Extracción de actividad respiratoria por medio del análisis del ECG como señal de amplitud modulada J. L. Vargas Luna1,2, Winfried Mayr2, J. A. Cortes1 1 Centro de Innovación en Diseño y Tecnología, Tecnológico de Monterrey, Monterrey, México Center for Medical Physics and Biomedical Engineering, Medical University of Vienna, Viena, Austria complejo QRS [7], [8] y el filtrado del ECG en el ancho de Resumen— En el presente trabajo se plantea un algoritmo banda de la respiración. Pero también se han presentado para la extracción de la actividad respiratoria que se basa en el técnicas más complejas basadas en el análisis del análisis del ECG como una señal de amplitud modulada (AM). componente principal, transformadas de wavelet[9], filtros Aunque la de derivación de respiración por medio del ECG adaptivos [2], así como otras herramientas estadísticas [3]. (EDR, por sus siglas en inglés) no es nueva, el plantear el ECG Los métodos basados en el complejo QRS han resultado como una señal de amplitud modulada (EDRAM) permite efectivos pero muy sensibles a alteraciones en la línea base. obtener resultados con una mayor correlación con la Debido a ello, la mayoría de las investigaciones en este tema respiración (hasta 0.76) en comparación con otros métodos se han enfocado a la correcta remoción del ruido en la línea encontrados en la literatura (<0.3). Se implementó una base [1], [3], [7]. metodología basada en la variación de la amplitud de los picos R. Ésta utiliza, a diferencia de otros trabajos en el estado del Widjaja [6] provee un valioso resumen de diferentes arte, filtros FIR convencionales y aun así se obtienen valores de técnicas para procesar el EDR, entre ellas están: el filtrado correlación hasta 6 veces mayores. Se realizó una prueba de de banda del ECG; análisis de la variación de la amplitud robustez para definir los límites de la metodología propuesta, del pico R; análisis de la variación de la diferencia entre el la cual toleró la inducción de hasta un 20% de ruido blanco pico R y S; y el análisis de la variación de área del complejo (del valor máximo medido) antes de que el factor de QRS. correlación bajara considerablemente. La metodología fue Entre estos métodos solamente el filtrado de banda probada con las mediciones de bases de datos de internet así proporciona la posibilidad de un monitoreo continuo, como con las mediciones de un sensor de ECG portable. mientras que los otros tres efectúan un monitoreo discreto Finalmente, se estudiaron las aplicaciones potenciales de dicha metodología. con periodos de muestreo relativamente largos y variables (una muestra por latido cardiaco). Dependiendo de la Palabras clave—Amplitud Modulada, Complejo QRS, aplicación, este periodo podría ser insignificante o EDR, Tiempo real completamente inaceptable. Por ejemplo, si se desea detectar una apnea o simplemente la frecuencia respiratoria, 1 segundo (aprox. el mayor periodo a 60lpm) no tiene I. INTRODUCCIÓN ninguna importancia, sin embargo, para sistemas de detección de estados (inhalación/exhalación) la diferencia es La actividad respiratoria es un parámetro clínico muy importante. Debido a esto, desarrollar un algoritmo de EDR importante, sin embargo, no es comúnmente monitoreado. que tenga el menor desfase posible puede resultar muy Actualmente existen diferentes metodologías, directas e valioso para la predicción de estados de la respiración y otro indirectas, para medir la respiración. Los métodos indirectos tipo de sistemas sensibles al tiempo. como la extracción de la respiración por medio del ECG, la Aunque el EDR no es nuevo, la nueva tendencia a los presión sanguínea o la fotopletismografía [1] tienen la sensores portátiles está renovando el interés por ventaja de utilizar otras mediciones como base, por lo que metodologías robustas que permitan la reducción de no requieren aditamentos de hardware para ser procesamiento y hardware. Además, grandes bases de datos implementadas. actualmente disponibles en internet como PhysioNet [10], y El EDR es el método indirecto más conocido y muchas están provistas de largos periodos de monitoreo de investigaciones se han realizado basándose en él [1–4]. Esto diferentes variables, pero no siempre de la respiración. Esto se debe a que el ECG es ampliamente conocido y convierte al EDR en una herramienta para potenciar dichas monitorizado, además de que la señal obtenida tiene un bases de datos, calculando una nueva variable fisiológica. Y retraso muy pequeño en relación a la respiración. El EDR se finalmente, este tipo de mediciones pueden impactar los basa principalmente en dos fenómenos: Primero, la posición protocolos clínicos como estudios de sueño y/o mediciones relativa del corazón con respecto a los electrodos varía en infantes o pacientes con problemas neurológicos, donde durante la respiración. Segundo, el eje eléctrico del corazón un exceso de sensores puede perturbar al paciente y alterar [5], así como la impedancia del medio que lo rodea los resultados. (pulmones), varia durante la respiración. Esto implica que la Este trabajo está enfocado al desarrollo de un algoritmo respiración induce una modulación en la amplitud detectada para la extracción de la actividad respiratoria que se basa en del ECG. el análisis del ECG como una señal de amplitud modulada. Diferentes metodologías de EDR se han propuesto [6]. El objetivo principal es generar una señal en tiempo real, Los métodos más usados son los que se basan en el 2 con una frecuencia de salida de al menos 1Hz, así como con un factor de correlación mayor a 0.4 y un desfase mínimo entre el EDR y la respiración. esta modulación es el desplazamiento del ancho de banda de la señal de interés a ωECG. Como el espectro de un ECG normal está entre los 10-50Hz, entonces es posible decir que la señal de EDR se encuentra también en este ancho de banda. II. METODOLOGÍA B. Método de EDRAM En este trabajo se presenta inicialmente la perspectiva matemática del ECG como una señal de amplitud modulada. Posteriormente se define un algoritmo basado en la AM del ECG y su pico R (EDRAM). Posteriormente se hace una comparación con otras metodologías que trabajan en tiempo real. La metodología propuesta también es sometida a una prueba de robustez y finalmente a es probada en una aplicación de sensor portátil. Para la adquisición de señales se utilizó una tarjeta de adquisición NI MyDAQ (National Instruments, Inc., EUA) y todo el procesamiento fue llevado a cabo con Matlab R2011a (Mathworks, Inc., EUA). A. Aproximación matemática El ECG, como cualquier otra señal eléctrica, puede ser representada como la suma de diferentes factores, en este caso la señal pura de ECG (y), ruido de las líneas eléctricas (npl), ruido blanco (nw), ruidos de alta frecuencia (nh) y perturbaciones en la línea base (nbl): ECG(t)=y(t)+npl(t)+nw(t)+nh(t)+nbl(t) (1) Nótese que (1) no expresa literalmente la existencia del EDR porque éste no se presenta como componente eléctrico, sino como modulación de y(t). Es por ello que es posible hablar de amplitud modulada del ECG. La técnica de AM consiste en enviar una señal de baja frecuencia (EDR) sobre una de alta frecuencia o transportadora (ECG). En este caso el EDR no está montado artificialmente, sino que modula por efectos fisiológicos y anatómicos el ECG. El ECG, a diferencia de las señales portadoras usadas en telecomunicaciones, no está compuesta por una frecuencia única. Sin embargo, como cualquier señal esta puede ser descompuesta en todas sus componentes frecuenciales –principalmente entre 10 y 50Hz- por medio de la transformada de Fourier. Haciendo la analogía con las ecuaciones básicas de ingeniería de telecomunicaciones [11], si asumimos una respiración sinusoidal (2), y tomamos el componente frecuencial más bajo en la región de interés (10Hz) (3), entonces el ECG con AM se puede expresar como: yEDR(t)=AEDRCos(ωEDRt) yECG(t)=AECGCos(ωECGt) y(t)=AECG[1+mxn(t)]Cos(ωECGt)=A Cos(ωECGt) (2) (3) (4) Donde yEDR es la señal de la respiración, yECG es la señal portadora, y la señal modulada, m el índice de modulación (AEDR/AECG), y xn es señal moduladora [11]. El efecto de La presente metodología toma ventaja de que la señal de interés es “trasladada” al ancho de banda del ECG, de éste modo la EDR está “respaldada” en el ECG. La metodología propuesta se divide en dos etapas: filtrado y demodulación. En la etapa de filtrado se aplican un filtros paso-bajo (f=50Hz) para la remoción del ruido electromagnético de las líneas eléctricas (npl) y otros de alta frecuencias como los provenientes de sistemas de telecomunicaciones (nh). Durante el filtrado también se utiliza un filtro paso-alto (f=10Hz) para remover los ruidos presentes en la línea base (nbl). A partir de esto, la señal medida contiene únicamente componentes del ECG puro y ruido blanco. Para la etapa de demodulación, se emplea el método convencional para desmodular una señal de AM, que es la detección del contorno. Como el ECG es una señal compuesta, y no una simple sinusoidal como en (3), sólo los picos R son tomados como muestras para generar la línea evolvente. La detección de los picos R está basada en la topología de los complejos QRS, donde el pico R: 1) es puntiagudo, 2) un máximo local y, 3) está por encima de un umbral. Como se mencionó anteriormente, un gran foco de trabajo en EDR ha sido dedicado a la remoción del ruido en la línea base por medio de algoritmos de alto costo computacional, debido a que el espectro del EDR (0.20.8Hz) se traslapa con el del ruido en la línea base. Sin embargo, considerando al ECG como una señal de AM, es posible remover todos los componentes debajo de 10Hz sin peligro de perder la información de la respiración. C. Comparación Para la comparación, se utiliza el set de datos Fantasia del banco PhysioNet/PhysioBank [10], [12]. Este set contiene mediciones de ECG y respiración de sujetos jóvenes y de edad avanzada. En Arunachalam [7] los archivos F2Y10 (segmento de 00:20-01:20) y del F2O06 (segmento del 01:00-02:00) son usados debido a las grandes alteraciones de la línea base. El algoritmo propuesto por Arunachalam [7] fue elegido para ser comparado, ya que es uno de los únicos que puede ser implementado en tiempo real y utiliza bases de datos públicas. La comparación cuantitativa se hace por medio de una prueba de correlación. D. Evaluación Finalmente se evalúa el desempeño del algoritmo mediante dos pruebas: desempeño ante la inducción de ruido blanco en las señales tomadas de Iyengar [12]; y en mediciones adquiridas con un sensor portable. Para evaluar la robustez ante el ruido blanco, este se induce artificialmente en diferentes niveles (relativo al valor máximo del ECG): 0%, 1%, 10% 25%, 50%, 75%, 90%, 99% and 100%. El factor de correlación fue usado para medir la degradación de desempeño ante dichos ruidos. Los resultados presentados fueron obtenidos del promedio de 500 iteraciones para cada nivel de ruido, de este modo se disminuye la influencia de la aleatoriedad. La segunda evaluación es por medio de la implementación del algoritmo a mediciones obtenidas con un circuito ECG de sólo dos electrodos (sin electrodo de referencia) diseñado a partir del esquema propuesto por Dobrev [13]. Este diseño fue elegido debido a que es sencillo y puede ser embebido en sensores portables de baja energía. El sistema fue montado en un cinto torácico con dos electrodos de caucho conductor. El desempeño del dispositivo no fue el esperado dado que la señal contenía demasiado ruido electromagnético. Sin embargo resultó adecuado para probar la metodología de EDR ante dicha situación. Fig. 2. Resultados de las metodologías de EDR aplicadas al set de datos F2Y10. La línea gruesa representa la señal de la respiración (impedancia del pecho) y la punteada el resultado del EDR para a) EDRAM, y b) señal similar a la generada en Arunachalam [7]. TABLA II FACTOR DE CORRELACIÓN PARA LOS SETS F2O06 Y F2Y10 Set/Método EDRAM [7] F2O06 0.76 0.48 0.13 0.29 F2Y10 III. RESULTADOS El algoritmo fue implementado en MATLAB® (Mathworks, Inc., USA). Los resultados para el set F2O06 se muestran en la Fig. 1. Aquí se muestra con una línea gruesa la actividad respiratoria original y en líneas punteadas los resultados con a) nuestra metodología, y b) señal similar a la generada en Arunachalam [7]. Del mismo modo, la Fig. 2 muestra los resultados del set F2Y10. La comparación del factor de correlación se presenta en la Tabla II para ambos sets y metodologías. La evaluación de robustez se presenta en la Fig. 3, donde se muestra el decaimiento del factor de correlación en relación con la inducción de ruido en la medición. Finalmente, la Fig. 4 presenta el resultado de la implementación del sensor de ECG portable, donde en la parte superior se encuentra la señal original, y en la parte inferior, en línea continua la actividad respiratoria y en punteada el cálculo de EDR. Fig. 3. Prueba de robustez. Decaimiento del factor de correlación tras la inducción de ruido blanco para cada set. Fig. 4. Aplicación de la metodología a un sensor portátil. Trazo superior es el ECG original y en el inferior la respiración (flujo) en línea continua y el EDR calculado en línea punteada. IV. DISCUSIÓN Fig. 1. Resultados de las metodologías de EDR aplicadas al set de datos F2O06. La línea gruesa representa la señal de la respiración (impedancia del pecho) y la punteada el resultado del EDR para a) EDRAM, y b) señal similar a la generada en Arunachalam [7]. La conservación de la señal EDR, a pesar de la aplicación de filtros paso-alto es consistente con la concepción matemática de una AM del ECG. Esto confirma que filtros convencionales pueden ser utilizados para remover los ruidos en la línea base sin perder la información de la actividad respiratoria. El método presentado dio buenos resultados cuando se utilizó el ECG original, sin embargo, cuando se le indujo ruido blanco, el desempeño bajó dramáticamente. Esto debido a que éste sólo toma un punto como muestra por cada complejo QRS. Por otro lado, esta metodología parece viable para situaciones controladas. La metodología tuvo un mayor factor de correlación que el obtenido para señales similares a las obtenidas en Arunachalam [7] a pesar de que se utilizaron filtros sencillos. También se observó una buena sincronización entre la respiración y el EDR, como se observa en la Fig. 1 y Fig. 2. El ejemplo de aplicación de un ECG portátil fue exitoso. La metodología propuesta logró, a pesar del gran ruido electromagnético (50Hz), detectar efectivamente la actividad respiratoria, con un desfase mínimo. V. CONCLUSIÓN Se presentaron las bases para procesar el ECG como una señal de AM y con ello calcular el EDRAM. Este enfoque muestra que, aunque la información de la respiración está conformada por señales de bajas frecuencias, aplicando filtros paso-alto convencional es posible generar una señal EDR por medio de la demodulación de las señales de alta frecuencia. Basándose en esto, se desarrolló, comparó y evaluó un algoritmo fundado en los picos R del ECG. Éste logró un factor de correlación de hasta 0.76, que es mejor que los encontrados en la literatura (aprox. 0.13). No se pudo mejorar la frecuencia de muestreo, dado que esta es inherente a la frecuencia cardiaca. El factor de correlación indica un menor desfase entre la actividad respiratoria y el EDR cuando se compara con otros métodos. Además, la perspectiva de AM permitió calcular el EDR con menor procesamiento y mejores resultados a los obtenidos en otras investigaciones. También se probó la capacidad de la metodología para ser incluida en sensores portátiles de alto rendimiento, y ahora se está probando su desempeño en mediciones de largo plazo. Las características del algoritmo también lo hacen atractivo para otras aplicaciones donde la reducción de sensores y hardware es valorada, como en estudios de sueño y mediciones de pacientes con problemas neurológicos. Y finalmente se probó el potencial científico de generar información extra a las bases de datos ya existentes, convirtiendo dicha metodología en una valiosa herramienta de investigación. RECONOCIMIENTOS J.L.V.L. agradece a sus asistentes de investigación Andrea Basurto y Julián Elenes Uriarte por su apoyo técnico, así como a Carlos A. Segura por su asesoría profesional. Este trabajo fue parcialmente patrocinado por el Consejo Nacional de Ciencia y Tecnología. BIBLIOGRAFÍA [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] A. Travaglini, C. Lamberti, J. DeBie, and M. Ferri, “Respiratory signal derived from eight-lead ECG,” Computers in Cardiology 1998. Vol. 25 (Cat. No.98CH36292), vol. 25, pp. 65–68, 1998. M. Varanini, M. Emdin, F. Allegri, M. Raciti, F. Conforti, A. Macerata, A. Taddei, R. Francesconi, G. Kraft, A. L. L. Abbate, and C. Marchesi, “Adaptive filtering of ECG signal for deriving respiratory activity,” in [1990] Proceedings Computers in Cardiology, 1991, pp. 621–624. S. Ding, X. Zhu, W. Chen, and D. Wei, “Derivation of respiratory signal from single-channel ECGs based on Source Statistics,” International Journal of Bioelectromagnetism, vol. 6, no. 1, 2004. K. V. Madhav, M. R. Ram, E. H. Krishna, N. R. Komalla, and K. A. Reddy, “Estimation of respiration rate from ECG, BP and PPG signals using empirical mode decomposition,” in 2011 IEEE International Instrumentation and Measurement Technology Conference, 2011, pp. 1–4. L. Zhao, S. Reisman, and T. Findley, “Respiration derived from the electrocardiogram during heart rate variability studies,” in Proceedings of 16th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 1994, pp. 123–124. D. Widjaja, J. Taelman, and S. Vandeput, “ECG-derived respiration: Comparison and new measures for respiratory variability,” Computing in Cardiology, 2010, pp. 149–152, 2010. S. P. Arunachalam and L. F. Brown, “Real-time estimation of the ECG-derived respiration (EDR) signal using a new algorithm for baseline wander noise removal.,” Conference proceedings : ... Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Conference, vol. 2009, no. 1, pp. 5681–4, Jan. 2009. B. Mazzanti, C. Lamberti, and J. de Bie, “Validation of an ECGderived respiration monitoring method,” in Computers in Cardiology, 2003, 2003, pp. 613–616. P. Langley, E. J. Bowers, and A. Murray, “Principal component analysis as a tool for analyzing beat-to-beat changes in ECG features: application to ECG-derived respiration.,” IEEE transactions on bio-medical engineering, vol. 57, no. 4, pp. 821– 9, Apr. 2010. A. Goldberger, L. Amaral, and L. Glass, “PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals,” Circulation, 2000. A. P. Godse and U. A. Bakshi, Communication Engineering. Technical Publications, 2009. N. Iyengar, C. K. Peng, R. Morin, a L. Goldberger, and L. a Lipsitz, “Age-related alterations in the fractal scaling of cardiac interbeat interval dynamics.,” The American journal of physiology, vol. 271, no. 4 Pt 2, pp. R1078–84, Oct. 1996. D. Dobrev, T. Neycheva, and N. Mudrov, “Simple two-electrode biosignal amplifier.,” Medical & biological engineering & computing, vol. 43, no. 6, pp. 725–30, Nov. 2005.
© Copyright 2024