Sistema para aquisição, monitorização e análise da actividade cardíaca

Abstract

A instabilidade eléctrica do coração, que pode ser observada no ECG, produz uma sequência anormal de contracções, o desempenho funcional do coração diminui, pela redução da sua capacidade de bombeamento e eficiência. Este fenómeno denominado de arritmia pode ser classificado como frequente ou esporádico. As arritmias infrequentes podem ser avaliadas pela monitorização de longa duração através de um exame ECG. Essa quantidade enorme de dados necessita de um equipamento de ajuda ao diagnóstico automático, para reduzir o tempo necessário à apresentação de um relatório garantindo assim, um tratamento mais rápido do paciente. A fibrilhação auricular (AF) é a arritmia mais comum encontrada na prática clínica, afectando a população em geral. A AF não só se associa a sintomas que reduzem a qualidade de vida como também, constitui um factor de risco principal para a morte por doenças cardiovasculares. O diagnóstico desta arritmia é normalmente baseado na análise de ECG. Esta tese apresenta um sistema de reconhecimento de padrões (ECG-SRPad) baseado em modelos de Markov ocultos (HMMs) de observações contínuas (CDHMMs). O Sistema tem por base um HMM de Bakis ou ligado da esquerda para a direita com seis estados e cinco componentes na mistura Gaussiana por transição. Os sinais de ECG são previamente segmentados em pulsos com recurso à detecção do complexo QRS através do algoritmo de Pan- Tompkins. O modelo de seis estados modela para cada pulso os eventos Q-S, S-T, T, T-P, P e PQ. Neste trabalho foram implementados, testados e comparados dois métodos de extracção de características; a linearização e a transformada wavelet (WT). Os pulsos seleccionados são os pulsos normais (N) e os pulsos com contracção ventricular prematura (PVC) (V). Os tipos de ritmo seleccionados são dois dos mais comuns pertencentes à classe das arritmias supraventriculares (S) denominados: fibrilhação auricular (AF) e flutter auricular (AFL) e o ritmo normal (N). Cada gravação tem duas derivações modificadas de ECG nomeadamente MLII e V1 que são modeladas de forma independente. Quando o resultado do reconhecimento é diferente nas duas derivações, os pulsos são seleccionados para posterior análise por um especialista em cardiologia. Os resultados experimentais foram obtidos em dados provenientes da base de dados MIT-BIH arrhythmia database e também em dados do sistema implementado de aquisição de dados de baixo custo. As técnicas, WT e HMM apresentam características que são apropriadas para a modelação de fenómenos de natureza não-estacionária como é o caso do ECG, podendo por isso complementar-se. Foi feito também um estudo comparativo com o método neuro-fuzzy networks (N-FN).

Electrical instability of the heart, which can be identifiable in the ECG, leads to an abnormal synchronized contraction sequence reducing pumping efficiency. This phenomenon is named arrhythmia and it can be classified as frequent or sporadic. Infrequent arrhythmias can be evaluated by long-term ambulatory ECG monitoring. This huge quantity of data requires automatic-diagnosis equipment which allows to reduce the work time for a medical physician and to accelerate the patient treatment. Atrial fibrillation (AF) is the most common arrhythmia encountered in clinical practice, affecting the general population. AF is not only related to frequent symptoms and reduced quality of life but also constitutes a major risk factor for stroke and mortality from cardiovascular diseases. AF pathology diagnostics is usually based on ECG analysis. This thesis is concerned with the classification of ECG pulses (ECG-SRPad) by using continuous density hidden Markov models (CDHMMs). The baseline system is a Bakis or leftto- right CDHMMs with a Gaussian mixture model (GMM) associated to each model transition. The ECG signal is previously sliced in singular pulses by using the Pan-Tompkins algorithm and each pulse class is defined by a six-state model, appearing the Q-S, S-T, T, T-P, P and P-Q events. A comparative study of feature extraction methods was done. The considered feature extraction methods are the standard linear segmentation and wavelet transform (WT). The types of beat being selected are normal (N), premature ventricular contraction (V) which is often precursor of ventricular arrhythmia. The types of rhythm being selected are two of the most common class of supra-ventricular arrhythmia (S), named: atrial fibrillation (AF) and atrial flutter (AFL) and normal rhythm (N). Derivation II modified (MLII) and pre-cordial derivation (V1) are used in the studies. Run-time classification errors can be detected at the decoding stage if the classification of each derivation is different. These pulses are selected for a posterior medical physician analysis. Experimental results were obtained in real data from MIT-BIH arrhythmia database and also in data acquired from a implemented low-cost data-acquisition system. The techniques WT and HMM have appropriate characteristics for modeling non-stationery signals as ECG signals. Also, these techniques are complementary. Moreover, a comparative study was done with neuro-fuzzy networks (N-FN).