Programación de algoritmos para el procesamiento de registros ECG de larga duración

Texto completo

(1)Universidad Central “Marta Abreu” de Las Villas Facultad de Ingeniería Eléctrica Centro de Estudios de Electrónica y Tecnologías de la Información. TRABAJO DE DIPLOMA Programación de algoritmos para el procesamiento de registros ECG de larga duración Autor: Ángel Javier Sarmiento Alegret. Tutores: Dr.C. Eduardo González Moreira Dr.C. Alberto Taboada Crispí. Santa Clara 2013 "Año 55 de la Revolución".

(2) Universidad Central “Marta Abreu” de Las Villas Facultad de Ingeniería Eléctrica Centro de Estudios de Electrónica y Tecnologías de la Información. TRABAJO DE DIPLOMA Programación de algoritmos para el procesamiento de registros ECG de larga duración Autor: Ángel Javier Sarmiento Alegret E-mail: [email protected]. Tutores: Dr.C. Eduardo González Moreira E-mail: [email protected]. Dr.C. Alberto Taboada Crispí E-mail: [email protected]. Santa Clara 2013 "Año 55 de la Revolución".

(3) Hago constar que el presente trabajo de diploma fue realizado en la Universidad Central “Marta Abreu” de Las Villas como parte de la culminación de estudios de la especialidad de Ingeniería Biomédica, autorizando a que el mismo sea utilizado por la Institución, para los fines que estime conveniente, tanto de forma parcial como total y que además no podrá ser presentado en eventos, ni publicados sin autorización de la Universidad.. Firma del Autor Los abajo firmantes certificamos que el presente trabajo ha sido realizado según acuerdo de la dirección de nuestro centro y el mismo cumple con los requisitos que debe tener un trabajo de esta envergadura referido a la temática señalada.. Firma del Autor. Firma del Jefe de Departamento donde se defiende el trabajo. Firma del Responsable de Información Científico-Técnica.

(4) i. PENSAMIENTO. PENSAMIENTO. Ante la magnitud de lo que desconocemos, es preferible callar. Frei Betto.

(5) ii. DEDICATORIA. DEDICATORIA. A mis padres, por su incondicional amor y dedicación..

(6) iii. AGRADECIMIENTOS. AGRADECIMIENTOS. Quisiera agradecer a todas las personas que han influido de una forma u otra en mi formación académica. A mi familia y amigos, por estar siempre a mi lado durante mis 18 años de estudio, a mis padres, por su dedicación y empeño en sacarme adelante, a mis hermanos, por ofrecerme las mejores lecciones de la vida y a mi novia, por su incondicional apoyo en todo momento. Agradezco además a todos los profesores de la Facultad de Ingeniería Eléctrica que contribuyeron a mi formación profesional, a ellos les debo gran parte de los conocimientos que hoy posibilitan la realización de esta tesis..

(7) iv. TAREA TÉCNICA. TAREA TÉCNICA. 1. Revisión crítica de la bibliografía existente sobre procesamiento de señales ECG, particularmente registros de larga duración, y su aplicación en el análisis de la variabilidad del ritmo cardíaco. 2. Revisión del estado del arte en el campo del diseño de softwares para el análisis de la variabilidad del ritmo cardíaco en registros ECG de larga duración. 3. Programación de un software que implemente un conjunto de algoritmos para el procesamiento de registros ECG de larga duración. 4. Validación y puesta a punto del software. 5. Confección y presentación del informe final.. Firma del Autor. Firma del Tutor.

(8) v. RESUMEN. RESUMEN. El análisis de la señal electrocardiográfica (ECG) posibilita la detección de crecimientos anormales en las cavidades cardíacas y alteraciones del ritmo, empleándose de manera rutinaria para la detección temprana de enfermedades relacionadas con el sistema cardiovascular (SCV). Además constituye la base de la electrocardiografía de esfuerzo y la electrocardiografía ambulatoria (ECG de larga duración o ECG de Holter). Los sistemas Holter posibilitan registrar señales ECG durante períodos de 24 a 48 horas. El estudio de la variabilidad del ritmo cardiaco (HRV, siglas del inglés Heart Rate Variability) es un importante predictor de enfermedades del SCV. El análisis mediante esta técnica de señales ECG de larga duración permite estudiar al paciente mientras realiza sus actividades cotidianas. Generalmente el análisis de la HRV se lleva a cabo en los dominios del tiempo y de la frecuencia, por lo cual es de vital importancia implementar correctamente los algoritmos necesarios para llevar a cabo dicha tarea. En el presente trabajo se ofrece la implementación de un conjunto de algoritmos para el procesamiento de registros ECG de larga duración y el análisis de la HRV. Para la programación se utilizó el paquete matemático MATLAB® R2011a, obteniéndose resultados satisfactorios en el cumplimiento de los objetivos propuestos..

(9) vi. TABLA DE CONTENIDOS. TABLA DE CONTENIDOS PENSAMIENTO ......................................................................................................................... i DEDICATORIA .......................................................................................................................... ii AGRADECIMIENTOS............................................................................................................... iii TAREA TÉCNICA ..................................................................................................................... iv RESUMEN ................................................................................................................................ v TABLA DE CONTENIDOS ....................................................................................................... vi INTRODUCCIÓN...................................................................................................................... 1 CAPÍTULO 1. Fundamentos del procesamiento de registros ECG de larga duración. ............ 5 1.1. Origen fisiológico del ECG.......................................................................................... 5. 1.2. Características de la señal ECG ................................................................................. 7. 1.2.1. Características espectrales ................................................................................. 8. 1.3. Derivaciones .............................................................................................................10. 1.4. Sistemas para adquisición del ECG ambulatorio .......................................................12. 1.4.1. Sistemas Holter ..................................................................................................12. 1.4.2. Sistemas de telemetría .......................................................................................13. 1.5. Detección de complejos QRS ....................................................................................14. 1.5.1 1.6. Detección y corrección de latidos ectópicos .......................................................16. Variabilidad del ritmo cardíaco ..................................................................................17. 1.6.1. Cuantificación de la HRV....................................................................................18. 1.6.2. Aplicaciones del análisis de la HRV....................................................................19. 1.7. Antecedentes ............................................................................................................20. 1.7.1. Analizador EXCORDE ........................................................................................20. 1.7.2. Nevrokard LT-aHRV ...........................................................................................21. 1.7.3. Kubios HRV 2.1 ..................................................................................................21. 1.8. Conclusiones del capítulo ..........................................................................................22.

(10) vii. TABLA DE CONTENIDOS CAPÍTULO 2. Diseño y programación del software. ..............................................................23 2.1. Lectura de los archivos de datos ...............................................................................23. 2.1.1. Archivos .e2c, .e3c y .ecg ...................................................................................23. 2.1.2. Archivos .dat ......................................................................................................24. 2.1.3. Archivos .mat .....................................................................................................24. 2.2. Filtrado de la señal de entrada ..................................................................................25. 2.3. Algoritmo de obtención del canal compuesto ............................................................25. 2.4. Algoritmo de detección de complejos QRS ................................................................27. 2.4.1. Umbral adaptativo M ..........................................................................................27. 2.4.2. Umbral integrador F ...........................................................................................28. 2.4.3. Umbral adaptativo R ...........................................................................................29. 2.4.4. Combinación de los umbrales ............................................................................30. 2.5. Algoritmo de detección y corrección de latidos ectópicos ..........................................30. 2.6. Análisis de la variabilidad del ritmo cardíaco .............................................................31. 2.6.1. Análisis en el dominio del tiempo .......................................................................31. 2.6.2. Análisis en el dominio de la frecuencia ...............................................................33. 2.6.3. Análisis mediante métodos no lineales ...............................................................35. 2.7. Conclusiones del capítulo ..........................................................................................36. CAPÍTULO 3. Resultados y discusión. ..................................................................................37 3.1. Descripción del software y análisis de los resultados ................................................37. 3.1.1. Cargado y visualización de archivos...................................................................39. 3.1.2. Ejecución del análisis .........................................................................................40. 3.1.3. Corrección de latidos ..........................................................................................40. 3.1.4. Resultados del análisis de la HRV ......................................................................41. 3.1.5. Guardado de la serie RR ....................................................................................44. 3.2. Pruebas realizadas al detector de complejos QRS ....................................................45. 3.3. Conclusiones del capítulo ..........................................................................................45. CONCLUSIONES ....................................................................................................................46 RECOMENDACIONES............................................................................................................47 REFERENCIAS BIBLIOGRÁFICAS.........................................................................................48.

(11) 1. INTRODUCCIÓN. INTRODUCCIÓN. El electrocardiograma (ECG) es la representación gráfica de la actividad eléctrica del corazón y por tanto constituye el instrumento principal de la electrofisiología cardíaca. El comportamiento de ciertos indicadores estudiados a través del análisis de la señal ECG juega un papel trascendental en el diagnóstico de afectaciones en pacientes con ciertas cardiopatías que pueden llevar a la muerte [1]. Por otra parte, el ECG tiene la ventaja de ser un procedimiento médico no invasivo y con resultados disponibles instantáneamente. El análisis del ECG de larga duración posibilita detectar un gran número de patologías relacionadas con el sistema cardiovascular (SCV). Se ha demostrado su utilidad en la documentación de arritmias y trastornos de conducción del músculo cardíaco. Mediante la correlación de los síntomas de los pacientes y los registros electrocardiográficos puede hallarse una explicación a síntomas como mareos, síncopes y palpitaciones [2]. Uno de los principales parámetros medidos es la variabilidad del ritmo cardíaco (HRV, siglas del inglés Heart Rate Variability). Ésta refleja los cambios en el balance entre los sistemas simpático y parasimpático pertenecientes al sistema nerviosos central (SNC) [3]. El análisis espectral de la HRV provee valiosa información sobre las actividades que realiza el sistema nervioso autónomo (SNA) [4], las alteraciones en la variabilidad del intervalo RR son asociadas a condiciones patológicas del individuo [5], en particular, las variaciones de los componentes de baja frecuencia de la señal producida por la HRV son asociadas principalmente a ataques isquémicos, entre otras. La monitorización ambulatoria de la señal ECG fue introducida por primera vez por Norman Holter en 1961 [6]. En sus inicios, esta técnica se utilizó en el diagnóstico y caracterización de las arritmias cardíacas durante períodos de 6 horas, utilizando una sola derivación bipolar. Posteriormente, los equipos aumentaron el número de derivaciones registradas a 2 ó 3, el.

(12) 2. INTRODUCCIÓN tiempo de almacenamiento a 12 horas, 24 horas y 48 horas, y se incorporaron otros parámetros de análisis como son la variabilidad del intervalo RR, variaciones del segmento ST, dispersión del intervalo QT y los diversos tipos de arritmias [7]. Inicialmente los sistemas Holter utilizaban cintas magnéticas para el almacenamiento de datos, pero en los últimos años, gracias a los avances tecnológicos, éstos se sustituyeron por tarjetas de memoria de estado sólido, típicamente SD o PCMCIA [8]. El uso de estas memorias posibilita guardar más tiempo de señal con mayor resolución, además, los datos son guardados de forma digital, haciendo el registrador Holter mucho más práctico [8], [9]. Un ECG de larga duración puede tener centenares de miles de latidos, lo cual hace imposible su examen detallado mediante inspección visual. Debido a esto surge la necesidad de aplicar un tratamiento que automatice la tarea de análisis del mismo [10]. En nuestro país, el Instituto Central de Investigación Digital (ICID) ha diseñado y fabricado diferentes modelos de electrocardiógrafos digitales. Específicamente, los modelos que permiten realizar estudios de Holter son los EXCORDE 2C y EXCORDE 3C de 2 y 3 canales, respectivamente. Para el análisis de estos registros, existe un software desarrollado por la empresa cubana COMBIOMED, el cual realiza estudios de la HRV en el dominio del tiempo, pero no posee la capacidad de realizarlos en el dominio de la frecuencia, lo cual actualmente constituye una gran limitante [11]. Como consecuencia surge la necesidad de programar un software que implemente algunos de los algoritmos propuestos por la literatura para el procesamiento de los registros ECG de larga duración en los dominios del tiempo y de la frecuencia, con el objetivo de mejorar los métodos de diagnóstico actualmente existentes en nuestro país. Los argumentos antes expuestos nos permiten arribar a la siguiente interrogante científica: ¿Cómo programar un software que implemente los algoritmos para el procesamiento de registros ECG de larga duración? En correspondencia con el problema científico, el objeto de estudio se enmarca en los campos del procesamiento digital de señales y el análisis de series de tiempo. Se plantea como objetivo general desarrollar e implementar en lenguaje de alto nivel un conjunto de algoritmos para el procesamiento de registros ECG de larga duración..

(13) 3. INTRODUCCIÓN De lo anterior se pueden derivar los siguientes objetivos específicos: 1. Analizar los algoritmos de detección de eventos en señales ECG reportados en la literatura, considerando su desempeño y costo computacional. 2. Implementar y comprobar el correcto desempeño de los algoritmos de detección de complejos QRS y de los parámetros derivados de dicha detección. 3. Desarrollar una interfaz gráfica amigable, flexible y funcional, que permita el uso de los algoritmos de forma sencilla y eficiente. Para alcanzar estos objetivos se plantea la siguiente tarea técnica: 1. Revisión crítica de la bibliografía existente sobre procesamiento de señales ECG, particularmente registros de larga duración, y su aplicación en el análisis de la variabilidad del ritmo cardíaco. 2. Revisión del estado del arte en el campo del diseño de softwares para el análisis de la variabilidad del ritmo cardíaco en registros ECG de larga duración. 3. Programación de un software que implemente un conjunto de algoritmos para el procesamiento de registros ECG de larga duración. 4. Validación y puesta a punto del software. 5. Confección y presentación del informe final. A partir de los objetivos y las tareas anteriormente planteados, se ha definido la siguiente estructura para el informe final: introducción, tres capítulos, conclusiones y recomendaciones. En el Capítulo 1 se brinda el marco teórico sobre la señal ECG, su origen fisiológico, sus principales características morfológicas y su contenido espectral. Además se mencionan los tipos de sistemas empleados para la adquisición del ECG de larga duración, así como los principales métodos propuestos por la literatura para su procesamiento y el análisis de la HRV. En el Capítulo 2 se abordan los aspectos relacionados con la programación de la interfaz gráfica que implementa los algoritmos para el procesamiento del ECG y el análisis de la HRV. Se presenta además un algoritmo para la obtención del canal compuesto, sobre el cual se realiza la detección de los latidos ventriculares. En el Capítulo 3 se presentan los resultados de la programación del software. Se realiza una detallada explicación de las diferentes herramientas y parámetros de configuración del.

(14) 4. INTRODUCCIÓN software y se ofrecen algunas recomendaciones sobre la interpretación fisiológica de los resultados. Por último, las Conclusiones destacan los aspectos más significativos del trabajo y se ofrecen una serie de Recomendaciones para futuros trabajos..

(15) 5. CAPÍTULO 1. FUNDAMENTOS DEL PROCESAMIENTO DE REGISTROS ECG DE LARGA DURACIÓN. CAPÍTULO 1.. Fundamentos del procesamiento de registros ECG de larga duración.. En el presente capítulo se abordan los temas fundamentales relacionados con el origen fisiológico de la señal ECG, sus principales características y su contenido espectral. Posteriormente se analizan algunos de los algoritmos propuestos por la literatura para el procesamiento del electrocardiograma y el análisis de la HRV. Por último se lleva a cabo un estudio del estado del arte en el campo del diseño de softwares para el procesamiento automatizado de registros ECG de larga duración. 1.1. Origen fisiológico del ECG. El corazón humano (Figura 1.1) está catalogado como el órgano principal del sistema circulatorio. Su principal función es bombear la sangre a través de los vasos sanguíneos del organismo y por tanto juega un papel primordial en el proceso de respiración y transporte de nutrientes a través del cuerpo. El corazón está dividido en cuatro cavidades: dos superiores llamadas aurícula derecha (atrio derecho) y aurícula izquierda (atrio izquierdo) y dos inferiores llamadas ventrículo derecho y ventrículo izquierdo. Las dos partes están divididas por una pared muscular llamada tabique. La dirección del flujo sanguíneo está controlada por cuatro válvulas diferentes. Las válvulas situadas. entre. las. aurículas. y. los. ventrículos. son. conocidas. como. válvulas. auriculoventriculares y las situadas entre los ventrículos y las arterias son llamadas válvulas pulmonar y aórtica. La pared del corazón se llama miocardio y está compuesto principalmente de las células musculares que producen la fuerza mecánica durante la contracción del corazón. Estos músculos se encuentran conectados entre sí formando una red conocida como sistema de conducción que permite la propagación del impulso eléctrico [12]..

(16) 6. CAPÍTULO 1. FUNDAMENTOS DEL PROCESAMIENTO DE REGISTROS ECG DE LARGA DURACIÓN. Figura 1.1 – Fisiología del corazón humano. Tomado de [10].. La contracción y relajación del tejido muscular del corazón (ciclo cardíaco) se debe a los impulsos eléctricos provenientes de una estructura localizada en la parte superior de la aurícula derecha, llamada nodo sinoatrial o de Keith-Flach, el cual se despolarizan automáticamente cada 800 ms [10]. El nodo sinoatrial es conocido como el marcapasos del corazón, ya que es el encargado de generar los impulsos eléctricos que excitan el corazón de forma sincrónica y ordenada y con una frecuencia de entre 60 y 100 estímulos por minuto. Existe otro nodo situado en la parte inferior izquierda de la aurícula derecha llamado nodo atrioventricular o de Aschoff-Tawara, donde también son generados impulsos eléctricos. De fallar el nodo sinoatrial, la generación del impulso eléctrico recae sobre el nódulo de AschoffTawara, con una frecuencia de 40 a 60 estímulos por minuto [12].. Figura 1.2 – Relación de la actividad muscular del corazón con la generación de la onda electrocardiográfica. Tomado de [10]..

(17) 7. CAPÍTULO 1. FUNDAMENTOS DEL PROCESAMIENTO DE REGISTROS ECG DE LARGA DURACIÓN La Figura 1.2 muestra la actividad eléctrica en las diferentes etapas del ciclo cardíaco y la señal electrocardiográfica generada, en la cual se aprecian sus ondas características y que explicaremos con detalles en el siguiente epígrafe. 1.2. Características de la señal ECG. Cada ciclo cardíaco de la señal ECG está formado por distintas ondas en una secuencia determinada: P, complejo QRS, onda T y, a veces, una onda U (Figura 1.3). Cada onda no es más que el resultado de fenómenos de despolarización que se inician en el nodo sinoatrial y se propagan por las vías de conducción auriculares y ventriculares. Cada despolarización va acompañada de su correspondiente repolarización [7]. Las distancias entre las ondas se denominan intervalos mientras que las porciones de señal que aparecen entre las deflexiones se denominan segmentos.. Figura 1.3 – Definición de las principales ondas e intervalos en la señal ECG. Tomado de [7].. A continuación se realiza una breve descripción del significado fisiológico de algunas de las principales componentes de la señal ECG. . La onda P representa la despolarización de la aurícula (contracción o sístole auricular). Su duración normal es de 0,1 s. La forma de esta onda depende de la localización de los electrodos (derivación). Un aumento en la amplitud de esta onda indica una anomalía auricular [10].. . La onda T representa la repolarización de los ventrículos (relajación o diástole ventricular). Normalmente la onda T posee un contorno redondeado en su vértice y es asimétrica en sus ramas. La pendiente de la rama inicial es más suave que la de la rama terminal. Las anomalías en esta onda pueden indicar enfermedades cardíacas [10].. . El segmento ST representa el tiempo durante el cual los ventrículos permanecen en estado activado y puede iniciarse la repolarización ventricular. Normalmente el segmento.

(18) 8. CAPÍTULO 1. FUNDAMENTOS DEL PROCESAMIENTO DE REGISTROS ECG DE LARGA DURACIÓN ST es isoeléctrico, aunque también puede aparecer ligeramente desviado. Una desviación elevada a menudo representa un infarto de miocardio, una pericarditis aguda o una miocarditis [10]. . El intervalo de señal comprendido entre las ondas P (intervalo PP) se denomina longitud de ciclo y es el tiempo transcurrido entre despolarizaciones auriculares contiguas. El intervalo PP se calcula usualmente a partir del intervalo RR dado que la variabilidad del intervalo PR de un individuo a otro es muy pequeña. Sin embargo, la aplicación de este método para el cálculo de la duración del intervalo PP deja de ser válida cuando hay alguna anomalía en la conducción auricular [7].. . El intervalo comprendido desde la onda Q hasta la onda S es denominado complejo QRS y representa la despolarización de los ventrículos (contracción o sístole ventricular). El tiempo de duración del intervalo QRS corresponde al tiempo de conducción intraventricular y normalmente tiene una duración aproximada de 0,1 s. Un complejo QRS ancho (con una duración superior a 0,12 s) puede indicar que la conducción procede del ventrículo o del tejido supraventricular, pero que hay una conducción prolongada a través del ventrículo que genera por lo tanto un complejo QRS de mayor duración [10].. . El intervalo QT es el tiempo que transcurre entre la despolarización de la primera célula miocárdica y el final de la repolarización de la última célula ventricular y por consiguiente, indica la duración de la repolarización ventricular.. . El intervalo RR se define como el tiempo transcurrido entre la onda R de un complejo QRS y la onda R del complejo QRS siguiente. La variación del intervalo RR posee gran importancia para el análisis de la HRV y por consiguiente constituye un importante predictor de enfermedades relacionadas con el SCV, además de brindar información acerca de las actividades del SNA [4].. 1.2.1. Características espectrales. La señal ECG puede ser considerada una señal cuasi-periódica, basándose en la regularidad relativa de las diferentes ondas que la componen. Por tanto sus características frecuenciales pueden describirse por términos estadísticos como la media y la varianza y estimarse utilizando métodos de estimación espectral..

(19) 9. CAPÍTULO 1. FUNDAMENTOS DEL PROCESAMIENTO DE REGISTROS ECG DE LARGA DURACIÓN La Figura 1.4 muestra diez segundos de una señal ECG (Derivación II) y su correspondiente distribución de densidad espectral de potencia (PSD, siglas del inglés Power Spectral Density). Los picos que se muestran alrededor de las frecuencias de 1 Hz, 4 Hz, 7 Hz y 10 Hz corresponden de manera aproximada a la frecuencia cardíaca (60 lpm), onda T, onda P y complejo QRS respectivamente [13].. Figura 1.4 – Segmento de 10 segundos de un ECG (superior). Distribución de PSD (inferior). Tomado de [13].. El rango de frecuencias aceptado para el análisis de la señal electrocardiográfica se encuentra entre 0.05 Hz y 100 Hz y posee aproximadamente la distribución espectral mostrada en la figura anterior. Sin embargo existe valiosa información fuera de esos límites. Los potenciales tardíos ventriculares son pequeñas formas de onda que aparecen en al final del complejo QRS y principio del segmento ST y su frecuencia puede sobrepasar los 500 Hz [14]. Por otra parte, en el extremo inferior del espectro, estudios realizados demuestran que la apnea en el sueño puede ser diagnosticada al observar pequeños cambios de potencia del ECG alrededor de 0.02 Hz [15]. El análisis de la PSD de la señal electrocardiográfica brinda información esencial acerca de la forma en que la potencia de la señal está distribuida en función de sus diferentes componentes de frecuencia. Sin embargo, independientemente del método matemático utilizado, solo se puede calcular un estimado de la PSD real. Los métodos para la estimación de la PSD pueden ser clasificados en paramétricos y no paramétricos. Los métodos no paramétricos se caracterizan por su rapidez de procesamiento y la simplicidad matemática de los algoritmos utilizados, debido a que por lo general éstos.

(20) 10. CAPÍTULO 1. FUNDAMENTOS DEL PROCESAMIENTO DE REGISTROS ECG DE LARGA DURACIÓN utilizan la transformada rápida de Fourier (FFT). Algunos de los métodos no paramétricos más utilizados para la estimación de la PSD son el Periodograma, el Periodograma Modificado, el Método de Bartlett y el Método de Welch. Por su parte, los métodos paramétricos presentan entre sus principales características el suavizado de las componentes espectrales y el fácil postprocesamiento del espectro resultante que posibilita el cálculo de la potencia de las componentes de alta y baja frecuencia. Los métodos paramétricos, como el Método de Burg, el Método de Yule-Walker, el Método de la Covarianza y el Método de la Covarianza Modificada, brindan la estimación más exacta de la PSD [16]. 1.3. Derivaciones. La actividad eléctrica generada por el nodo sinoatrial es posible recogerla entre varios puntos corporales. Sin embargo, en la práctica los registros electrocardiográficos se obtienen con la ayuda de diez electrodos colocados en puntos específicos del tórax, manos y piernas y se les conoce con el nombre de derivaciones estándar. Éstas han sido sistematizadas y aceptadas por la comunidad científica internacional [17]. Para medir y registrar la diferencia de potencial entre dos puntos de la superficie del cuerpo humano se utiliza un elemento transductor, el cual convierte las corrientes iónicas del cuerpo en corrientes eléctricas. Al colocar un electrodo sobre la piel, aparecen dos interfaces; la interfaz piel-electrolito y la interfaz electrolito-electrodo. El electrolito consiste principalmente en la mezcla de líquidos corporales excretados por la piel y un gel conductor que se aplica sobre la superficie de la misma. El movimiento relativo de las superficies piel-electrolito y electrolito-electrodo provocan artefactos de movimiento, los cuales afectan de manera significativa la señal ECG [18]. Dependiendo de la posición sobre la superficie del cuerpo donde se coloquen los electrodos, se obtendrán distintas derivaciones o pares de puntos. Estas pueden ser: . Bipolares: son las que se obtienen colocando los electrodos sobre la pierna izquierda (LL), brazo izquierdo (LA) y brazo derecho (RA), motivo por el cual también se les conoce como derivaciones periféricas (derivaciones I, II y III). Estos tres puntos conforman el llamado triángulo de Einthoven (Figura 1.5) y su baricentro se conoce como terminal central de Wilson (punto imaginario W). El electrodo de referencia se coloca en la pierna izquierda. Estas tres derivaciones periféricas son bipolares porque tienen un polo positivo y un polo negativo..

(21) 11. CAPÍTULO 1. FUNDAMENTOS DEL PROCESAMIENTO DE REGISTROS ECG DE LARGA DURACIÓN. Figura 1.5 – Posicionamiento de los electrodos en el triángulo de Einthoven. Tomado de [10].. . Aumentadas: son una variante de las bipolares, solo que estas miden la diferencia de potencial entre el punto imaginario W y los puntos LL, LA y RA, obteniéndose las derivaciones aumentadas aVR, aVL y aVF. Se dice que son derivaciones unipolares dado que, aunque tienen dos polos, el polo negativo W es un polo compuesto por las señales procedentes de diferentes electrodos. De esta manera, para la derivación aVR, el polo positivo está situado en RA mientras que el polo negativo está conformado por la combinación de los electrodos situados en LA y LL, lo cual aumenta la fuerza de la señal en el electrodo positivo. Esto se aplica para las tres derivaciones aumentadas.. . Precordiales: Los electrodos para las derivaciones precordiales (V1,…,V6) están colocados directamente sobre el pecho. Debido a su proximidad con el corazón, no es necesario aumentarlas. El electrodo negativo en este caso es el terminal central de Wilson, y por ello estas derivaciones se consideran unipolares (el terminal central de Wilson es la media de las tres derivaciones periféricas; se aproxima al potencial promedio de la superficie corporal). Las derivaciones precordiales ven la actividad eléctrica del corazón en el denominado plano horizontal. El eje eléctrico del corazón en el plano horizontal se denomina el eje Z.. Los electrodos miden la actividad eléctrica media generada por la suma total de la capacidad cardiaca en un momento concreto. Por ejemplo, durante la sístole auricular normal, la suma de la actividad eléctrica produce un vector eléctrico que se dirige del nodo sinoatrial hacia el nodo auriculoventricular y se extiende desde el atrio derecho al izquierdo, puesto que el nodo sinoatrial reside en el atrio derecho. Esto se convierte en la onda P en el ECG, la cual es recta en I, II, III, aVL y aVF (ya que la actividad eléctrica general se dirige hacia esas derivaciones), e invertida en aVR (dado que se aleja de esa derivación)..

(22) 12. CAPÍTULO 1. FUNDAMENTOS DEL PROCESAMIENTO DE REGISTROS ECG DE LARGA DURACIÓN La Tabla 1.1 resume las principales derivaciones, la posición de los electrodos y las relaciones matemáticas entre las mismas. Tabla 1.1 – Descripción de las principales derivaciones. Tomado de [10].. DERIVACIÓN. POSICIÓN DE LOS ELECTRODOS. RELACIÓN. Bipolares. RL, LL, RA, LA. I = LA − RA II = LL − RA III = LL − LA. Aumentadas. RL, LL, RA, LA. aVR = RA − 0, 5(LA + LL) aVL = LA − 0, 5(LL + RA) aVF = LL − 0, 5(LA + RA). V1, V2, V3, V4, V5, V6. V1 = v1 – (LA + RA + LL)/3 V2 = v2 – (LA + RA + LL)/3 V3 = v3 – (LA + RA + LL)/3 V4 = v4 – (LA + RA + LL)/3 V5 = v5 – (LA + RA + LL)/3 V6 = v6 – (LA + RA + LL)/3. Precordiales. 1.4. Sistemas para adquisición del ECG ambulatorio. Existen principalmente dos sistemas empleados para la monitorización ambulatoria; los sistemas Holter y los sistemas que utilizan telemetría. Los Holter se caracterizan por almacenar la señal ECG en una memoria interna equipada en el monitor, mientras que en los sistemas telemétricos la señal está siendo constantemente transmitida por medio de redes inalámbricas a un computador central, donde es almacenada. Aunque existen algunas diferencias entre ambos, los sistemas de monitorización ambulatoria tienen como ventaja común el aislamiento total del paciente, evitando el riesgo de choque eléctrico y la disminución del ruido de 60 Hz producto de la interferencia de la línea de potencia. 1.4.1. Sistemas Holter. Por lo general, “Holter” se le denomina a los sistemas que solo implementan las etapas de registro y amplificación de la señal ECG. Los modelos recientes que incorporan bloques que permiten realizar edición y análisis de la señal ECG en tiempo real son conocidos como monitores de frecuencia cardíaca [7]. El procesamiento en tiempo real de la señal ECG trae consigo ciertas limitaciones en cuanto a cantidad de memoria y velocidad de procesamiento. El principal inconveniente para los sistemas Holter es la necesidad de grandes espacios de almacenamiento de datos, debido a.

(23) 13. CAPÍTULO 1. FUNDAMENTOS DEL PROCESAMIENTO DE REGISTROS ECG DE LARGA DURACIÓN la extensa duración de las señales y al hecho de que registran tres o más derivaciones simultáneamente. Es por esta razón que usualmente se aplican frecuencias de muestreo que oscilan entre 128 Hz y 250 Hz [7].. Figura 1.6 – Registrador de un monitor EXCORDE 2C fabricado por el ICID. Tomado de [8].. Los sistemas EXCORDE (Figura 1.6) de fabricación cubana están destinados a la realización de pruebas de Holter. La información proveniente del registrador es almacenada en una tarjeta PCMCIA, lo cual permite una fácil lectura de la señal grabada, evita la pérdida de información y se suprime la necesidad de mantener energizado el medio de almacenamiento [4]. 1.4.2. Sistemas de telemetría. Los sistemas que utilizan telemetría superan la dificultad de almacenamiento debido a que constantemente están transmitiendo la señal ECG de manera inalámbrica a un computador central encargado de registrarla y procesarla, por tanto, el costo en memoria es mucho menor. Además, estos sistemas brindan velocidades de desempeño mucho mayores que los Holter y posibilitan realizar análisis automatizados más funcionales [7]. En la actualidad en muchos países existen módulos que permiten la transmisión y recepción de datos para aplicaciones de telemetría de bajo coste utilizando bandas de radiofrecuencias hospitalarias que están reservadas para aplicaciones de instrumentación, control y medida. Gracias a estas ventajas se reducen los costos de monitorización, permitiendo la deambulación cercana de los pacientes dentro del hospital. Sin embargo el principal problema de los sistemas que utilizan telemetría estriba en las interferencias producidas por otras señales radioelectrónicas y en la pérdidas de señal en el enlace inalámbrico al salirse el paciente de los límites del punto de acceso [7], [10]..

(24) 14. CAPÍTULO 1. FUNDAMENTOS DEL PROCESAMIENTO DE REGISTROS ECG DE LARGA DURACIÓN 1.5. Detección de complejos QRS. La correcta detección de los complejos QRS es el componente clave en cualquier algoritmo automatizado de análisis del ECG. A lo largo de muchos años se han desarrollado un gran número de algoritmos de detección de QRS, siempre persiguiendo el objetivo de poder detectar toda la gama de formas que en la práctica pueden presentar los latidos ventriculares. Los primeros algoritmos de detección de QRS fueron basados principalmente en la extracción de características a partir de la primera y segunda derivada de la señal ECG [19], [20]. Como consecuencia de la relativamente baja complejidad computacional, estos algoritmos se siguen usando para análisis en tiempo real del ECG [21], [22], [23], así como para investigaciones con señales de larga duración [24]. Otros métodos de procesamiento de señales también son frecuentemente utilizados, tales como filtrado lineal y no lineal [25], [26], utilización de umbrales adaptativos [27], [28], [29], extracción de características [30], [31], [32], transformadas wavelet [33], [34], [35], [36], [37], redes neuronales [38], [39], algoritmos genéticos [40], aproximaciones morfológicas [41], [42], Transformada Hilbert [43] y técnicas de macheo de plantillas [44], [45]. Quizás el más estudiado de todos los detectores de QRS sea el propuesto por Pan y Tompkins [19] en 1985 y luego revisado por Hamilton y Tompkins [20] en 1986. Éste basa la detección de los QRS en la utilización de la información que brinda la amplitud y el ancho de los mismos. Primeramente se proponía la utilización de un filtro pasabanda entre las frecuencias 5 Hz y 15 Hz pensado para atenuar la interferencia de línea y la onda T, dado que se considera que los QRS se encuentran contenidos en ese rango de frecuencias. Luego se procedía a la diferenciación de la señal resultante y posterior elevación al cuadrado para finalmente concluir con la integración de la señal utilizando un filtro especial y enventanado. Este método es considerado la génesis de la detección automática de complejos QRS y es punto de partida para muchos de los métodos de detección actuales. Taboada y sus colaboradores [46] proponen un canal compuesto producto de sumar dos o más derivaciones y tomar solo la parte positiva de las mismas. Luego propone un detector de QRS que utiliza dos umbrales adaptativos. El primero es un umbral de amplitud para la detección de los picos, tomando el 60% del valor máximo del último latido aceptado, el segundo es un umbral de ancho del pico, el cual discrimina picos que sean muy anchos o muy finos y se actualiza con el promedio de los últimos cinco latidos aceptados. Un segundo.

(25) 15. CAPÍTULO 1. FUNDAMENTOS DEL PROCESAMIENTO DE REGISTROS ECG DE LARGA DURACIÓN algoritmo es propuesto para la validación de los complejos detectados. Éste realiza una correlación cruzada entre una plantilla producto de promediar los últimos cinco complejos QRS y cada uno de los complejos QRS detectados. Los latidos con validados si la correlación es superior al 98%. Das y Chakraborty [47] aplicaron el algoritmo de Pan y Tompkins utilizando un filtro SavitzkyGolay en vez de los filtros paso alto y diferenciador originales, pero no existe reportes de resultados con alguna de las bases de datos conocidas internacionalmente. Kohler y sus colaboradores [48] proponen un detector de QRS basado en el conteo del número de cruces por cero por segmento de la señal ECG. Este algoritmo reportó un gran desempeño con la base de datos de la MIT-BIH. Los autores señalaron que este método era robusto ante ruido debido a que el ruido residual luego del filtrado pasabanda es cercano a cero mientras que los picos de los complejos QRS poseen mayor amplitud. Chiristov [28] propone la creación de una derivación compleja resultado de sumar y diferenciar los valores absolutos de las muestras de uno o más derivaciones y luego lo compara con un umbral combinado. Este método fue probado con todas las señales de la base de datos de arritmia de la MIT-BIH, obteniendo resultados sorprendentes en cuanto a especificidad y sensibilidad (alrededor de 99% en ambos casos). Portet y sus colaboradores [49] evaluaron el desempeño de cuatro detectores de QRS para aplicaciones en tiempo real. Grabaciones de ocho morfologías de QRS diferentes fueron mezcladas con artefactos de movimiento de los electrodos y artefactos musculares y fueron utilizadas para probar los detectores. Los resultados obtenidos demostraron que los algoritmos eran complementarios, o sea, cada uno era superior con alguna de las morfologías de los latidos. Mehta y Lingayat [50] utilizaron una máquina de soporte vectorial para el estudio comparativo de detección de QRS basados en criterios de entropía y entropía combinada. La interferencia de línea es suprimida con técnicas de filtrado digital. Ambos algoritmos reportaron una alta efectividad con grabaciones de la base de datos de la CSE ECG. La rápida detección en tiempo real de eventos patológicos cardíacos fue desarrollada por Iliev y sus colaboradores [51]. Éste implementa detección de QRS, análisis de intervalos RR, evaluación de formas de onda de QRS y clasificadores de latidos basados en árboles de.

(26) 16. CAPÍTULO 1. FUNDAMENTOS DEL PROCESAMIENTO DE REGISTROS ECG DE LARGA DURACIÓN decisión. La sensibilidad y predictividad positiva con la base de datos de la MIT-BIH fue superior al 99%. Los algoritmos que utilizan simultáneamente más de una derivación del ECG poseen algunas ventajas en la detección de complejos QRS atípicos. Sin embargo los algoritmos necesarios para la selección y aceptación de latidos que son detectados en derivaciones diferentes no son sencillos. Una solución sofisticada fue propuesta por Christov [28], la cual opera con valores absolutos de la señal, evitando así los problemas que representa la polaridad en algunos ECG multiderivación. Por otro lado, la detección de latidos utilizando una sola derivación del ECG es en muchos casos aceptable, especialmente para el procesamiento en monitores hospitalarios, grabadores de eventos ambulatorios, etc. Esta pequeña revisión de algunos de los algoritmos de detección de QRS propuestos por la literatura nos lleva implícitamente a la conclusión de que el diseño de un detector que cubra totalmente la inmensa variedad de morfologías que presentan los complejos QRS es imposible [24]. 1.5.1. Detección y corrección de latidos ectópicos. La presencia de latidos ectópicos se debe a diferentes causas, algunas pueden ser de origen fisiológico producto de determinadas patologías o trastornos en la conducción del estímulo eléctrico del corazón, lo cual afecta la morfología de los latidos, así como su posición temporal. Son precisamente estos ritmos cardíacos anómalos los que se conocen como arritmias y no deben estar presentes a la hora de llevar a cabo el análisis de la HRV. Por otra parte, existe una amplia gama de factores en el proceso de captación del ECG que dificultan el desempeño del detector de QRS, tal como se discutió anteriormente [52]. Antiguamente los latidos ectópicos se detectaban mediante inspección visual de expertos y éstos los clasificaban de acuerdo a su morfología, lo cual suponía una enorme tarea. Posteriormente esta clasificación se comenzó a realizar de forma automática con los algoritmos de detección de QRS. Algunos autores se mostraron interesados en detectar latidos ectópicos a partir de las series temporales pues el desempeño de los detectores de complejos QRS no es siempre 100% efectivo y para los análisis de la HRV no es solo necesario detectar correctamente los complejos QRS sino realizar anotaciones con respecto a su morfología y clasificación manejándose gran cantidad de información [53]..

(27) 17. CAPÍTULO 1. FUNDAMENTOS DEL PROCESAMIENTO DE REGISTROS ECG DE LARGA DURACIÓN La detección de latidos ectópicos consiste básicamente en establecer un algoritmo adaptativo de decisión que discrimine entre aquellos intervalos RR que son considerados normales y los que son considerados ectópicos. Existe un gran número de estos algoritmos, los cuales se pueden clasificar en: . Métodos basados en la propia serie RR.. . Métodos basados en el histograma de la serie RR.. . Métodos basados en la utilización de filtros de escala múltiple.. Por otra parte, la literatura reporta una gran cantidad de algoritmos para la corrección de latidos ectópicos, siendo los que mejores resultados exhiben los que utilizan interpolación con splines cúbicos y los que simplemente borran los intervalos que le anteceden y preceden a un latido ectópico [52]. 1.6. Variabilidad del ritmo cardíaco. La frecuencia cardíaca (FC) es el número de contracciones que ejerce el corazón por unidad de tiempo y normalmente se expresa en latidos por minuto (lpm). La FC en una persona sana varía como consecuencia de factores circunstanciales tales como cambios en la temperatura ambiente que le rodea, cambios de la situación física del individuo (reposo, actividad física, sueño, vigilia, etc.), estado nervioso, entre otros. La variación de la FC a lo largo del tiempo se conoce como variabilidad del ritmo cardíaco. La HRV se calcula a partir de las posiciones de los complejos QRS en los registros ECG. Los picos de la onda R en los electrocardiogramas pueden ser considerados como indicadores de la frecuencia de despolarización del nodo sinoatrial. Para detectar estos máximos, es necesario aplicar un algoritmo de detección de complejos QRS y así conocer su tiempo de ocurrencia. La frecuencia de muestreo del ECG determina la resolución en la localización de los picos y por tanto la precisión de los análisis subsiguientes. Es por eso que se recomienda utilizar frecuencias de muestreo superiores a 300 Hz [16]. A partir de las posiciones de los complejos QRS detectados se genera la señal R. Ésta no es más que un vector lógico donde se muestran las posiciones de los complejos QRS como impulsos unitarios, mientras que en el resto del tiempo es igual a cero. A partir de R se pueden generar diferentes señales que sirven para representar la HRV [12], [54]. A partir de la señal R se obtiene la serie RR, compuesta por las diferencias de tiempo entre latidos (Figura 1.7). Las.

(28) 18. CAPÍTULO 1. FUNDAMENTOS DEL PROCESAMIENTO DE REGISTROS ECG DE LARGA DURACIÓN mediciones de la HRV, utilizan tanto la señal R como la serie RR para su análisis en el dominio del tiempo y en el de la frecuencia.. Figura 1.7 – Representación de la variación del ritmo cardíaco. Tomado de [55].. Sin embargo, para el cálculo de los parámetros derivados de la HRV se debe utilizar un conjunto de datos fiables, en los cuales no exista la presencia de outliers. Se entiende por outlier un dato dentro de una serie cuyo valor sea extremo, atípico o significativamente anómalo o, en nuestro caso particular, la ocurrencia de latidos ectópicos, lo cual introduce importantes sesgos en los resultados [16]. De ahí que a partir de los intervalos RR se calculen los llamados intervalos NN (del inglés, normal to normal intervals) [16]. Esto no es más que el resultado de someter la serie RR a un proceso de selección para descartar intervalos RR ectópicos y obtener así una nueva serie libre de outliers. Los ectópicos pueden tener origen fisiológico o técnico y se debe ser muy cuidadoso a la hora de diseñar la lógica de selección. 1.6.1. Cuantificación de la HRV. Existe un gran número de métodos propuestos por la literatura para el análisis de la HRV. Entre éstos figuran métodos en el dominio del tiempo y en el dominio de la frecuencia. Generalmente los parámetros que se extraen de señales ECG de corta duración no siempre son los mismos para señales de larga duración. De hecho, según la literatura, no deberían compararse resultados provenientes de señales ECG de diferente duración, debido a que las variaciones en los resultados se hacen más notables en la medida en que es mayor la diferencia de los tiempos de duración de las mismas. Por ello se toma como estándar que los registros ECG de corta duración tengan 5 minutos, mientras que los de larga duración se encuentran alrededor de las 24 horas [16]. El análisis de la HRV puede realizarse tanto en el dominio del tiempo como en el de la frecuencia, extrayéndose diferentes parámetros de cada uno de éstos. De manera general, los métodos de cuantificación de la HRV pueden clasificarse en tres grupos [16]:.

(29) 19. CAPÍTULO 1. FUNDAMENTOS DEL PROCESAMIENTO DE REGISTROS ECG DE LARGA DURACIÓN . Métodos en el dominio del tiempo.. . Métodos en el domino de la frecuencia.. . Métodos no lineales.. 1.6.1.1. Métodos en el dominio del tiempo. Los métodos en el dominio del tiempo son la forma más simple de caracterizar la HRV debido a que son aplicados directamente a la serie NN. Para el análisis de la HRV en el dominio del tiempo existen métodos estadísticos y geométricos. El análisis estadístico del ECG nos brinda importante información sobre la señal y posee gran relevancia desde el punto de vista médico para la predicción de enfermedades relacionadas con el SCV. 1.6.1.2. Métodos en el domino de la frecuencia. El análisis espectral de la HRV fue introducido por primera vez en 1981 por Akselrod [56]. Desde entonces muchos autores han propuesto un gran número de técnicas para la estimación de la densidad espectral de potencia de la HRV. El análisis de la HRV en el dominio de la frecuencia suele ser más complejo que en dominio del tiempo, debido principalmente a las particularidades de la señal HRV [53]. Debido a que la frecuencia con que ocurren los latidos no es uniforme se considera que la serie RR no está uniformemente muestreada y por tanto es necesario interpolarla y remuestrearla con período de muestreo uniforme [57], para poder recuperar así la señal HRV, lo cual complejiza de manera significativa los algoritmos de procesamiento. 1.6.1.3. Métodos no lineales. Las propiedades no lineales de la HRV han sido estudiadas por muchos autores. Los métodos utilizados para su medición incluyen, cálculo de entropía aproximada [58], [59], análisis de fluctuaciones sin tendencia (DFA, siglas del inglés Detrended Fluctuation Analysis) [60], [61], análisis de la dimensión de correlación [62], [63], diagramas de Poincaré [64], [65], entre otros. 1.6.2. Aplicaciones del análisis de la HRV. En los últimos años se han realizado una serie de estudios, cuyos resultados revelan una estrecha relación entre el SNA y el riesgo de padecer enfermedades relacionadas con el SCV, entre ellas muerte súbita cardíaca [66], apnea del sueño [67], hipertensión arterial [68], stress [69], enfermedades tóxicas-oxidativas [70], entre otras [1], [71], [72], [73]. La variabilidad del.

(30) 20. CAPÍTULO 1. FUNDAMENTOS DEL PROCESAMIENTO DE REGISTROS ECG DE LARGA DURACIÓN ritmo cardíaco refleja la modulación del SNA sobre el SCV y por tanto es un fuerte indicador de tales eventos. Esto ha motivado a la comunidad científica a incrementar el desarrollo de estudios con el objetivo de obtener nuevos métodos que puedan ser utilizados para el diagnóstico clínico de enfermedades del SCV haciendo uso de la HRV [17]. 1.7. Antecedentes. Actualmente existen diferentes programas que realizan el análisis de variabilidad del ritmo cardíaco de manera automática, llegando incluso a emitir reportes y recomendaciones sobre la interpretación fisiológica de los resultados. Con el avance de las tecnologías de almacenamiento ha surgido la posibilidad de almacenar volúmenes de información cada vez más grandes. Esto ha tenido un gran impacto sobre los electrocardiógrafos ambulatorios ya que permite frecuencias de muestreo mayores, mejorando la precisión de los cálculos. Sin embargo, el aumento de la frecuencia de muestreo repercute directamente sobre el costo computacional de los algoritmos. Es por eso que el procesamiento off-line del ECG continúa siendo una variante viable y ampliamente utilizada, tal como veremos a continuación. 1.7.1. Analizador EXCORDE. El Analizador EXCORDE (Figura 1.8) fue producido entre los años 2002 y 2003 por la empresa COMBIOMED, localizada en Cuidad de La Habana. Este software está diseñado para procesar las señales ECG de larga duración registradas por los sistemas Holter EXCORDE 2C y EXCORDE 3C, ambos fabricados por el ICID [74].. Figura 1.8 – Ventana donde se muestran los resultados del Analizador EXCORDE..

(31) 21. CAPÍTULO 1. FUNDAMENTOS DEL PROCESAMIENTO DE REGISTROS ECG DE LARGA DURACIÓN El software realiza solo el análisis de la HRV en el dominio del tiempo, lo cual supone una gran limitante teniendo en cuenta el auge que posee actualmente el procesamiento del ECG en el dominio de la frecuencia [74]. 1.7.2. Nevrokard LT-aHRV. Nevrokard LT-aHRV es un software desarrollado en el año 2012 y diseñado para realizar el análisis de la variabilidad del ritmo cardíaco a señales ECG segmentadas (desde 1 minuto hasta 120 horas) [75]. Este software realiza análisis en los dominios del tiempo y de la frecuencia y posee una amplia gama de herramientas de visualización tridimensional de los resultados, aspecto en el cual es muy superior a otras aplicaciones de este tipo. En adición, el Nevrokard LT-aHRV soporta una amplia variedad de formatos de entrada, lo cual lo hace extremadamente compatible con señales de diferentes extensiones y procedencias (Figura 1.9).. Figura 1.9 - Ventana principal del Nevrokard LT-aHRV.. Este software es complementario al Nevrokard aHRV Analysis, el cual realiza otros tipos de análisis haciendo mayor énfasis en los parámetros del dominio del tiempo. Además no hace segmentación de las señales [75]. 1.7.3. Kubios HRV 2.1. Kubios HRV 2.1 (2012) es la tercera versión de un software desarrollado en la Universidad de Finlandia del Este diseñado para el estudio de la HRV. Éste posee una amplia variedad de opciones para el análisis lo cual lo convierte en una herramienta útil y sencilla de manejar. Aunque el software está diseñado principalmente para el análisis de la HRV en humanos,.

(32) 22. CAPÍTULO 1. FUNDAMENTOS DEL PROCESAMIENTO DE REGISTROS ECG DE LARGA DURACIÓN puede también ser aplicado a investigaciones de variabilidad del ritmo cardiaco en algunas clases de animales [76]. Kubios HRV 2.1 realiza análisis en los dominios del tiempo y de la frecuencia (métodos paramétricos y no paramétricos) y además implementa algunos métodos no lineales para la cuantificación de la HRV entre los cuales destacan DFA, diagrama de Poincaré, análisis de la dimensión de correlación, entre otros.. Figura 1.10 – Ventana principal del Kubios HRV 2.1.. Aunque este software está completamente programado usando MATLAB® 2012, es posible su ejecución como una aplicación standalone. 1.8. Conclusiones del capítulo. En este capítulo se abordaron los temas relacionados con el origen fisiológico de la señal ECG, así como sus principales características morfológicas y espectrales. Además, se explicaron los diferentes sistemas empleados para el monitoreo ambulatorio de pacientes con patologías relacionadas con el SCV, sus principales limitantes y sus ventajas. Se mencionaron algunos de los detectores de QRS reportados por la literatura, concluyendo que no existe un detector que cubra toda la gama de morfologías que pueden llegar a presentar los complejos QRS. Se dieron a conocer los principales parámetros que se extraen de la señal HRV en los dominios del tiempo y la frecuencia..

(33) 23. CAPÍTULO 2. DISEÑO Y PROGRAMACIÓN DEL SOFTWARE. CAPÍTULO 2.. Diseño y programación del software.. Una vez caracterizada la señal electrocardiográfica de larga duración y explicados los fundamentos para su procesamiento, podemos proceder al diseño y programación de un software que implemente los algoritmos matemáticos necesarios para el análisis de la variabilidad del ritmo cardíaco. Dicho software fue programado con la ayuda del paquete matemático MATLAB® aprovechando las ventajas que éste brinda para el análisis de series de tiempo y visualización de datos. En este capítulo se abordan los temas fundamentales relacionados con la programación de los algoritmos de procesamiento de la señal ECG de larga duración, detección de complejos QRS, extracción de la serie RR y cómputo de los principales parámetros para la cuantificación de la HRV en los dominios del tiempo y la frecuencia. 2.1. Lectura de los archivos de datos. La primera etapa en el diseño del software es la lectura de los datos de entrada, para lo cual es necesario tener en cuenta los diferentes formatos de archivo a los que se les va a dar soporte. 2.1.1. Archivos .e2c, .e3c y .ecg. Como se mencionó en el Capítulo 1, los principales sistemas Holter con los que cuenta nuestro país son los EXCORDE 2C y 3C, los cuales poseen archivos con extensión .e2c y .e3c, respectivamente. Es necesario aclarar que estos archivos no provienen del equipo Holter directamente, sino de la salida del software Analizador EXCORDE, donde se les hace un procesamiento primario. Ambos formatos tienen la particularidad de estar comprimidos mediante el mismo algoritmo que utiliza el conocido programa WinZip. Por tanto, el primer.

(34) 24. CAPÍTULO 2. DISEÑO Y PROGRAMACIÓN DEL SOFTWARE paso para leer estos archivos es descomprimirlos. La Tabla 2.1 muestra el contenido de los archivos .e2c y .e3c. Tabla 2.1 – Contenido de los archivos .e2c y .e3c.. EXTENSIÓN .ECG .CEL .EVS .HRV .NNI .SNN .PMS .PMF .PTR .QRS .RTM .STE .MRK. DESCRIPCIÓN Archivo de datos de la señal ECG Eventos de caída de electrodos Eventos de paciente Valores calculados de la Variabilidad del RR Valores de NN para la variabilidad del RR Valores de SNN para la variabilidad del RR Información de las espigas de marcapaso Información de las fallas de marcapaso Patrones de señal Señalización de complejos QRS Eventos de ritmo Eventos de episodios de ST. Marcas en la señal. De todos los archivos mostrados en la Tabla 2.1, el de mayor relevancia para el procesamiento es el de extensión .ECG, que es el registro electrocardiográfico. Éste es un archivo binario de tipo int16 (16 bits por muestra) y posee 2 o 3 canales (de acuerdo al modelo de EXCORDE que se utilizó para registrar la señal). Estos registros ECG están muestreados con una frecuencia de 250 Hz. 2.1.2. Archivos .dat. Algunas bases de datos de reconocido prestigio internacional como la de la MIT-BIH poseen formatos de archivos que utilizan la extensión .dat. Estos son archivos binarios (12 bits por muestra) que contienen normalmente señales de dos canales de alrededor de 30 minutos de duración, muestreados a 360 Hz. Adjunto al archivo .dat se encuentra un archivo de texto del mismo nombre y de extensión .hea que contiene los datos que describen la señal (cantidad de canales, frecuencia de muestreo, etc.). 2.1.3. Archivos .mat. La lectura de archivos binarios de datos .mat ofrecen la posibilidad de analizar señales ECG previamente procesadas con MATLAB®. De esta manera se incrementa la compatibilidad del producto y se amplían la gama de formatos que pueden ser cargados por el mismo..

(35) 25. CAPÍTULO 2. DISEÑO Y PROGRAMACIÓN DEL SOFTWARE 2.2. Filtrado de la señal de entrada. Para facilitar la detección de los complejos QRS, los canales ECG disponibles se someten a un filtrado pasabanda. Se conoce que la frecuencia de las ondas componentes del complejo QRS se encuentran entre los 5 Hz y los 15 Hz, razón por la cual se toman estos valores como frecuencias de corte [19]. Tomando esto en consideración, se diseñó un filtro pasabanda utilizando el método de Butterworth para el cálculo de los coeficientes. Las respuestas de magnitud y fase se muestran en la Figura 2.1.. Figura 2.1 – Respuestas de magnitud (azul) y fase (verde) del filtro pasabanda.. Como se puede apreciar la respuesta de fase del filtro no es lineal, por lo cual la señal se filtra en sentido directo y luego en sentido inverso. De esta manera se evitan cambios en la morfología de los complejos QRS y distorsión de fase [46]. 2.3. Algoritmo de obtención del canal compuesto. En muchos casos las señales ECG aparecen acompañadas de ruido electromiográfico, desviaciones de la línea base debido a la respiración, interferencia de línea, movimiento o desconexión de los electrodos y otros tipos de artefactos que hacen más difícil la detección de los complejos QRS. Sin embargo muchas de estas dificultades pueden ser corregidas solo con la aplicación de un filtrado pasabanda como el descrito en el Epígrafe 2.2. El principal problema yace en las dificultades que genera la aparición de artefactos de gran amplitud y con un contenido frecuencial similar al de los complejos QRS, por lo cual no son eliminados por los filtros pasabanda..

(36) 26. CAPÍTULO 2. DISEÑO Y PROGRAMACIÓN DEL SOFTWARE Es bien conocido que la señal ECG es cuasi-periódica, debido a la relativa periodicidad con que ocurren los eventos de despolarización y repolarización de los ventrículos y aurículas del corazón (ondas P, T, U y complejo QRS). Por tanto, exceptuando la ocurrencia de arritmias, se pudiera considerar que el contenido de la señal del ECG en un segmento de tiempo se repite a lo largo de toda la señal de manera aproximada mientras que una señal aleatoria no debe presentar una alta periodicidad. Tomando este criterio en consideración, se diseñó un algoritmo capaz de discriminar entre señales que contienen información útil y señales que no tienen provecho alguno para el procesamiento del ECG. En cada instante de tiempo, el algoritmo elige el segmento de mayor periodicidad de los canales disponibles y lo incorpora al nuevo canal compuesto. El Figura 2.2 muestra el diagrama en bloques que explica el algoritmo antes mencionado.. Figura 2.2 – Algoritmo para la obtención del canal compuesto..

(37) 27. CAPÍTULO 2. DISEÑO Y PROGRAMACIÓN DEL SOFTWARE 2.4. Algoritmo de detección de complejos QRS. El detector de complejos QRS es el “corazón” de todo sistema automatizado de análisis del ECG. De la correcta detección de los latidos ventriculares depende todo el posterior análisis de la variabilidad de ritmo cardíaco, tanto en el dominio del tiempo como en el de la frecuencia, dado que la serie RR se extrae directamente de las diferencias entre las posiciones temporales de los latidos. Una gran variedad de detectores de complejos QRS han sido mencionados en la literatura, obteniendo altas tasa de sensibilidad y especificidad, algunos de los cuales se trataron en el Epígrafe 1.5. El algoritmo de detección de complejos QRS implementado está basado en el detector diseñado por Christov en [28], el cual obtuvo resultados excelentes con las 48 señales que componen la base de datos de arritmia de la MIT-BIH, alcanzando tasas de sensibilidad y especificidad de 99.69% y 99.65%, respectivamente. Este algoritmo utiliza la combinación de tres umbrales adaptativos (umbral combinado THR), cada uno con una función diferente diseñada para maximizar la detección. El umbral THR es la combinación de los componentes M, F y R, como ilustra la ecuación 2.1. (2.1) A continuación se describen cada uno de estos componentes. 2.4.1. Umbral adaptativo M. Inicialmente, el valor de M se define como el 60% del valor máximo de la señal compuesta C en los primeros dos segundos, donde al menos debe existir un latido ventricular [46]. Una vez establecido este valor se crea un buffer con cinco elementos (M1…M5), los cuales inicialmente tienen el mismo valor que M. Al detectarse un nuevo latido, un nuevo valor M5new es calculado como el 60% del valor máximo de la onda R analizada. Si M5new es mayor que 1.5 el valor de M5, entonces: (2.2) Luego el buffer es actualizado, excluyendo el elemento más viejo M1 y aceptando el nuevo elemento M5 = M5new. El nuevo valor del umbral M es el promedio de los valores de los elementos del buffer [28]. La Figura 2.3 muestra la estructura del buffer y la operación de actualización del mismo..

(38) 28. CAPÍTULO 2. DISEÑO Y PROGRAMACIÓN DEL SOFTWARE. Figura 2.3 – Ilustración del proceso de actualización del buffer.. Luego de detectado un latido, se excluyen 250 ms de la detección, dado que fisiológicamente no pueden existir dos latidos sucesivos en menor tiempo, esto se conoce como período refractario [12]. En el intervalo entre 250 ms a 1250 ms después del último latido detectado, el umbral M decrece hasta alcanzar el 60% de su valor inicial. Luego de los 1250 ms, el valor de M permanece constante. La Figura 2.4 muestra un segmento del canal compuesto y el umbral M.. Figura 2.4 – Segmento de señal del canal compuesto (azul) y el umbral adaptativo M (rojo).. 2.4.2. Umbral integrador F. La función del umbral integrador F yace en elevar el valor del umbral combinado cuando existe la presencia de ruido electromiográfico acompañando el ECG, de esta manera se protege el algoritmo contra la detección errónea de latidos [28]. Inicialmente, el valor de F está definido como la media de la señal compuesta C en un intervalo de 400 ms. Luego, con cada muestra de la señal, F se actualiza adicionando el máximo de C en los primeros 100 ms y restando el máximo de C en los últimos 100 ms de la ventana de 400 ms anteriormente definida, tal como plantea la ecuación 2.3. (. ). )). (2.3).

(39) 29. CAPÍTULO 2. DISEÑO Y PROGRAMACIÓN DEL SOFTWARE Al analizar la ecuación 2.3 se observa que no todas las muestras del intervalo de 400 ms son integradas, lo cual es equivalente a calcular la envolvente del canal compuesto. El coeficiente de compensación 1/150 fue estimado empíricamente [28]. La Figura 2.5 muestra un segmento del canal compuesto y el umbral integrador F.. Figura 2.5 – Segmento de señal del canal compuesto (azul) y el umbral integrador F (rojo).. 2.4.3. Umbral adaptativo R. El umbral R está diseñado para lidiar con latidos de amplitud normal seguidos de latidos de muy pequeña amplitud. La ocurrencia de estos casos es muy frecuente cuando existe movimiento de los electrodos y artefactos de otros tipos [28]. Por tanto, en contraste con el umbral integrador F, el umbral R previene al algoritmo de detección de perder algún latido. En este caso también se prepara un buffer que almacena los últimos cinco intervalos RR detectados y a partir de éste se calcula Rm, que es la media de los valores de los elementos del buffer. En el intervalo que transcurre desde el último latido ventricular detectado hasta Rm, el valor de R es cero. Luego, en el intervalo Rm hasta Rm, R decrece 1.4 veces más lento que M. Luego de alcanzado Rm, R continúa constante. Es necesario señalar que el cálculo del umbral adaptativo R tiene un costo computacional sumamente elevado y un impacto modesto en el desempeño del detector de QRS, razón por la cual, luego de programado y probado, se decidió no incorporarlo como parte de este software. Por tanto, redefiniendo (2.1), quedaría: (2.4).

(40) 30. CAPÍTULO 2. DISEÑO Y PROGRAMACIÓN DEL SOFTWARE 2.4.4. Combinación de los umbrales. La combinación de los umbrales M y F hacen el detector sumamente robusto ante artefactos de movimiento de los electrodos y otros tipos de ruido que son frecuentes en la ECG de larga duración, debido al constante movimiento del paciente. La Figura 2.6 muestra el desempeño del umbral combinado THR ante un cambio brusco en la amplitud de los picos.. Figura 2.6 – Desempeño del umbral combinado THR (rojo) ante un cambio brusco de la amplitud de los picos de la señal (azul).. 2.5. Algoritmo de detección y corrección de latidos ectópicos. El algoritmo de detección de ectópicos implementado es descrito por [53]. Se utilizan tres filtros que trabajan en escalas diferentes de la serie RR. . Toda la serie RR (escala global).. . 20% de la serie RR (intermedia 1).. . 10% de la serie RR (intermedia 2).. Primeramente se estima el valor U como el promedio recortado de los intervalos RR en cada una de las escalas. Luego, clasifican como latidos ectópicos aquellos que sean 25% mayor o menor que U (ecuación 2.5). (2.5) En el caso de trabajar con la escala global, el valor de U se calcula como el promedio de todos los intervalos RR luego de haber eliminado el 5% de los valores en cada extremo de la serie RR ordenada (media recortada) [53]. Este procedimiento es equivalente a eliminar las colas en el histograma, dejando solo el intervalo de confianza..