El objetivo principal de este trabajo de tesis es el diseño e implementación de un dispositivo de electrocardiografía que pueda reducir la tasa de mortalidad causada por enfermedades cardiovasculares que afectan zonas con poblaciones vulnerables en el Perú. Para ello se profundizará en el análisis y procesamiento de las señales del electrocardiograma mediante el uso de filtros analógicos y digitales y de esta forma se determinará el método óptimo de filtrado de las señales del ECG. Estas señales adquiridas luego se comparan con una base de datos PhysioNet para entrenar un algoritmo de inteligencia artificial, que para esta investigación ha considerado el uso de un árbol de decisión, en busca de un modelo más preciso de autodiagnóstico de enfermedades cardiovasculares basado en parámetros estadísticos para obtener Mejores resultados.
Las enfermedades cardiovasculares son actualmente una de las principales causas de muerte en el Perú, según la Sociedad Peruana de Cardiología y el Ministerio de Salud. Suelen estar provocadas por malos hábitos alimentarios, tabaquismo, hipertensión arterial, colesterol alto, diabetes, inactividad física (sedentarismo), estrés, herencia genética, etc. Entre las principales enfermedades cardiovasculares comunes en el Perú se encuentran: arritmias, infarto de miocardio, insuficiencia cardíaca, hipertensión arterial, fibrilación auricular e infarto de miocardio.
Ante la necesidad de un dispositivo que pueda ayudar a prevenir estas enfermedades, el objetivo de esta investigación es diseñar, desarrollar y construir un dispositivo que permita monitorear señales de electrocardiograma y, mediante el uso de inteligencia artificial, clasificar patologías. en un paciente en particular, creando un diagnóstico que puede contrastarse con el de un especialista en la materia.
PLANTEAMIENTO DEL PROBLEMA
- Descripción de la realidad problemática
- Formulación del problema
- Problema general
- Problemas específicos
- Objetivos
- Objetivo general
- Objetivos específicos
- Justificación
- Limitantes de la investigación
- Teórica
- Temporal
- Espacial
Diseñar e implementar un electrocardiógrafo con diagnóstico automático para reducir la mortalidad por enfermedades cardiovasculares que afectan zonas con población vulnerable en el Perú. Desarrollar un algoritmo de IA para incidir en la prevención de enfermedades cardiovasculares que afectan zonas con población vulnerable en el Perú. Considerando el aumento de muertes por enfermedades cardiovasculares en los últimos años en el Perú, resulta relevante conocer cuáles son los parámetros básicos que determinan las patologías cardiovasculares, para poder establecer medidas para prevenirlas y/o controlarlas.
El presente estudio surge de la necesidad de prevenir enfermedades cardiovasculares, con el objetivo de poder reducir la mortalidad en el Perú mediante el diseño e implementación de un electrocardiógrafo que permita un diagnóstico automático de patologías. Esta investigación profundiza en el estudio de las señales de ECG ante la falta de investigaciones en el Perú que elaboren el análisis y procesamiento de señales de electrocardiograma utilizando algún tipo de inteligencia artificial. El estudio se vio afectado por la pandemia COVID-19 en su desarrollo y requirió una extensión en el tiempo para su ejecución debido a la cuarentena y porque la posibilidad de acceder a hospitales del departamento de Lima para la recolección de datos era imposible por motivos de salud.
La falta de recursos económicos para viajar a las distintas ciudades del país para realizar la adquisición de datos de las señales del electrocardiograma y así generar nuestra propia base de datos.
MARCO TEÓRICO
- Antecedentes del estudio
- Nacionales
- Internacionales
- Bases Teóricas
- Electrocardiógrafo y señales fisiológicas del corazón
- Derivaciones
- Inteligencia Artificial
- Tipos de aprendizajes de Inteligencia Artificial
- Transformada Wavelet
- Marco conceptual
- Definiciones de términos básicos
Donde se concluyó que monitorear la actividad cardíaca de un paciente en tiempo real es una tarea de gran relevancia en los últimos años debido al aumento significativo de muertes por patologías cardiovasculares [11]. Una onda se define como una desviación positiva o negativa de la línea isoeléctrica. Cuando esta onda P es superior a 0,3 mV, se correlaciona con un agrandamiento de la aurícula derecha.
La inteligencia artificial (IA) es una rama de la ciencia que se centra en aprender y/o desarrollar comportamientos inteligentes en elementos artificiales. En el aprendizaje profundo, estas capas se representan a través de modelos llamados redes neuronales, estructuradas en capas unas encima de otras. La reducción de dimensionalidad y la agrupación son categorías bien conocidas de aprendizaje no supervisado [17].
Este valor nos da la relación entre la calidad de la señal y el ruido que la interfiere, su medida se da en decibelios (dB), un valor por encima de la unidad significa que la señal domina sobre el ruido generado.
HIPÓTESIS Y VARIABLES
Hipótesis
- Hipótesis General
- Hipótesis Específicas
Definición conceptual de las variables
Operacionalización de variables
DISEÑO METODOLÓGICO
- Tipo y diseño de investigación
- Método de investigación
- Población y muestra
- Lugar de estudio
- Técnicas e instrumentos para la recolección de la información
- Análisis y procesamiento de datos
Las bases de datos necesarias para la realización de este proyecto fueron descargadas de Physionet. Debe seleccionar ECG en las bases de datos de formas de onda de PhysioBank para obtener todos los datos de la señal de ECG [26]. Para tener una referencia respecto al autodiagnóstico de anomalías cardíacas, fue necesario seleccionar la Arritmia dentro de la base de datos de ECG en PhysioNet, como se muestra en la Figura N° 7.
30 Todos los archivos, tanto las señales de ECG como los datos del paciente, debían descargarse utilizando los siguientes comandos del símbolo del sistema (CMD) que se muestran a continuación. Los registros de datos de las señales de ECG de cada paciente se almacenan en formato WaveForm DataBase (WFDB), por lo que fue necesario crear un código para adaptarlos a un formato que pueda visualizarse. Los datos del ECG se comprimen y se dividen en 2 archivos con diferentes formatos como .dat y .hea (ver imagen nº 9).
Para seleccionar y mostrar la primera tabla de toda la base de datos se realizó la siguiente codificación, la cual nos permite organizar los datos para mayor facilidad al combinarlos con otras tablas.
RESULTADOS
Resultados Descriptivos
La Figura #14 muestra el paso de conexión donde se agregaron resistencias para polarizar el bus I2C en el ADS1115 en una configuración pull-up y para regular los niveles lógicos para enviar la señal a la Raspberry PI 3B+. En la figura No. 16 se muestra la señal que se toma del sensor, se ingresa con ruido, debido a que la energía del sensor proviene de la red eléctrica, la cual se introduce con un ruido de 60 Hz. Para la adecuada selección del filtro que reduce el ruido de 60 Hz como se ve en la Figura No. 18, el cual proviene de la red eléctrica y sin procesar, se analizó esta señal para reducir su presencia en la señal del ECG original.
La Transformada Rápida de Fourier (FFT) indica la señal sinusoidal dominante de 60 Hz en nuestra muestra de ECG, como se muestra en la Figura No. 19. 41 A continuación se muestra la señal del filtro para los valores SNR, MSE óptimo y covarianza del filtro en la Figura No. 20 42 A continuación se muestra la señal del filtro para los valores óptimos de SNR, MSE y covarianza del filtro de Chebyshev en la figura nº 21.
Luego, la señal del filtro para valores óptimos de SNR, MSE y covarianza del filtro de Cauer se muestra en la figura no. 22. 45 Se observaron valores favorables para el filtro Notch, con lo que se apreció en la TABLA no. 6, además de la correcta adquisición de la señal ECG, supone una fuerte reducción de la señal de 60 Hz de la red eléctrica. 46 La señal procesada con N = 300 en filtro Blackman en MATLAB se muestra a continuación en la figura no. 25.
47 A continuación se muestra la señal de filtro para los valores óptimos de SNR, MSE y Covarianza del filtro de ventana de Gauss en la Figura N° 26. A continuación se muestra la señal de filtro para los valores óptimos de SNR, MSE y Covarianza del filtro de ventana de Hamming. filtro de ventana en la Figura N°. Como se puede observar en la Figura N° 28, la señal sinusoidal aún está presente en la señal del ECG, lo que no permite su correcto análisis, a pesar de ser de orden N = 500.
La señal del filtro para los valores SNR, MSE y covarianza se muestra a continuación en la Figura 30. Para determinar el valor BPM, es necesario identificar los picos de la señal y las regiones específicas donde están presentes estas señales. 58 Reconstrucción de la señal con la ventana adecuada del filtro de ondas, que elimina la señal ruidosa (ver figura nº 37).
En PhysioNet, los datos de la señal de ECG que se muestran en la tabla no. 19, y los del paciente están en archivos diferentes, por lo que es necesario abrirlos por separado y luego fusionarlos.
DISCUSIÓN DE RESULTADOS
Contrastación y demostración de la hipótesis con los resultados
- Contrastación de la hipótesis general
- Contrastación de las hipótesis específicas
Responsabilidad ética de acuerdo a los reglamentos vigentes
Se diseña una fuente de alimentación conmutada que tiene una mejor eficiencia energética en comparación con una fuente de alimentación lineal para todo el circuito, además de agregar un circuito de manejo de baterías para hacerla portátil. Extraído de la base de datos MIT-PysioNet para comparar los autodiagnósticos proporcionados por el algoritmo con los que verificamos en la base de datos. Huamán Guzmán, “Implementación de un simulador de señales electrocardiográficas para la evaluación funcional de monitores”, tesis, Universidad de Ciencias y Humanidades, Los Olivos, 2017.
Quino Omonte, “Desarrollo de un dispositivo tipo Holter de derivación única para el monitoreo de señales cardíacas y una aplicación web de procesamiento de señales de ECG para la detección y estudio de arritmias similares a la fibrilación auricular”, Universidad Peruana de Ciencias Aplicadas (UPC), Lima, Perú , 2018. Roncal Loyola, “Diseño e implementación de un módulo de monitoreo cardíaco portátil para zonas rurales”, disertación, Pontificia Universidad Católica del Perú, Lima, 2018. Vásquez Cahua, “Diseño e implementación de un sistema inalámbrico de detección y alerta de fibrilación auricular en pacientes encamados”, disertación, Pontificia Universidad Católica del Perú, Lima, 2015.
Gutiérrez Lora, “Diseño de un electrocardiograma portátil en FPGA Zynq-7000”, tesis, Universidad de Sevilla, Sevilla, 2017. BURBANO ROJAS, “Diseño e implementación de un simulador de señales electrocardiográficas para mantenimiento. Pérez Talens, “Diseño de un electrocardiógrafo inalámbrico de pequeñas dimensiones y alta autonomía para uso diario”, tesis, Universitat Politècnica de València, Valencia, España, 2017.
Valdez De la Cruz, “Diseño e implementación de un dispositivo ECG para autodiagnóstico de patologías mediante redes neuronales en Python y monitoreo inalámbrico en tiempo real”, en Actas del 17° Multicongreso Internacional LACCEI de Ingeniería, Educación y Tecnología: " Industria, Innovación e Infraestructura para Ciudades y Comunidades Sostenibles”, 2019. Peralta Arroyo, “Diseño de un algoritmo modular para evaluar la conectividad funcional en señales EEG durante el desarrollo de tareas cognitivas utilizando MATLAB”, tesis, Universidad Tecnológica del Perú, Lima, Perú , 2021. El diseño e implementación de un electrocardiógrafo con diagnóstico automático reduce la tasa de mortalidad por enfermedades cardiovasculares que afectan zonas con población vulnerable en el Perú.
Cuál es el método óptimo para la adquisición de datos y procesamiento de señales electrocardiográficas. El uso del método aplicado para la adquisición de datos de señales electrocardiográficas es óptimo. Extraiga los valores del parámetro alfa que path = model_tree.cost_complexity_poning_path(x_trainset, y_trainset) puede aceptar.
El modelo 2 se entrena teniendo en cuenta los parámetros obtenidos model_tree_2 = DecisionTreeClassifier(random_state=42, .ccp_alpha=ideal_ccp_alpha).
