiológicas, ya que si se tuviera un simulador confiable que permita probar estos dispositivos con este dispositivo y no con pacientes reales, seria posible promover el desarrollo de estos ya que se evitan muchas complicaciones como la logística de un ensayo clínico, aprobación de un comité de ética y el consentimiento y colaboración de los pacientes.
4
MARCO TEÓRICO
4.1
Marco Teórico
ECG
Existen varios modelos matemáticos que sirven para recrear la señal de un ECG, en este caso se desea utilizar el modelo no lineal descrito en [10]. Este modelo, genera una trayectoria en un espacio de estado tri-dimensional con coordenadas x, y y z. Se logra evidenciar una semi-periodicidad del ECG, debido al movimiento de la trayectoria alrededor del ciclo limite de radio unitario en el plano (x, y). Cada revolución en este circulo corresponde a un intervalo RR o a un latido del corazón. Las diferentes ondas en el ECG, como la P, Q, R, S y T se describen por eventos que corresponden a atracciones o repulsiones positivas o negativas en la dirección z. Estos eventos, se posicionan a través del circulo unitario con ángulos fijos dados por θS, θR, θP, θQ y θT en radianes.
Cuando la trayectoria se acerca a uno de los eventos, se empuja hacia arriba o hacia abajo del ciclo limite, a medida que se aleja de los eventos es empujada hacia el ciclo limite como se evidencia en la figura 1.
Figure 1: Trayectoria típica del modelo dinámico (1) en un espacio tri-dimensional dado por (x, y, z).
Las ecuaciones dinámicas están dadas por el conjunto de tres ODEs: x0 = αx − ωy y0 = αy + ωx z0 = −P i∈(P,Q,R,S,T )αi∆θiexp ( −∆θ2 i 2b2 i ) − (z − z0) (1) En donde: α = 1 −px2+ y2 ∆θi = (θ − θi)mod(2π) θ = atan2(x, y)
ω es la velocidad angular de la trayectoria.
Este modelo permite recrear de forma más realista las señales de un ECG. Adicionalmente, este modelo se resuelve con el método numérico Runge-Kutta4.
EEG
Utilizando la información en [8] y [1], se tiene que la densidad espectral de una señal, contiene la información de como esta distribuida la potencia de dicha señal entre las diferentes frecuencias que la conforman. Esto se vuelve de gran interés para un EEG. Debido a que el EEG, se divide en bandas de frecuencia, se puede calcular la densidad espectral para cada una de estas. Para esto, se calcula una frecuencia pico para cada frecuencia f , cada valor resultante se guarda en una posición de un vector que conforma el la densidad espectral total de esta banda de frecuencia. La siguiente relación, calcula el n-ésimo valor del vector Espectro:
Espectron= 1 π A(BW2 + P F2+ f2) (BW2+ P F2 − f2)2+ 4(BW2f2) (2) En donde:
BW es el ancho de banda especificado por el usuario.
P F es la frecuencia pico especificada por el usuario.
f = F recuenciamuestreo2048 (in+ 1) el valor de f cambia cada iteración.
Para obtener la señal en el dominio del tiempo, se toma la raíz cuadrada de los valores del vector Espectro se multiplican por una función exponencial compleja eiθ donde θ es 2π multiplicado por
un valor aleatorio entre 0 y 1. Esto con el objetivo de aplicar la transformada inversa de Fourier y obtener la señal en el dominio del tiempo.
4.2
Marco Conceptual
Con el fin de simular señales electro fisiológicas, es necesario primero entender como funcionan es-tas, a continuación se describen las señales de mayor interés para este proyecto. Las cuales son las señales de ECG y EEG.
Una onda normal que se obtiene por medio de un ECG, consta de diferentes ondas las cuales se separan como P, Q, R, S, y T tal como se muestra en la figura 2.
Figure 2: Señal normal de un ECG.
En donde según [10] y [6]:
• Onda P: Se produce debido a la contracción de la aurícula. Normalmente, esta onda tiene aproximadamente 0.1mV de amplitud y dura alrededor de 0.04 segundos. Si esta onda excede estos parámetros, puede significar una hipertrofia auricular.
• Intervalo PR: El intervalo PR se mide desde el inicio de la onda P hasta el inicio de la onda Q. Representa la duración de la despolarización de las aurículas. La duración regular es de 0.12 a 0.20 segundos. Si el intervalo PR es superior a 0.20 segundos, podría estar presente un bloqueo atrio-ventricular.
• Complejo QRS: El complejo QRS se mide desde el inicio de la onda Q hasta el final de la onda S. Representa la duración de la despolarización ventricular. La duración regular es de 0.08 -0.12 segundos. Si la duración es más larga, podría indicar la presencia de un bloqueo de rama. • QT/QTc: El QT / QTc se mide desde el inicio de la onda Q hasta el final de la onda T. El
in-tervalo QT representa la duración de la activación y recuperación del músculo ventricular. Esta duración varía inversamente con la frecuencia cardíaca. El QTc regular es de aproximadamente 0.41 segundos.
• Segmento ST: El segmento ST se mide desde el final de la onda S, el punto J, hasta el inicio de la onda T. Este segmento es importante para identificar patologías como infartos de miocardio (elevaciones) e isquemia (depresiones).
Como se menciona anteriormente, estas componentes de la onda del ECG, pueden indicar difer-entes patologías, entre ellas la arritmia cardiaca. La arritmia es un ritmo anormal o irregular del corazón resultante de cualquier cambio, desviación o mal funcionamiento en el sistema de conduc-ción del corazón. El diagnóstico rápido de una arritmia es muy importante. Esto se debe a que cuanto más tiempo dura una arritmia sin ninguna detección o tratamiento, mayores serán las posibilidades de daño permanente y disfunción cardíaca adicional.
Por ultimo, existen diferentes patologías que se pueden evidenciar en un ECG como se describe en [11]. Estas patologías, se presentan como cambios en la amplitud, cambios en la periodicidad de la señal, cuando se omiten partes de la señal o retrasos en esta, entre otros. Debido a esto, es posible simular las patologías deseadas variando la señal normal para que se ajuste a la característica de la patología.
En cuanto al EEG, primero es importante entender que las señales que se obtienen por este medio, no son periódicas en el tiempo y pueden presentar cambios abruptos. Debido a esto con el fin de representar la señal se requiere utilizar métodos diferentes al ECG. Así mismo, en el EEG, se pueden presentar distintos tipos de onda que se clasifican según su frecuencia como mencionan en [12]. Esta clasificación, se muestra a continuación:
Onda Frecuencia Delta menor a 4Hz Theta 4-8Hz Alpha 8-12Hz Beta 13-30 Hz Gamma mayor a 30Hz
Table 1: Frecuencias de las distintas ondas en un EEG.
Al igual que el ECG, la información obtenida por medio del EEG, revela condiciones clínicas en los pacientes, como por ejemplo ataque de epilepsia [9], o ataques de hipoglucemia [2]. Teniendo en cuenta las características de las señales que se pueden evidenciar en un EEG, se pueden utilizar estos parámetros para asemejar las patologías basándose en una señal generada que contenga las diferentes bandas de frecuencia.
5
DEFINICIÓN Y ESPECIFICACIÓN DEL TRABAJO
5.1
Definición
El problema radica, en poder simular y luego generar señales análogas a través del dispositivo NI myRIO que asemejen las señales de un ECG y un EEG. Adicionalmente también se debe poder generar señales similares a las patologías encontradas en un ECG y un EEG. Las señales generadas deberán poder tener parámetros que se puedan cambiar por el usuario con el fin de simular las señales mas flexiblemente. Finalmente, se implementa un perfil de simulación que permita al usuario definir un tiempo especifico en el que se da una patología y un tiempo de duración de esta.
Este dispositivo, encontraría uso en un ámbito de bioingeniería, ya que su uso puede facilitar las pruebas de otros dispositivos especializados en la detección de patologías encontradas en estas señales u otras aplicaciones que requieran de estas señales.
5.2
Especificaciones
Restricciones y funciones del dispositivo:
• Se requiere del software de programación LabView con el fin de poder generar las señales a través del dispositivo NI myRIO.
• Este dispositivo solo se encarga de generar las señales, lo cual quiere decir que no clasifica o identifica que tipo de patología se genera, eso depende del usuario para lo cual existe una interfaz en la cual es simple saber esto.
• El dispositivo cuenta con 2 perfiles de simulación, uno que genera una misma señal de manera continua y otro dinámico en el cual se puede definir un tiempo de espera para que ocurra una patología y un tiempo de duración de esta.
6
METODOLOGÍA
6.1
Plan de Trabajo
Debido a los objetivos del proyecto, se pude separar los pasos necesarios para su desarrollo.
• Etapa de recopilación de información: Esta es la primera etapa para poder lograr el proyecto. En esta etapa, se enfatiza en investigar y conocer los conceptos con los cuales se van a trabajar en el transcurso del proyecto. En este caso, se requería investigar acerca de las señales en condiciones normales de un ECG y un EEG. Posteriormente, al entender en que condiciones una señal de ECG y de EEG se considera normal, se vuelve necesario buscar que tipo de patologías se pueden evidencias en estas señales y que las caracteriza. Una vez se entienda la naturaleza de estas señales se vuelve necesario encontrar un programa que permita lograr los objetivos del proyecto.
• Etapa de familiarización de software: Se requiere un software para poder implementar el proyecto, en este caso se utiliza labview de National Instruments. Como todo software se requiere al menos un entendimiento básico de sus funciones y su entorno de programación. Por esto se vuelve importante realizar tutoriales y referirse a sus foros de ayuda con el fin de tener un mejor entendimiento del programa y mejorar el manejo de este.
• Etapa de implementación de las simulaciones: En esta etapa, se desarrollan las simulaciones descritas en los objetivos, haciendo uso de la información pertinente de las señales y de los recursos que proporciona el software de desarrollo.
• Etapa de implementación física: En esta etapa se utiliza las simulaciones logradas anterior-mente con el fin de que el dispositivo myRIO pueda ser utilizado para generar estas señales para que sea utilizado en diferentes aplicaciones médicas sin la necesidad de pacientes.
6.2
Búsqueda de información
En general, se realizo búsqueda de información en fuentes médicas que contuvieran estudios con pacientes y que analizaran las características de las señales que se desean simular. En cuanto al procesamiento de la señal se consultaron fuentes que tuvieran un análisis mas matemático que facili-tara implementar las señales. La credibilidad de las fuentes consultadas es de real importancia, por lo cual las fuentes mas consultadas fueron la base de datos de la IEEE xplore y ncbi.
Los estudios con pacientes, fueron realmente importantes ya que se buscaba simular señales se-mejantes a lo que se vería en una situación real. Así mismo, los documentos que contenían estudios comparando las diferentes señales y sus patologías, en especial los de EEG, fueron muy útiles e indis-pensables para lograr los perfiles de simulación predeterminados debido a la inexperiencia con señales electrofisiológicas, esta etapa del proyecto fue indispensable. Las fuentes que realizaban un análisis mas matemático como la descripción y características del espectro en frecuencia de estas señales tu-vieron un papel importante ya que en estos temas se tiene mas conocimiento y permite entender mejor las señales y por ende tener una simulación mejor.
6.3
Alternativas de desarrollo
Inicialmente se planteo realizar las simulaciones de las señales en el software de programación Mat-Lab, esto debido a que se tenia experiencia previa utilizando este software, cuenta con muchos recur-sos de soporte y se habían encontrado otros proyectos que utilizaban las señales que se necesitan para este proyecto. Sin embargo, no se contaba con un dispositivo capaz de generar la señal física. Debido a esto se eligió realizar la programación con el software LabView, ya que se contaba con el dispos-itivo NI myRIO que tiene la cabildada de generar señales análogas. La desventaja de esta decisión, es que debido a la inexperiencia en el uso de este software se tuvo que invertir una buena cantidad de tiempo familiarizándose con este, afortunadamente, LabView cuenta con una alta gamma de recursos y tutoriales para agilizar este proceso.
7
TRABAJO REALIZADO
ECG
Para simular la señal de ECG, se utilizo el modelo dinámico (1). Teniendo esto en cuanta, se tiene que: f (x, t) = f1(x, t) f2(x, t) f3(x, t) f1(x, t) = x0(1 −px21 + x20) − (x1RR2πn)
f2(x, t) = x1(1 −px21+ x20) + (x0RR2πn) f3(x, t) = −Pi∈(P,Q,R,S,T )−0.5αi∆θie −∆θ2 i 2b2 i − (x2− z0) En donde: ∆θi = (atan2(x1, x0) − θi)mod(2π).
z0 = 0.005sin(2πtfr), fres la frecuencia de respiración.
x = (x0, x1, x2), son las condiciones iniciales tal que x = (0, −1, 0).
utilizando la información de [5] y [10] se encontraron los valores para αi, bi y ti para un ECG
normal, donde αi es la posición z, ti los ángulos en grados y bi el ancho gaussiano de los picos.
Te-niendo en cuenta las características de las patologías encontradas en un ECG descritas en [6] y [11], se variaron los valores de αi, biy tihasta lograr la morfología descrita en las fuentes. Se encontró que:
P Q R S T ti -55 -13 0 11 100
αi 0.47 -3 60 -12 0.5
bi 0.2 0.06 0.07 0.04 0.4
Table 2: Parámetros αi, biy ti ECG normal.
P Q R S T ti -115 -49 0 43 153
αi 1.2 -3.4 25 -4 2
bi 0.3 0.2 0.3 0.3 0.5
Table 3: Parámetros αi, bi y tiECG con taquicardia auricular.
P Q R S T ti -70 -75 0 75 160
αi 0.5 -13 30 -5 0.7
bi 0.25 0.4 0.45 0.4 0.4
Table 4: Parámetros αi, biy tiECG con taquicardia ventricular.
P Q R S T ti -55 -13 0 11 137
αi 0.45 -3 60 -12 0.5
bi 0.2 0.06 0.07 0.04 0.4
P Q R S T ti -55 -13 0 11 64
αi 0.45 -3 60 -12 0.3
bi 0.2 0.06 0.07 0.04 0.5
Table 6: Parámetros αi, biy tiECG con hipercalcemia.
P Q R S T ti -55 -13 0 11 100
αi 0.45 -3 60 -12 3
bi 0.2 0.06 0.07 0.04 0.35
Table 7: Parámetros αi, bi y ti ECG con hiperkalemia.
Se implemento el modelo dinámico en LabView para simular la señal de ECG.
EEG
Utilizando la ecuación (2), se calcularon las densidades espectrales de las diferentes bandas de frecuencia del EEG (alfa, beta, tetha, delta). Posteriormente, se calcula la transformada inversa de Fourier para obtener la señal en el dominio del tiempo, por ultimo se suman estas señales para obtener el EEG completo. Ya con el EEG completo, se procede a acomodar los parámetros de potencia y fre-cuencias dominantes en la señal con base en las referencias [2], [9], [3] y [7] con el fin de asemejar el EEG cuando hay un evento de epilepsia y de hipoglucemia.
Parámetros variables de simulación
Con el fin de poder de variar el limite superior e inferior de las señales simuladas, se realiza el siguiente procedimiento:
• Se calcula el valor máximo y mínimo de la señal ymaxy ymin.
• Se calcula el rango tal que yrango = ymax− ymin.
• Se escala la señal tal que yescala=
(y−ymin)limsuperior
yrango + liminf erior
Para agregarle ruido a la señal de salida, se suma con una señal sinusoidal con frecuencia de 60 o 50Hz definida por el usuario, asimismo se suma la señal de salida con una función de ruido blanco. Si la amplitud del ruido sinusoidal o del ruido del blanco es 0 entonces no se agrega ruido a la señal de salida simulada.
Se desea generar punto por punto de la señal simulada para que la simulación ocurra de manera fluida, sin embargo las simulaciones entregan la onda completa. Por esto, se realizo un ciclo que genera la señal completa y otro ciclo que gráfica punto por punto de la señal generada. Teniendo esto en cuenta, la lógica de programación utilizada para integrar las diferentes simulaciones y aplicar las funcionalidades deseadas se describe en el diagrama de flujo a continuación:
Figure 3: Diagrama de Flujo lógica de programación.
Con el fin de generar la señal deseada por el usuario, se utilizaron casos, en donde cada caso corresponde a un tipo de señal diferente. Con el fin de generar la señal completa, el ciclo que genera cada punto tiene como criterio de parada que el numero de iteraciones sea igual al tamaño del vector de puntos.
7.1
Descripción del Resultado Final
El proyecto de dividió en 2 etapas, primero se realizo todo lo pertinente para el ECG, es decir las simulaciones de las señales, la construcción de la interfaz de usuario y las pruebas. La segunda etapa correspondió a realizar esto mismo pero con el EEG.
En cuanto al ECG, la interfaz que se realizo consiste en 2 gráficas, las cuales se pueda evidenciar concretamente la señal que se esta generando y otra en la cual se pueda evidenciar la señal que se esta recibiendo como se muestra a continuación:
Figure 4: Gráficas salida/entrada ECG de la interfaz de usuario.
La interfaz también cuenta con una sección que contiene los parámetros que el usuario puede cambiar para modificar la salida de la señal como se muestra a continuación:
Figure 5: Parámetros modificables ECG de la interfaz de usuario.
Cabe resaltar que para el tipo de simulación dinámica las gráficas se evidencias de manera idén-tica, sin embargo se añaden los parámetros extra necesarios para que el usuario defina los tiempos de cambio y duración de la señal como se muestra en la siguiente figura:
Figure 6: Parámetros modificables ECG simulación dinámica de la interfaz de usuario.
La interfaz del EEG se realizo de manera similar. La diferencia es que se agregaron mas salidas, esto debido a la naturaleza de las señales de un EEG ya que cada salida representa un electrodo y los electrodos pueden presentar comportamientos diferentes, así dándole mas versatilidad al usuario. Adicionalmente, también se agrego una gráfica del espectro en frecuencia de la señal generada para que resulte mas fácil ver que se esta generando.
Figure 8: Parámetros modificables EEG de la interfaz de usuario.
Características eléctricas del dispositivo myRIO
Figure 10: Conectores C en el Mini System Port (MSP).
Según el data sheet del dispositivo myRIO, los conectores A y B en el MXP tienen 4 entradas análogas individuales AI0-AI3 por conector, con las cuales se pueden medir señales de 0-5V. El conector C del MSP cuenta con dos entradas análogas diferenciales de alta impedancia, AI0 y AI1 con las cuales se pueden medir señales de ±10V.
En cuanto a las salidas, los conectores A y B del MXP cuentan con dos salidas análogas cada uno, AO0 y AO1, con las cuales se pueden generar señales entre 0-5V. El conector C del MSP cuenta con dos salidas análogas, AO0 y AO1, con las que se pueden generar señales entre ±10V.
8
VALIDACIÓN DEL TRABAJO
8.1
Metodología de prueba
Debido a la naturaleza del proyecto, el protocolo de pruebas es bastante sencillo. Primero se debe verificar que la señal simulada se este generando correctamente y luego verificar que la señal física se genere correctamente. Para el ECG basta con verificar las gráficas y compararlas con la literatura. En cuanto al EEG, se requiere analizar el espectro en frecuencia con el fin de evidenciar las bandas de frecuencia dominantes en la señal, al hacer esto resulta mas sencillo comparar los parámetros de la señal generada con los parámetros específicos descritos en la literatura.
En resumen, se verifica que la señal simulada cumpla los parámetros requeridos y posteriormente se procede a verificar que esta señal se genere físicamente de manera correcta.
8.2
Validación de los resultados de trabajo
ECG
Figure 11: Señal generada y recibida ECG normal.
Figure 12: Imagen de como debería ser un ECG normal [6].
Figure 13: Señal generada y recibida ECG con taquicardia auricular.
Figure 14: Imagen real de taquicardia auricu-lar.
Como se explica en [11] la taquicardia auricular se identifica ya que no se diferencian correcta-mente las ondas P y T debido a que se mezclan como se muestra en las imágenes.
Figure 15: Señal generada y recibida ECG con taquicardia ventricular.
Figure 16: Imagen real de la morfología de una taquicardia ventricular.
Figure 17: Señal generada y recibida ECG con taquicardia de la unión.
Figure 18: Imagen de como debería ser un ECG con taquicardia de la unión .
En la taquicardia de la unión se puede evidenciar que la onda P disminuye considerablemente y aumenta la amplitud de la onda T.[11]
Figure 19: Señal generada y recibida ECG con hipercalcemia.
Figure 20: Imagen de como debería ser un ECG con hipercalcemia.
La hipercalcemia se caracteriza por la reducción del intervalo Q-T [11].
Figure 21: Señal generada y recibida ECG con hiperkalemia.
Figure 22: Imagen real de un ECG con hiperkalemia.
La hiperkalemia se caracteriza por tener grandes picos en la onda T [11].
EEG
Al igual que el ECG, para el EEG se valido que la señal física generada concordara con la recibida. Así mismo, se procede a realizar un análisis de los perfiles predeterminados ya que en el EEG es mas difícil de evidenciar los parámetros que caracterizan una condición especifica.
Se simulo un EEG que se considera normal de la etapa 2 de sueño, los parámetros que definen esta onda, se explican en [12].
Figure 23: EEG normal etapa 2 de sueño.
Figure 24: Señales reales de EEG en la etapa 2 de sueño [12].
Según [12], En esta etapa del sueño, las frecuencias son lentas y varían entre1 y 7 Hz, así mismo se caracteriza por tener complejos K, los cuales son los picos repentinos que aparecen en la señal. EL espectro en frecuencia obtenido de la señal simulada refleja que las señales mas dominantes se encuentran en los rangos de frecuencia especificados y también se logran obtener picos repentinos en la señal que asemejan en comportamiento del complejo k.
Para simular un ataque de hipoglucemia, principalmente se tuvieron en cuenta los estudio [2] y [7]. En los cuales encontraron que cuando se da un ataque de hipoglucemia, las ondas del EEG se vuelven mas lentas y por ende de mayor amplitud. A continuación se muestra un contraste de estas diferencias encontradas por los estudios mencionados anteriormente.
Figure 25: EEG de un canal durante nive-les normanive-les de glucosa e hipoglucemia en el mismo paciente [7].
Figure 26: Paciente antes y después de ataque de hipoglucemia [2].
Teniendo en cuenta lo anterior, se ajustaron los parámetros pertinentes para lograr la simulación de esta señal. A continuación se muestra la señal simulada de un EEG cuando ocurre un ataque de hipoglucemia.
Figure 27: Simulación de un EEG durante un ataque de hipoglucemia y su espectro en frecuencia.
Como se describe en [2], en esta señal se encuentran las bandas delta (1-4Hz), theta (4-8Hz)y alfa (8-13Hz). Adicionalmente también se menciona que existe una distribución de potencia consistente entre estas bandas de frecuencia. Como se evidencia en el espectro en frecuencia de la señal, se logra tener una potencia distribuida consistentemente a través de las diferentes bandas.
Para simular un ataque epiléptico, se tomo en cuenta la información descrita en [3], en donde describen que las frecuencias encontradas durante los ataques tienen rangos de 2 a 4Hz, estas señales no duran mucho tiempo y no son tan discretas ya que pueden llegar a amplitudes de hasta 200 uV. A continuación se muestra los datos reales de un ataque:
Figure 28: Ondas de EEG reales durante un ataque de epilepsia [3].
Con los parámetros mencionados anteriormente, se simulo la señal de EEG cuando ocurre un ataque de epilepsia.
Figure 29: Simulación de un EEG durante un ataque de epilepsia y su espectro en frecuencia.
Como es evidente en el espectro en frecuencia de la señal simulada, las frecuencias se encuentran en los rangos deseados de 2 a 4 Hz, así mismo, se tiene en cuenta los cambios de amplitud de la señal.
El modo de simulación dinámica, el cual permite establecer un tiempo en que se da una patología y el tiempo de duración de esta, permite ver un mas claro contraste entre la señal normal y las patologías.
Figure 30: Simulación dinámica del EEG con hipoglucemia.
Figure 31: Simulación dinámica del EEG con epilepsia.
8.3
Evaluación del plan de trabajo
En general, se logro cumplir con las actividades propuestas en el plan de trabajo, se encontró la información necesaria para el desarrollo del proyecto, se realizo la simulación de las señales de ECG y EEG con sus respectivas patologías, se implemento el dispositivo capaz de generar las señales físicas y se realizaron pruebas para verificar su funcionamiento. A comparación del plan de trabajo inicial, la familiarización con el software y la simulación de las señales tomo mas tiempo de lo planeado. Aun así, se lograron las actividades planteadas.
9
DISCUSIÓN
En resumen, se utiliza el software LabView para simular las señales que se generan por medio de un ECG y un EEG, también se simulan señales que asemejan patologías que se pueden encontrar por estos medios. Estas simulaciones, se generan de manera análoga por medio del dispositivo NI myRIO. Con el fin de que un usuario pueda editar y personalizar estas señales se realizo una inter-faz de usuario intuitiva que permita usar las funcionalidades programadas. Estas funcionalidades, son poder cambiar amplitudes de la señal, frecuencias de muestreo, características especificas para un ECG o EEG y añadir opciones de ruido. También se implementaron 2 perfiles de simulación, el
primero consiste en generar la misma señal continuamente hasta que el usuario pare la aplicación. El otro consiste en permitirle al usuario definir un tiempo de espera antes de que suceda una patología y un tiempo de duración de la patología, para luego volver a la señal normal, esto permite al usuario tener mas flexibilidad en lo que desee lograr.
En general ambos perfiles de simulación funcionan correctamente, sin embargo, el perfil de sim-ulación dinámico, solo permite visualizar una patología una vez en el transcurso de la simsim-ulación y luego el usuario debe parar la simulación para cambiar los parámetros en este perfil, se podría progra-mar una lógica para que se pueda establecer estos tiempo durante la simulación. Así mismo, debido a la manera que se realizo la programación las señales de ECG se concatenan y cuando se simulan con opciones de ruido la concatenación de las señales puede generar puntos indeseados. En cuanto a la generación física de las señales, el dispositivo myRIO cuenta con 4 salidas análogas, por lo cual en el caso de un EEG, solo se pueden simular 4 electrodos a la vez. Así mismo, estas salidas análogas solo generan voltajes entre 0V y 5V lo cual limita las opciones de modificar las amplitudes de las señales.
Los objetivos iniciales del proyecto, proponían reconstruir por transformadas de fourier las señales de ECG y con wavelets las señales de EEG, lo cual al principio fue pensado para ser realizado en el software MatLab y luego emplear los resultados en el software LabView, esto genero complicaciones en el desarrollo ya que debido a la inexperiencia con LabView no se logro hacer esto. Las desventajas de este primer método mencionado a excepción de la inexperiencia con el software de programación, es que en el caso del EEG, al reconstruir la señal se podría tener una onda relativamente con un com-portamiento muy similar en todos los casos, aunque si se busca que la señal tenga un comcom-portamiento bajo unos parámetros específicos, estos parámetros pueden variar significativamente debido a la nat-uraleza de la señal de EEG. Teniendo esto en cuenta, se opto por cambiar los métodos de simulación de las señales de ECG y EEG, ya que los modelos dinámicos utilizados permiten tener simulaciones más realistas.
10
CONCLUSIONES
• Se lograron los objetivos del proyecto que consistían en simular las señales de ECG y EEG con diferentes patologías y generarlas físicamente por medio del dispositivo myRIO.
• Se logró añadir opciones de personalización como cambiar frecuencias de muestreo, ampli-tudes, tiempos de simulación y opciones de ruido.
• Se logró definir unos perfiles predeterminados para las señales del EEG basándose en la infor-mación de la literatura consultada. Estos resultados resultan satisfactorios ya que cumplen con los requerimientos definidos por las referencias.
• Se implemento una interfaz de usuario intuitiva que permite ver la señal generada, la señal recibida y cambiar los parámetros de simulación de las señales.
Trabajos Futuros
• Como se menciono anteriormente, se podría simular las señales de ECG en las diferentes con-figuraciones de los electrodos utilizadas en pacientes.
• Se pueden implementar diferentes perfiles predeterminados para las señales de EEG, ya que existen características especificas de estas señales bajo diferentes condiciones. Es decir definir la señal de EEG de una persona despierta con parpadeos o alguna de las diferentes etapas del sueño. También se pueden incluir mas patologías que se pueden evidenciar en un EEG.
• Se podrían definir diferentes perfiles de simulación que suplan necesidades especificas.
En general los resultados del proyecto son satisfactorios ya que se lograron los objetivos definidos.
11
AGRADECIMIENTOS
Quisiera agradecer a mi mamá y a Diana Herrera por su gran apoyo con el cual no hubiera logrado esto.
References
[1] LABVIEW ANALYSIS CONCEPTS. National Instruments, 2004. URL http://www.ni. com/pdf/manuals/370192c.pdf.
[2] L. Anine, H. Kurt, P. Mikael Kjær, M. Rasmus Elsborg, and J. Claus B. "hypoglycemia-associated electroencephalogram and electrocardiogram changes appear simultaneously". Jour-nal of Diabetes Science and Technology, 7(1):93–99, 2013.
[3] S. R. Benbadis. Generalized epilepsies on eeg, Jul 2017. URL https://emedicine. medscape.com/article/1140724-overview#a2.
[4] S. C. Bera, R. Sarkar, and N. Mandal. A review work on reconstruction of ecg wave from fourier harmonic components. In 2008 IEEE Region 10 and the Third international Conference on Industrial and Information Systems, pages 1–5, Dec 2008. doi: 10.1109/ICIINFS.2008. 4798438.
[5] G. D. Clifford and P. E. Mcsharry. A realistic coupled nonlinear artificial ecg, bp, and respiratory signal generator for assessing noise performance of biomedical signal processing algorithms. Fluctuations and Noise in Biological, Biophysical, and Biomedical Systems II, 2004. doi: 10. 1117/12.544525.
[6] A. Elmoselhi and M. Seif. Electrophysiology of the Heart, Cardiology: An Integrated Approach. McGraw-Hill Education, New York, NY, 2017. URL accessmedicine.mhmedical. com/content.aspx?aid=1146873789.
[7] R. Elsborg, L. Remvig, H. Beck-Nielsen, and C. Juhl. Detecting hypoglycemia by using the brain as a biosensor. Biosensors for Health, Environment and Biosecurity, 2011. doi: 10.5772/ 17018.
[8] M. Giuclea, A. Mitu, and O. Solomon. Generation of stationary gaussian time series compatible with given power spectral density. 15:292–299, 07 2014.
[9] S.-A. Lee, D. D. Spencer, and S. S. Spencer. Intracranial eeg seizure-onset patterns in neocortical epilepsy. Epilepsia, 41(3):297–307, 2000. ISSN 1528-1167. doi: 10.1111/j.1528-1157.2000. tb00159.x. URL http://dx.doi.org/10.1111/j.1528-1157.2000.tb00159. x.
[10] P. Mcsharry, G. Clifford, L. Tarassenko, and L. Smith. A dynamical model for generating synthetic electrocardiogram signals. IEEE Transactions on Biomedical Engineering, 50(3): 289–294, 2003. doi: 10.1109/tbme.2003.808805.
[11] J. V. Ritchie, M. L. Juliano, and R. J. Thurman. ECG ABNORMALITIES, The Atlas of Emer-gency Medicine, 4e. McGraw-Hill Education, New York, NY, 2016. URL accessmedicine. mhmedical.com/content.aspx?aid=1127924302.
[12] E. K. St. Louis, L. C. Frey, and J. W. Britton. Electroencephalography (EEG). American Epilepsy Society, 2016.
12
APÉNDICES
12.1
Propuesta inicial del proyecto
12.1.1 CARACTERIZACIÓN DEL PROBLEMA
En la actualidad, existen distintas formas de obtener señales electro fisiológicas del cuerpo. Entre estas, esta el electro cardiograma (ECG) y el electro encefalograma (EEG). Gracias a estas señales, los expertos en el área son capaces de identificar irregularidades en estas señales patológicas que in-volucran alguna condición que afecta la salud del paciente.
Con estas señales se pueden detectar desde arritmias en el corazón hasta cambios significativos en las ondas cerebrales para pacientes que sufren de hipoglucemia [2]. Debido a la importancia de estas pruebas, se busca realizar algoritmos e implementar dispositivos con diferentes aplicaciones basán-dose en las señales electro fisiológicas del cuerpo, como por ejemplo detectar las patologías y avisarle a usuario, o mantener un control de estas señales entre otras aplicaciones.
Para poder diseñar y probar correctamente estos dispositivos, normalmente requeriría pruebas clínicas. Lo cual conlleva una gran cantidad de problemas y planeamiento. Por esto, nace la mo-tivación de realizar un simulador se señales electro fisiológicas, ya que si se tuviera un simulador confiable que permita probar estos dispositivos con este dispositivo y no con pacientes reales, seria posible promover el desarrollo de estos ya que se evitan muchas complicaciones como la logística de un ensayo clínico, aprobación de un comité de ética y el consentimiento y colaboración de los pacientes.
12.1.2 MARCO TEÓRICO
Con el fin de simular señales electro fisiológicas, es necesario primero entender como funcionan es-tas, a continuación se describen las señales de mayor interés para este proyecto. Las cuales son las señales de ECG y EEG.
Una onda normal que se obtiene por medio de un ECG, consta de diferentes partes que se nombran PQRST, tal como se muestra en la figura 32.
Figure 32: Señal normal de un ECG.(imagen tomada de [2])
En donde según [? ]:
• Onda P: Se produce debido a la contracción de la aurícula. Normalmente, esta onda tiene aproximadamente 0.1mV de amplitud y dura alrededor de 0.04 segundos. Si esta onda excede estos parámetros, puede significar una hipertrofia auricular.
• Intervalo PR: El intervalo PR se mide desde el inicio de la onda P hasta el inicio de la onda Q. Representa la duración de la despolarización de las aurículas. La duración regular es de 0.12 a 0.20 segundos. Si el intervalo PR es superior a 0.20 segundos, podría estar presente un bloqueo atrio-ventricular.
• Complejo QRS: El complejo QRS se mide desde el inicio de la onda Q hasta el final de la onda S. Representa la duración de la despolarización ventricular. La duración regular es de 0.08 -0.12 segundos. Si la duración es más larga, podría indicar la presencia de un bloqueo de rama. • QT/QTc: El QT / QTc se mide desde el inicio de la onda Q hasta el final de la onda T. El
in-tervalo QT representa la duración de la activación y recuperación del músculo ventricular. Esta duración varía inversamente con la frecuencia cardíaca. El QTc regular es de aproximadamente 0.41 segundos.
• Segmento ST: El segmento ST se mide desde el final de la onda S, el punto J, hasta el inicio de la onda T. Este segmento es importante para identificar patologías como infartos de miocardio (elevaciones) e isquemia (depresiones).
Como se menciona anteriormente, estas componentes de la onda del ECG, pueden indicar difer-entes patologías, entre ellas la arritmia cardiaca. La arritmia es un ritmo anormal o irregular del corazón resultante de cualquier cambio, desviación o mal funcionamiento en el sistema de conduc-ción del corazón. El diagnóstico rápido de una arritmia es muy importante. Esto se debe a que cuanto más tiempo dura una arritmia sin ninguna detección o tratamiento, mayores serán las posibilidades de daño permanente y disfunción cardíaca adicional.
Ahora bien, con el fin de generar la señal del ECG, se opta por hacer la reconstrucción de esta por medio de la transformada de fourier. Esto se puede lograr, utilizando las relaciones matemáti-cas descritas en [4]. Adicionalmente también mencionan, que solo se requiere de los primeros 15 armónicos para una reconstrucción, lo cual significa que no se requiere tanta información de la señal original y esto ayuda a ahorrar espacio en memoria computacional para el desarrollo de los algoritmos.
Por ultimo, existen diferentes patologías que se pueden evidenciar en un ECG como se describe en [? ]. Estas patologías, se presentan como cambios en la amplitud, cambios en la periodicidad de la señal, cuando se omiten partes de la señal o retrasos en esta, entre otros. Debido a esto, es posible simular las patologías deseadas variando la señal normal para que se ajuste a la característica de la patología.
En cuanto al EEG, primero es importante entender que las señales que se obtienen por este medio, no son periódicas en el tiempo y pueden presentar cambios abruptos. Debido a esto con el fin de representar la señal se requiere utilizar métodos diferentes al ECG. Así mismo, en el EEG, se pueden presentar distintos tipos de onda que se clasifican según su frecuencia como mencionan en [12]. Esta clasificación, se muestra a continuación:
Onda Frecuencia Delta menor a 4Hz Theta 4-8Hz Alpha 8-12Hz Beta 13-30 Hz Gamma mayor a 30Hz
Table 8: Frecuencias de las distintas ondas en un EEG.
Al igual que el ECG, la información obtenida por medio del EEG, revela condiciones clínicas en los pacientes, como por ejemplo ataque de epilepsia [9], o ataques de hipoglucemia [2]. Como se menciono anteriormente, debido a que las señales del EEG, no son periódicas en el tiempo, se requiere otra estrategia para su reconstrucción, en [? ], se utiliza un algoritmo de compresión, basado en paquetes de wavelets y la optimización de los wavelets madre. Así, se puede lograr una adecuada reconstrucción de cada tipo de onda en un EEG y un EEG en total.
12.1.3 CARACTERIZACIÓN DEL PROYECTO 12.1.4 Objetivos generales
El objetivo de este proyecto, es el desarrollo de algoritmos que puedan recrear las señales electro-fisiológicas del cuerpo humano, mas específicamente las señales adquiridas por medio de un ECG y un EEG. Esto con el fin de poder implementar un dispositivo que sirva como fuente de estas señales con diferentes patologías. Con el propósito de que este dispositivo sea utilizado para el desarrollo de equipos médicos o elaboración de algoritmos para detección de patologías, así ahorrando complica-ciones de hacer pruebas clínicas con pacientes.
12.1.5 Objetivos específicos
• Reconstruir por medio de la transformada de Fourier la señal normal de un ECG.
• Reconstruir por medio de discrete wavelet transforms (DWT) las señales que se presentan en un EEG.
• Reproducir las patologías que se pueden detectar a través de un EEG.
• Implementar un dispositivo, con el cual el usuario sea capaz de decidir que señal y patología quiere generar.
12.1.6 Alcance del proyecto (compromisos)
Este proyecto busca implementar un dispositivo que sea capaz de recrear las señales de un ECG y un EEG. El dispositivo debería tener la capacidad de ser muy flexible en cuanto a los cambios que el usuario desee, como por ejemplo cambiar amplitudes y frecuencias, o generar una patología deseada por el usuario en un determinado instante de tiempo. Este proyecto no busca realizar equipos médicos, o algoritmos que detecten patologías. Sin embargo, seria útil probarlo con estos para evaluar la confiabilidad del dispositivo. Adicionalmente, se simulara las señales normales del ECG con al menos 5 diferentes patologías cardiacas y la señal normal de un EEG con eventos como un ataque de hipoglucemia y ataques epilépticos.
12.2
CONTEXTO DEL PROYECTO Y TRATAMIENTOS
12.2.1 Suposiciones
• Se supone que la información sobre las señales de ECG y EEG consultadas en las fuentes bibliográficas son correctas y que las características que definen una patología es información concreta como lo describen en sus correspondientes papers.
12.2.2 Restricciones
• Se debe referencia correctamente todas las fuentes de información de este proyecto con el fin de no realizar plagio.
• El dispositivo debe cumplir las normas de seguridad establecidas para dispositivos electrónicos. • Se utilizara el software con licencia, proporcionado por la Universidad de los Andes.
12.3
Factores de riesgo
En general el desarrollo del proyecto no representa ningún riesgo mayor, esto ya que en este proyecto no se va a trabajar con ningún paciente y no se requiere el uso de ningún equipo peligroso.
12.4
CRONOGRAMA
12.4.1 Identificación y descripción de hitos
• Lo primero que se desearía hacer, es la implementación de los algoritmos computacionales que permitan recrear todas las señales deseadas para este proyecto.
• Una vez ya se puedan generar las señales deseadas, se realizara el desarrollo del hardware necesario para el proyecto.
• realizar la correcta implementación de los algoritmos en el hardware y corregir errores que se puedan presentar.
• Después de pruebas preliminares, realizar un diseño mas detallado del prototipo físico final del dispositivo, tales como diseño de PCBs y de carcasas.
• Corregir errores que se puedan presentar en el prototipo final.
Figure
33:
12.5
Recursos
Para este proyecto, se requiere buenos recursos de literatura académica sobre los temas tratados. Adicionalmente, también se requieren dispositivos electrónicos tales como fuentes de voltaje, multi-metros, osciloscopios, instalaciones para la impresión de PCBs, entre otras. La Universidad de los Andes, proporciona los recursos necesarios de bases de datos académicas, equipos físicos y software computacional necesarios para el desarrollo de este proyecto.
