Post on 23-Jan-2019
(12) SOLICITUD INTERNACIONAL PUBLICADA EN VIRTUD DEL TRATADO DE COOPERACION EN MATERIADE PATENTES (PCT)
(19) Organización Mundial de laPropiedad IntelectualOficina internacional
(10) Número de Publicación Internacional(43) Fecha de publicación internacional
7 de junio de 2012 (07.06.2012) W P O I P C TWO 2012/072849 A2
(51) Clasificación Internacional de Patentes: Sin AG, AL, AM, AO, AT, AU, AZ, BA, BB, BG, BH, BR,clasificar BW, BY, BZ, CA, CH, CL, CN, CO, CR, CU, CZ, DE,
DK, DM, DO, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH,(21) Número de la solicitud internacional: GM, GT, HN, HR, HU, ID, IL, IN, IS, JP, KE, KG, KM,
PCT/ES201 1/07083 1 KN, KP, KR, KZ, LA, LC, LK, LR, LS, LT, LU, LY, MA,
(22) Fecha de presentación internacional: MD, ME, MG, MK, MN, MW, MX, MY, MZ, NA, NG,
30 de noviembre de 201 1 (30. 11.201 1) NI, NO, NZ, OM, PE, PG, PH, PL, PT, QA, RO, RS, RU,RW, SC, SD, SE, SG, SK, SL, SM, ST, SV, SY, TH, TJ,
(25) Idioma de presentación: español TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, ZA,
(26) Idioma de publicación: español ZM, ZW.
(30) Datos relativos a la prioridad: (84) Estados designados (a menos que se indique otra cosa,
P20 103 1780 para toda clase de protección regional admisible):
1 de diciembre de 2010 (01.12 .20 10) ES ARIPO (BW, GH, GM, KE, LR, LS, MW, MZ, NA, RW,SD, SL, SZ, TZ, UG, ZM, ZW), euroasiática (AM, AZ,
(71) Solicitante (para todos los Estados designados salvo US): BY, KG, KZ, MD, RU, TJ, TM), europea (AL, AT, BE,UNFVERSITAT POLITÉCNICA DE CATALUNYA BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HR,[ES/ES]; Jordi Girona, 3 1, E-08034 Barcelona (ES). HU, IE, IS, ΓΓ , LT, LU, LV, MC, MK, MT, NL, NO, PL,
PT, RO, RS, SE, SI, SK, SM, TR), OAPI (BF, BJ, CF, CG,(72) Inventor; e
CI, CM, GA, GN, GQ, GW, ML, MR, NE, SN, TD, TG).(75) Inventor/Solicitante (para US solamente): Enric Monte
Moreno, Enric [ES/ES]; C/ Jordi Girona, 31, E-08034 Publicada:Barcelona (ES).
— sin informe de búsqueda internacional, será publicada(81) Estados designados (a menos que se indique otra cosa, nuevamente cuando se reciba dicho informe (Regla
para toda clase de protección nacional admisible): AE, 48.2(g))
(54) Title: SYSTEM AND METHOD FOR THE SIMULTANEOUS, NON-INVASIVE ESTIMATION OF BLOOD GLUCOSE,GLUCOCORTICOID LEVEL AND BLOOD PRESSURE
(54) Título : SISTEMA Y MÉTODO PARA LA ESTIMACIÓN SIMULTÁNEA Y NO INVASIVA DE LA GLUCOSA EN LASANGRE, NIVEL DE GLUCOCORTICOIDES Y PRESIÓN ARTERIAL
0 oI BB
<00 (57) Abstract: The invention relates to a system and method for the simultaneous, non-invasive estimation of blood glucose,
glucocorticoid level and blood pressure. It includes a module (2) that deteets the activity of a digitized signal acquired by a sensoro (1), that represents the distal pulse of an individual, selecting a segment of consecutive signal samples of fixed duration s - ,
using the same to genérate subwindows » (t,n) of lesser duration; a signal processing module (4) that receives the two signáis s(t) and s (t,n) and outputs a vector X with the parameters of a physiological model; and an automatic-learning module (5)
that receives the vector X and information on the characteristics of the individual, and provides an estímate of the blood glucoselevel (BGL), the systolic blood pressure (SBP), the diastolic blood pressure (DBP) and the glucocorticoid level(GCL).
(57) Resumen:[Continúa en la página siguiente]
w o 2012/072849 \ 2 llll I I I I 11III I I I II III II I III IIII I I I II
Sistema y método para la estimación simultánea y no invasiva de la glucosa en la sangre, nivel de glucocorticoides y presión
arterial. Comprende un módulo (2) detector de actividad de una señal digitalizada adquirida por un sensor (1), representativa del
pulso cardíaco distal de una persona, seleccionando un segmento de muestras consecutivas de señal, de duración fija sv c ta ¡(t) y del
mismo genera unas subventanas (t,n) de duración menor; un módulo (4) de tratamiento de señal que recibe las dos señales s
(t) y (f,n) Y que a su salida entrega un vector X con los parámetros de un modelo fisiológico y un módulo (5) basado en
aprendizaje automático que recibe el vector X y una información de características de la persona y proporciona en su salida laestimación del nivel de glucosa en la sangre (NGS), del nivel de presión sistólica (NPS), del nivel de presión diastólica (NPD) y
del nivel de glucocorticoides (NGC).
Sistema y método para la estimación simultánea y no invasiva de la glucosa en
la sangre, nivel de glucocorticoides y presión arterial
Campo de la invención
La presente invención hace referencia en un primer aspecto a un sistema
para la estimación simultánea y no invasiva de los niveles de presión arterial, el
nivel de glucocorticoides y de glucosa en la sangre de una persona, a partir de
la forma de onda del pulso cardíaco distal.
En un segundo aspecto esta invención describe un método para la
estimación simultánea y no invasiva de los niveles de glucosa y glucocorticoides
en la sangre y de la presión arterial a una persona.
La estimación de los niveles de glucosa en sangre es importante en el
control de la diabetes mellitus, pues se requiere un seguimiento diario para
evitar complicaciones a largo plazo.
La necesidad de un método no invasivo para la estimación del nivel de
glucosa se justifica por el tamaño de la población afectada y por los
inconvenientes de los sistemas basados en realizar la estimación a partir de
extracciones de sangre. Según Wild et al. (S. Wild et al., Global Prevalence of
Diabetes, Diabetes Care 27 (5) (2004) 1047-1053) al menos 171 millones de
personas en todo el mundo sufren diabetes. El control de los niveles de glucosa
requiere el uso de glucómetros, agujas desechables y tiras reactivas. Este
control es costoso e incómodo. El control regular del nivel de glucosa en la
sangre puede proteger contra las complicaciones asociadas con la diabetes,
como enfermedades de la retina, renales y cardiovasculares.
Además, dado que esta variable se mide de forma rutinaria en las
unidades de cuidados intensivos, una medición no invasiva reduce para estos
enfermos el riesgo de infecciones.
Por otra parte, según (K. Wolf-Maier, et al.,Hypertension Prevalence and
Blood Pressure Levéis in 6 European Countries, Canadá, and the United States,
JAMA 289 (18) (2003)), la prevalencia de hipertensión (definida como presión
diastólica superior a 90mmHg y sistólica superior a 140mmHg) era del 28% de la
población en América del norte y del 44% en Europa. Dado que la hipertensión
HOJA DE REEMPLAZO (Regla 26)
aumenta el riesgo de ataque cardíaco, fallo cardíaco, embolia y enfermedades
renales, un sistema no mecánico y de uso fácil para estimar la presión arterial
mejoraría el control diario de los niveles de presión arterial.
Subyacente al nivel de glucosa y al nivel de presión arterial se encuentra
el nivel de glucocorticoides, que de forma indirecta controlan los niveles de la
glucosa y la presión. Los glucocorticoides son una clase de hormonas
esferoides que actúan sobre los niveles de homeostasis de los procesos
inflamatorios, y de estrés. Referencias a este aspecto del efecto de los
glucorticoides se puede encontrar por ejemplo en Sapolsky, Robert; Lewis C.
Krey, and Bruce S. McEwen (25 September 2000). "The Neuroendocrinology of
Stress and Aging: The Glucocorticoid Cascade Hypothesis". Science of Aging
Knowledge Environment 38: 2 1 y en Sapolsky, Robert; L. Michael Romero and
Alian U. Munck (2000). "How Do Glucocorticoids Influence Stress Responses?
Integrating Permissive, Suppressive, Stimulatory, and Preparative Actions".
Endocrine Reviews 2 1 (1): 55-89. El nivel de glucocorticoides actúa sobre el
sistema nervioso autónomo y el efecto sobre los niveles de presión arterial y
glucosa se refleja en la forma del pulso cardiaco distal.
Además una estimación simultánea del nivel de glucosa en sangre, el
nivel de glucocorticoides y de las presiones sistólica y diastólica se justifica por
la población afectada al mismo tiempo por hipertensión y diabetes. Según la
'American Diabetes Asociation' (URL http://www.diabetes.org/diabetes-
basics/diabetes-tatistics) en el 2004 el 75% de los diabéticos adultos tenían
niveles de presión arterial superiores a 130/80 mmHg o seguían medicación
para la hipertensión. Dado que la hipertensión y la aparición de diabetes está
relacionada con el tipo de vida de las personas y en particular a los niveles de
estrés a que se encuentran sometidos, la estimación adicional del nivel de
glucocorticoides permitirá determinar riesgo y necesidades de tratamiento para
este grupo de personas. Otro aspecto que justifica la importancia de determinar
el nivel de glucocorticoides en sangre es el hecho de que son buenos
predictores del riesgo cardíaco, (Sher, L.Type D personality: the heart, stress,
and cortisol.vol 98,May 2005,QJM: An International Journal of Medicine) y
(Gülmisal Güder, et al. Complementan/ and Incremental Mortality Risk Prediction
by Cortisol and Aldosterone in Chronic Heart Failure, Circulation 1 5 : 1754-
HOJA DE REEMPLAZO (Regla 26)
1761) y por ultimo se sabe que un nivel de glucocorticoides elevado está
relacionado con la aparición de diabetes (M. Mcmahon, et al. .Effects of
glucocorticoids on carbohydrate metabolism, Diabetes/Metabolism
ReviewsVolume 4 , Issue 1, pages 17-30, February 1988).
En esta invención se utiliza la forma del pulso cardíaco distal para estimar
al mismo tiempo el nivel de glucosa en la sangre, el nivel de glucocorticoides y la
presión arterial. Dado que la forma de onda del pulso cardíaco distal refleja el
estado de la fisiología de la persona, se extraerán del pulso cardíaco distal
parámetros que describen este estado de la fisiología. Por otra parte, el estado
de la fisiología de la persona determina el nivel de presión, el nivel de
glucocorticoides y el de glucosa en sangre, habiendo una interacción importante
entre estas tres variables, pues el nivel de glucocorticoides en la sangre
determina el estado del sistema nervioso autónomo, que a su vez determina la
forma del pulso cardíaco, la variabilidad cardíaca, la irrigación sanguínea distal,
el nivel de glucosa y el de presión. Para realizar la estimación de los niveles de
glucosa, el nivel de glucocorticoides y presión, se propone utilizar un sistema de
'machine learning' que puede aprovechar el hecho de que las tres magnitudes
interaccionan entre ellas para dar una estimación mas precisa de los tres
valores.
Antecedentes de la invención
Se enumerarán en primer lugar los principios fisiológicos que justifican la
relación entre la forma de onda del pulso cardíaco distal y las tres variables a
estimar. Además junto con cada principio fisiológico se describe el tipo de
tratamiento de señal que permite realizar un modelo de esta información
fisiológica y que se incorporarán en el sistema y método descrito en esta
patente.
a-Viscosidad de la sangre y compliancia o distensibilidad de los vasos
sanguíneos:
El efecto de la viscosidad y la variación en la compliancia de los vasos
sanguíneos se refleja en el grado en que la forma de onda del pulso distal se
amortigua. Esta información se puede obtener a partir de la forma de onda del
HOJA DE REEMPLAZO (Regla 26)
pulso distal mediante el análisis espectral y un modelo basado en el cepstrum
real de la forma de onda. El cepstrum es una magnitud permite realizar una
deconvolución y separar la excitación del sistema de la respuesta impulsional
del mismo (Childers, D.G. et al. , "The cepstrum: A guide to processing," Proc.
IEEE , Oct. 1977). Por tanto se usarán los coeficientes del cepstrum calculado a
partir del pulso cardíaco distal que caracterizan la forma del pulso, para separar
la componente de excitación de la componente que corresponde a la función de
transferencia de los capilares, junto con la viscosidad de la sangre. Otra ventaja
de usar el cepstrum es que la distancia euclídea para comparar señales
diferentes está bien definida en el dominio cepstral (Gray, A., et al. "Distance
measures for speech processing," IEEE Trans. on Acoustics, Speech and Signal
Processing, Oct 1976). Otro índice de que proporciona información sobre la
riqueza harmónica de la señal es la entropía espectral (P. Renevey, A . Drygajlo,
Entropy based voice activity detection in very noisy conditions, in:
EUROSPEECH-2001).
b-EI reflejo barorreceptor:
El reflejo barorreceptor es un sistema de retroalimentación negativa que
controla los cambios a corto plazo en la presión arterial. El reflejo barorreceptor
se manifiesta en el ritmo cardíaco y en la forma de onda del pulso cardíaco
distal. En concreto modifica el espectro de frecuencia del intervalo entre pulsos y
la variabilidad de la frecuencia cardíaca indica el estado del reflejo
barorreceptor (R. W. deBoer, et al., Hemodynamic fluctuations and baroreflex
sensitivity in humans: a beat-to-beat model. , Am J Physiol Heart Circ Physiol
253 (3) (1987) H680-689)
Por otra parte, se sabe que el reflejo baroreceptor está controlado en
parte por el nivel de glucocorticoides, por lo que las variables que caractericen
éste reflejo también proporcionarán información acerca del nivel de
glucocorticoides (Quinkler M, Stewart PM.Hypertension and the cortisol-
cortisone shuttle.J Clin Endocrinol Metab. 2003 Jun;88(6):2384-92.). Dado que
el reflejo barométrico está regido por una ecuación no lineal e interviene de
forma indirecta con la regulación de la glucosa, la estimación del modelo
funcional ha de ser capaz de inferir una función no lineal. Esto justifica el uso de
técnicas de aprendizaje automático ya sea del tipo 'radial basis function', CART,
HOJA DE REEMPLAZO (Regla 26)
'support vector machine' o mejorados mediante un comité de aproximadores de
funciones, tal como se realiza en el caso del Adaboost o del bagging of
classifiers. Además también justifica el uso de características espectrales de la
variabilidad cardíaca y de su perfil de energía para caracterizar el estado
fisiológico que controla el nivel de glucosa, la presión arterial y de
glucocorticoides.
c-EI síndrome metabólico:
El síndrome metabólico (M.-A. Cornier, et al., The Metabolic Syndrome,
Endocr Rev 29 (7) (2008)) consiste en hipertensión, obesidad y resistencia a la
insulina. Existe igualmente una interacción de tipo feedback entre el síndrome
metabólico y estrés neuroendocrino, que se manifiesta en un aumento del nivel
de cortisol y las perturbación en las componentes espectrales de la variabilidad
cardíaca (E.J. Brunner, et al. Adrenocortical, Autonomic, and Inflammatory
Causes of the Metabolic Syndrome: Nested Case-Control Study, Circulation, Nov
2002; 106: 2659 - 2665). También se sabe que el síndrome metabólico se refleja
en la variabilidad cardíaca (D Liao, et al. Múltiple metabolic syndrome ¡s
associated with lower heart rate variability. The Atherosclerosis Risk in
Communities Study Diabetes Care, Dec 1998; 2 1: 2 116 - 2 122). Esto justifica que
además de la descripción de la forma de onda del pulso cardíaco distal y las
estadísticas acerca de la variabilidad cardíaca se usen variables que permiten
caracterizar el síndrome metabólico como son, la edad, el peso y el índice de
masa corporal.
d-Relación entre la diabetes y la variabilidad de la frecuencia cardíaca:
Se sabe que la diabetes altera la variación de la frecuencia cardíaca (M.
Ducher, et al., Noninvasive exploration of cardiac autonomic neuropathy. Four
reliable methods for diabetes?, Diabetes Care 22 (3) (1999)). También se ha
encontrado una relación entre el nivel de glucocorticoides y la alteración de la
frecuencia cardiaca en el caso de diabetes ( J. I . Davies, et al. Spironolactone
impairs endothelial function and heart rate variability in patients with Type 2
diabetes, Diabetologia.Volume 47, Number 10, 1687-1694). Puesto que existe
una relación funcional entre las alteraciones en los niveles de glucosa debido a
la diabetes y la variabilidad de la frecuencia cardíaca, la característica que
HOJA DE REEMPLAZO (Regla 26)
permitirá describir esta relación fisiológica será el espectro de potencia de la
distancia entre los pulsos y las estadísticas generales de la frecuencia cardíaca
y de su variabilidad. El espectro de potencia se representará mediante el
cepstrum.
e-Los estados emocionales:
Los estados emocionales como la ira, tristeza, la felicidad, la sorpresa, el
estrés, etc alteran los valores de la presión arterial, de la glucosa y los niveles
de glucocorticoides. Existe una relación entre los diferentes estados
emocionales y las características del espectro de potencia de la variabilidad de
la frecuencia cardíaca (R. McCraty, et al., The effects of emotions on short-term
power spectrum analysis of heart rate variability, The American Journal of
Cardiology 76 (14) (1995)). Además, las alteraciones en el estado de ánimo, en
particular el caso de depresión están relacionadas con niveles anómalos de
glucocorticoides y en cambios en la variabilidad cardiaca (Robert M. Carney, et
al. Depression, Heart Rate Variability, and Acute Myocardial Infarction,
Circulation, Oct 2001 ; 2024 - 2028). Esta característica fisiológica justifica el uso
del espectro de potencia de la distancia entre pulsos cardíacos y de un modelo
que capte las componentes frecuenciales de la distancia entre pulsos cardíacos,
y también el uso de estadísticas generales de la frecuencia cardíaca.
f-La respiración y el sistema nervioso autónomo:
Varios estudios han demostrado que la frecuencia respiratoria puede
regular la presión arterial e indirectamente el nivel de glucosa en la sangre a
través del estado del sistema nervioso autónomo (E. Grossman, et al.,
Breathing-control lowers blood pressure, J Hu Hypertens 15 (5) (2001)). En los
pacientes diabéticos los niveles de glucosa y presión sangüínea están
estrechamente relacionados (M. Schein, et al., High blood pressure reduction in
diabetics with interactive device-guided paced breathing: Final results of a
randomized controlled study, Journal of Hypertension 25 (2) (2007)). Por otra
parte se sabe que la presencia de varios tipos de glucocorticoides en la sangre
actúan como estimulantes del sistema respiratorio y en el control del reflejo
respiratorio (Tarja Saaresranta, et al. Hormones and Breathing, Chest December
2002 122:2165-2182).
El índice que se utilizará para modelar la relación entre el ritmo
HOJA DE REEMPLAZO (Regla 26)
respiratorio y el sistema nervioso autónomo será la frecuencia de la envolvente
de la energía del pulso distal. Se sabe que la frecuencia respiratoria se puede
calcular a partir de la forma de onda del pulso cardíaco distal, por ejemplo con
señal extraída mediante un pulsoxímetro (P. Leonard, et al., Standard pulse
oximeters can be used to monitor respiratory rate., Emerg Med J 20 (6) (2003)).
Esto justifica usar para la estimación las componentes de baja frecuencia de la
energía medida a corto plazo de la forma de onda del pulso cardíaco distal para
estimar la frecuencia respiratoria y sus componentes espectrales (P. Leonard, et
al., A fully automated algorithm for the determination of respiratory rate from the
photoplethysmogram, The Journal of Clinical Monitoring and Computing 20
(February 2006) 33-36(4)).
La implementación preferida para obtener el pulso cardíaco distal en esta
invención será a partir de la señal de un fotoplestimógrafo. Dado que dicho
aparato se basa en medir la absorción diferencial de luz de un tejido, se citarán
seguidamente algunos antecedentes de la estimación no invasiva de la glucosa
basada en esta medida.
A tal efecto pueden citarse los documentos: US5222496, US 5515847,
US 2007/0213607, US 2005/0107676, US 2007/0123759, US 6016435, US
2008/01 11971 , US 1995/5433197, US 2008/4014321 .
Una alternativa al uso de luz para medir la concentración de glucosa es
aprovechar los campos magnéticos, como en la solicitud de patente US
2009/7635331 basada en el principio de resonancia magnética. Sin embargo el
principio de funcionamiento es semejante a los casos anteriores, pues se basa
en estimar la glucosa a partir de medidas de diferencias de absorción.
Ninguna de las patentes anteriores utiliza para estimar el nivel de glucosa
en sangre y el nivel de presión arterial, la forma de onda del pulso cardíaco
distal obtenida a partir del diferencial de absorción de luz.
Una aproximación diferente basada en principios fisiológicos aparece en
la US 2009/0270700 A 1 que se basa en usar un sensor de absorción de luz que
detecta la concentración de HO en el aliento de la persona. Este principio
fisiológico es diferente de los que se usan para justificar la presente invención,
pues no se basa en la forma de onda del pulso cardíaco distal, sino en la
medición de la concentración de un componente químico.
HOJA DE REEMPLAZO (Regla 26)
Otro tipo de medida no invasiva se basa en medir la glucosa por difusión
a través de la piel y el sudor tal como en la solicitud de patente US
2006/0004271 A l
Otra medida basada en principios fisiológicos es la presentada en la
solicitud de patente US 2005/6949070 que se basa en la diferencia de
temperatura entre puntos diferentes de la oreja con la concentración de glucosa
en la sangre. Dado que el gradiente de temperatura en función de la variación
de concentración de glucosa es muy pequeño, 0.024 C por 1mg/dl, este sistema
proporciona resultados que se tienen que recalibrar a lo largo del tiempo y para
distintas personas.
En cuanto a antecedentes para la medida de glucocorticoides, los
métodos conocidos se basan en análisis de sangre, análisis de orina o análisis
de saliva. La presente patente se diferencia en el hecho de que no necesita
extraer fluidos corporales para estimar el nivel de glucocorticoides en sangre.
Otra manera de estimar la concentración de glucocorticoides es mediante
reactivos, como es el caso de la solicitud de patente US 2008/01 18397 A 1, que
requiere el cambio de tiras reactivas, lo que impide una estimación continuada,
y necesita de muestras de saliva en cada estimación. La patente US 6,833,274
B2, también se basa en el uso de reactivos para medir el nivel de cortisol en
saliva, lo que tiene los mismos inconvenientes que la patente anterior.
En cuanto a la estimación no invasiva del cortisol, que es un tipo de
glucocorticoide, se conoce el documento US 2002/0019055 que describe un
aparato que mide la concentración de cortisol, mediante un reactivo que se
coloca sobre la piel, y reacciona con los componentes presentes en el plasma.
Una solicitud de patente que se basa en efectos de fluorescencia, US
2006/0105397 Al tiene limitaciones parecidas a las patentes nombradas
anteriormente, pues requiere de la extracción de fluidos corporales, ya sea
saliva, orina o plasma.
La patente ES 2336997 divulga la medición de forma no invasiva de la
presión arterial y la ES 2338624 concierne a la medición de forma no invasiva
del nivel de glucosa en la sangre. Aunque dichas dos patentes apuntan a un
objetivo similar al de esta invención aportan soluciones muy diferentes. Estas
dos patentes ES2336997 y ES 2338624 explican que se realiza una medición no
HOJA DE REEMPLAZO (Regla 26)
invasiva de la presión y glucosa en sangre (pero no de los niveles de
glucocorticoides) y se diferencian de la presente invención en los puntos
siguientes:
• La alegada medición de la presión arterial y el nivel de glucosa en la
sangre se realiza de forma separada y no se aprovechan las
interacciones entre las dos magnitudes sin tener en cuenta que la
presión y la glucosa dependen de unos mismos parámetros
fisiológicos y los valores evolucionan en el tiempo de forma
dependiente. Por otra parte, el sistema de estimación que proponen
basado en "random forests" (algoritmo basado en un conjunto de
clasificadores) no permite hacer una estimación simultánea y
aprovechar las interacciones entre las dos magnitudes al estar
basados en árboles de decisión tipo CART (Leo Breiman, et al.
Classification and Regression Trees. Wadsworth 1984), y la predicción
dada por los nodos terminales de los árboles consiste en un único
escalar.
• No se realiza una detección de la actividad de la señal digitalizada
procedente de un sensor (tal como un fotoplestimógrafo), ni se
controla la duración de la señal adquirida. Esta carencia afecta al
sistema de dos formas:
■ El uso de ventanas de señal de longitud variable
aumenta el número de nodos de cada árbol de "random
forest" y por tanto baja las prestaciones en cuanto al
MSE de estimación,
■ Detectar la presencia de señal, garantiza que la
estimación se pueda realizar con señal procedente del
sensor con un mínimo de calidad (SNR). Además
detectar la presencia de señal, según propone la
presente invención mediante un detector de actividad
(presencia de señal en la vía de comunicación), es
importante pues es bien conocido que las medidas
realizadas mediante un fotoplestimógrafo, se alteran
debido a movimientos de la persona en la que se realiza
HOJA DE REEMPLAZO (Regla 26)
al medida. Al moverse la persona en la que se realiza la
medida, el sensor pierde contacto momentáneamente, lo
que hace que aparezcan picos espurios y pérdidas de
señal que alteran los parámetros estimados dan lugar a
estimaciones erróneas.
El uso de ventanas de longitud variable en las dos patentes
ES2336997 y ES 2338624 citadas hace que los estimadores del
modelo ARMA (Autoregresivos de media móvil) que incorporan las
mismas tengan una variabilidad no controlada, debido a que los
parámetros ARMA asociados con formas de onda semejantes
medidos en escalas de tiempo diferentes no serán los mismos, lo que
hace que la complejidad de los árboles de decisión asociados con el
sistema basado en 'random forests' sea mayor, debido a que cada
árbol necesitará un mayor número de nodos para poder modelizar un
determinado tipo de formas de onda.
En el sistema de medición de las patentes ES2336997 y ES 2338624
citadas la señal medida se modela mediante un sistema estocástico
ARMA. Se sabe que el uso de estos parámetros como entrada de un
clasificador es errónea, pues la métrica adecuada se basa en el error
de predicción no en los parámetros. La explicación detallada de
porqué el uso directo de los parámetros ARMA y en particular la
implementación AR que es la preferida en las dos patentes
ES2336997 y ES 2338624, para clasificar es erróneo está explicado
en detalle en (Gray, A., et al. "Distance measures for speech
processing," IEEE Trans. on Acoustics, Speech and Signal
Processing, Oct 1976) y en (Itakura, F., "Mínimum prediction residual
principie applied to speech recognition," IEEE Trans. on Acoustics,
Speech and Signal Processing, Feb 1975).
En las reivindicaciones de las patentes ES2336997 y ES 2338624
citadas se menciona sin justificar el uso de información sobre la
coherencia cardíaca pero en la descripción no aparecen referencias
explícitas acerca del cálculo de estadísticas de variación de la
HOJA DE REEMPLAZO (Regla 26)
distancia entre pulsos cardíacos, ni estimaciones del ritmo respiratorio
de la persona.
• En las patentes ES2336997 y ES 2338624 se calcula la energía de
Teager (J. F. Kaiser, Some useful properties of teager's energy
operators, Proc. ICASSP93, 1993) para modelar el estado fisiológico
de la persona mediante los parámetros AR sin especificar qué aspecto
fisiológico querían captar.
• En la figura 4 de las dos patentes ES2336997 y ES 2338624 se
menciona el cálculo de cruce por cero como entrada del vector de
características. Sin embargo no se justifica ni su uso, ni la forma de
calcularlo. Es importante resaltar que en las dos patentes
mencionadas se utilizan los cruces por cero como entrada del 'random
forest' que estima el nivel de presión arterial en una patente y el nivel
de glucosa en la otra.
• En ninguna de las dos patentes ES2336997 y ES 2338624 se utiliza
información sobre la estructura interna de la ventana de observación
de la señal. Esta información que en la presente invención se obtiene
de la secuencia de tramas, es muy importante para modelar
correctamente la variabilidad espectral y de energía, y poder
caracterizar el estado fisiológico de la persona mediante la evolución
temporal de las magnitudes de interés a lo largo de un tiempo fijo, que
en la implementación preferente será de un minuto
La presente invención se diferencia de las dos citadas patentes
ES2336997 y ES 2338624 por el hecho de que en un proceso o método de
estimación se utiliza para modelar la señal fotoplestimográfica información del
'cepstrum', que es un conjunto de parámetros en los que la métrica euclídea
está bien definida y es equivalente al cálculo del error cuadrático de la integral
de la diferencia de logaritmos de módulos de transformadas de Fourier de las
señales. La razón por la que esta propiedad es importante es que en los
sistemas de "machine learning" que se tomarán en consideración en la presente
invención las medidas de semejanza se basan ya sea en distancia euclídea en
el caso de las "radial basis functions", productos escalares en el caso de redes
neuronales tipo "percetrón" multicapa, o comparación de valores en el caso de
HOJA DE REEMPLAZO (Regla 26)
árboles de decisión. El uso de los parámetros cepstrales es más adecuado que
el de los ARMA, pues
a- En el caso de las "radial basis functions" las neuronas de la capa
oculta almacenan ya sea ejemplos o promedios de señales
vistas en el entrenamiento. Así en cada neurona se calcula la
distancia euclídea de la entrada con el ejemplo o promedio
almacenado en la neurona, y
b- En el caso de los "multilayer perceptron", los pesos son
proporcionales a los valores de entrada que se han visto
durante el entrenamiento (ver Tom M . Mitchell, Machine
Learning, McGraw-Hill, 1997), y la semejanzas se miden
mediante un producto escalar entre la entrada y los pesos.
Los coeficientes ARMA son una generalización de los coeficientes AR y
calcular distancias sobre diferencias de coeficientes carece de sentido en cuanto
a comparación de espectros.
En la presente invención se utiliza una estimación del perfil de energía
de la señal para estimar la frecuencia respiratoria. En las dos patentes utilizan
un modelo AR de la energía de Teager. Sin embargo la energía de Teager es
insensible a componentes de baja frecuencia como es el caso de la frecuencia
respiratoria, y además la manera correcta de modelar la componente de baja
frecuencia del perfil de energía no es mediante comparación de los parámetros
AR, sino mediante el error residual de predicción obtenido de filtrar la señal de
entrada con un filtro blanqueador basado en éstos parámetros.
En la presente invención se calcula el perfil de energía de la señal,
mediante un estimador basado en promedios del cuadrado de la señal (es decir
realizando un filtrado paso bajo de la energía), que proporciona el perfil de la
componente respiratoria del individuo. Este aspecto de estimar la componente
respiratoria no se considera en las dos patentes ES2336997 y ES 2338624
citadas.
En la presente invención, los cruces por cero se usan en el módulo de
detección de presencia de señales, pues los cruces por cero en caso de que
haya presencia de señal del pulso cardíaco distal con poco ruido tendrán un
margen de valores muy limitado, mientras que en el caso de ruido o ausencia de
HOJA DE REEMPLAZO (Regla 26)
señal, tendrán valores elevados. En la presente invención ésta información no
se usa como entrada del sistema basado en 'machine learning'.
Exposición de la invención
La invención propone un método para la estimación simultánea y no
invasiva de la glucosa en la sangre, nivel de glucocorticoides y presión arterial,
basado en la forma de onda del pulso cardíaco distal de una persona, adquirida
a partir de un sensor (1), en particular un sensor de tipo fotoplestimógrafo que
proporciona una señal digitalizada, caracterizado por comprender las siguientes
etapas:
• detección de actividad de dicha señal digitalizada por selección de un
segmento de unas muestras consecutivas de dicha señal digitalizada,
de duración fija, denominadoventana
( generación a partir de
dicho segmento de una secuencia de subventanas o tramas
denominadas s (t ) de duración menor que la detrama »
sventana
(ten donde el índice t indica el número de la muestra dentro de una trama
y n es el número de la trama, permitiendo eliminar los segmentos de la
señal no útiles comprendiendo el transitorio inicial, falsos clics, pérdidas
de señal, ruido y saturaciones;
· tratamiento de las dos señales sventana
(Vt y
trama(Vt
') q̂
ue
contienen la forma de onda del pulso distal en un segmento de duración
fija, y generación a partir de las mismas de un vector X F que contiene
los parámetros de un modelo fisiológico; y
• alimentación de dicho vector X F y de una información acerca de las
características de la persona a un módulo (5) basado en aprendizaje
automático y que proporciona en su salida la estimación del nivel de
glucosa en la sangre (NGS), del nivel de presión sistólica (NPS), del
nivel de presión diastólica (NPD) y del nivel de glucocorticoides.
Para implementar el citado método la invención propone un sistema que
comprende los siguientes tres módulos que se muestran en la figura .
HOJA DE REEMPLAZO (Regla 26)
La forma de onda del pulso distal se obtiene mediante un sensor (1). La
señal digitalizada será una secuencia que se denomina SpulsoD¡stal . Esta
señal es la entrada al módulo (2) de detección de actividad de señal (DA), es
decir presencia de señal en la vía de comunicación. El módulo de DA selecciona
un segmento de SPulsoDistal de duración (t) fija. Este segmento de señal se
obtiene mediante: a) un clasificador local de la presencia y/o ausencia de señal
y que además detecta pérdidas de señal que se pueden producir por
movimientos de la persona, y b) un autómata de estados finitos que filtrará
falsos positivos y falsos negativos. El objetivo de éste módulo (2) es garantizar la
presencia de señal con calidad suficiente para realizar la estimación y al mismo
tiempo que sea de duración fija, es decir normalizada (para disminuir la
variabilidad en la estimación del modelo de predicción). En la implementación
preferente en la presente invención, la señal se obtendrá de un sensor de tipo
fotoplestimógrafo y la duración del segmento será de un minuto de señal limpia.
A este segmento se le denominaráventana
( · D e Ventana (0 s e 9enera una
secuencia de subventanas, denominadas trama t , Yl) de duración menor que
la de 5ventana ( ) Para evitar confusiones a las subventanas se las designará
como tramas. En (t. el índice t indica el número de la muestra dentrotrama v
de una trama y n es el número de la trama. En la implementación preferente se
segmentará ventana (í) n tramas de 5 segundos con un solapamiento del
50%. En esta implementación preferente el número de tramas en una ventana
es J trama = 24 .
Las dos señales s (t, í y S ( ) son la entrada al módulo (4)trama V » 1 ventana J '
de tratamiento de la señal (TS). Este módulo (4) calcula los parámetros que
describen el estado fisiológico al que se hizo referencia en la sección de
antecedentes. La salida del módulo (4) de (TS) junto con información acerca de
las características de la persona (3), incluyendo al menos sexo, edad e índice de
masa corporal, sirven para generar un vector X F que contiene los parámetros
HOJA DE REEMPLAZO (Regla 26)
que describen el estado fisiológico, junto con las características de la persona
(3).
El vector X F es la entrada al módulo (5) que es un sistema basado en
'aprendizaje automático' (Machine Learning) cuya salida es la estimación del
nivel de glucosa en la sangre (NGS), el nivel de presión sistólica (NPS), el nivel
de presión diastólica (NPD) y el nivel de glucocorticoides (NGC). En la
implementación preferida el tipo de glucocorticoide será cortisol.
El sistema basado en "aprendizaje automático" ha de ser capaz de tratar
entradas heterogéneas, y aproximar una función no lineal que relaciona el vector
X F con las variables de interés (NGS, NPS, NPD, NGC) a partir de ejemplos.
Otro requisito es que debe ser capaz de aprovechar la información común y las
interacciones entre las tres variables para realizar la estimación de las mismas.
Para ello se usará un sistema que combina las salidas de varios métodos de
regresión siguiendo las ideas ya sea de:
a- 'Adaboost' (Freund Y., et al., A decision-theoretic generalization of on-
line learning and an application to boosting. Journal of Computer and System
Sciences, 55(1), 1997)
b- 'Bagging Predictors' (Breiman L , Bagging Predictors. Machine
Learning, 1996).
El Adaboost es un algoritmo para entrenar comités de regresores. Los
regresores pueden ser de varios tipos, ya sea arboles de decisión, redes
neuronales multicapa, 'radial basis functions' o 'Support Vector Machines'. La
implementación preferida será una variante de 'Adaboost' compuesta por
regresores básicos del tipo 'radial basis functions'. La estructura de este bloque
de 'aprendizaje automático' será por tanto un comité de regresores basados en
'radial basis functions', y cada elemento del comité es entrenado mediante el
algoritmo Adaboost. Este algoritmo realiza el entrenamiento de una serie de
regresores de forma secuencial con el criterio de que cada estimador adicional
utiliza una versión de la base de entrenamiento sesgada hacia los elementos de
la base con los que los clasificadores anteriores tenían peores prestaciones.
Una característica de las 'radial basis functions' es que pueden aprovechar para
HOJA DE REEMPLAZO (Regla 26)
mejorar la estimación el hecho de que las magnitudes que se han de estimar
estén correlacionadas. Tal como se explicó en el apartado de la fisiología,
existe una interacción entre los niveles de glucosa en la sangre, el nivel de
presión diastólica y sistólica y el nivel de glucocorticoides en sangre que se
refleja en las componentes que conforman el vector X F . Se sabe que las redes
neuronales, por ejemplo del tipo 'radial basis functions', mejoran las prestaciones
si se entrenan para calcular simultáneamente funciones diferentes entre las que
existe una relación de tipo funcional tal como se explica en (Machines That
Learn from Hints. Y. S. Abu-Mostafa. Scientific American, 272(4):64-69, Apr.
1995) y en (Reed, R. D. Neural Smithing: Supervised Learning in Feedforward
Artificial Neural Networks (Bradford Book); MIT Press: 1999, pag. 275)
La invención se describirá seguidamente con un mayor detalle con la
ayuda de los dibujos adjuntos que tienen carácter ilustrativo y no limitativo.
Breve explicación de los dibujos.
La figura 1a de la muestra el diagrama de bloques general del sistema de esta
invención que implementa el método para medición simultánea y no invasiva de
glucosa y nivel de glucocorticoides en sangre, y presión arterial.
La figura 1b muestra con un mayor detalle la conexión, entradas y salidas de los
módulos de adquisición de la señal y detección de actividad (presencia) de la
señal del sistema de esta invención.
La figura 2 muestra un segmento de duración 5 segundos de señal
S PulsoDistal ( ) a d u da P r e l sensor de fi 9ura
La figura 3 muestra el diagrama de bloques del módulo de detección de
actividad DA.
La figura 4 es un diagrama del autómata de estados finitos usado en el módulo
DA.
La figura 5 ilustra las reglas de transición entre estados del autómata de estados
finitos usado en el módulo DA.
HOJA DE REEMPLAZO (Regla 26)
La figura 6 es un diagrama que muestra la obtención de las secuencias
utilizadas para calcular los parámetros agregados.
La figura 7 es un diagrama de la obtención de los parámetros globales.
Explicación detallada de la invención.
La invención consiste en un sistema y un método para realizar una
estimación del nivel de glucosa en la sangre (NGS), el nivel de presión sistólica
(NPS), el nivel de presión diastólica (NPD) y el nivel de glucocorticoides (NGC).
En la figura 1 se muestra el diagrama de bloques del sistema propuesto. La
señal PulsoDistal t que se utiliza para estimar los parámetros del modelo
fisiológico se capta con un sensor (1), que en la implementación preferente será
del tipo plestimográfico, que puede ser óptico, acústico o mecánico. La
implementación preferida de la invención se realizará mediante un sistema de
pulsioximetría (Sp02). Este tipo de sensor entrega una señal proporcional a la
diferencia de absorción de la hemoglobina reducida respecto a la oxi-
hemoglobina. Esta diferencia en la absorción genera una forma de onda
proporcional al pulso distal. En la figura 2 se presenta un ejemplo de un
segmento de señal de duración 5 segundos. Esta señal digitalizada es la
entrada al módulo de tratamiento de señal (4) que junto con información sobre
las características de la persona (3) se utilizan como entrada de un módulo (5)
con un sistema basado en 'aprendizaje automático', cuya salida es la estimación
del valor de las tres variables A/GS,NPS,NPD y NGC. Los sistemas (2, 4,5) son
implementados mediante una CPU formada por micro controladores, DSP,
FPGA o como software ejecutado en un ordenador de uso general o teléfono
móvil/pda o audífono.
Se realizará a continuación una explicación en detalle de cada uno de los
módulos referidos.
Módulo de detección de actividad de señal (2)
El objetivo del módulo de DA es eliminar los segmentos de la señal que
no son útiles como: el transitorio inicial, falsos clics, pérdidas de señal, ruido,
saturaciones, etc. El resultado es un segmento de muestras consecutivas de
HOJA DE REEMPLAZO (Regla 26)
señal de calidad suficiente y duración normalizada, para realizar la estimación.
La salida de este módulo consistirá en las señales: s (t) . yventana V
contendrán la forma de
onda del pulso distal en un segmento de duración fija y su evolución por
segmentos. El módulo (2) de DA utiliza algunos parámetros en común con el
módulo de tratamiento de señal (4). Los parámetros que se utilizan para
determinar si la señal medida PulsoDista¡ t es útil (es decir corresponde a
un pulso cardíaco distal) también se utilizan en el módulo de tratamiento de
señal (4).
El módulo de DA (2) se compone (ver figura 3) de las siguientes partes:
• Un submódulo (10) que calcula un vector de características X f ( )
asociado a cada trama str.ama(Vt
'ri .
• Una función de decisión basada en un clasificador ( 1 1) que para cada
trama decide una de las dos clases: "señal" o "ausencia de señal".
· Un bloque (12) que determina el segmento de señal útil. Este bloque
consta de un autómata de estados finitos (FSA) (figura 4) y un submódulo
que determina cuando e l FSA ha detectado un número de tramas
consecutivas correspondiente a la duración deseada del segmento de
señal útil. La salida de este bloque son las señales a , y
^tra a ( »¾ ^trama ( ¾ , · · · , (t, trama) .
El módulo DA (2) toma como entrada la señal p uisoDistal (0 y crea de
forma continua un conjunto de tramas ^trama (t,n) de duración menor que la
de ventana y que en la implementación preferente será de 5 segundos con
un solapamiento entre ^trama de 2.5 segundos. El
índice r indica el número de la muestra dentro de una trama y n es el número de
la trama.
HOJA DE REEMPLAZO (Regla 26)
A continuación se describen las operaciones que se realizan para calcular
el vector (figura 3) Χ Α (η)
Cálculo de la energía (submódulo 7)
La energía de cada trama permitirá detectar si el nivel de señal se
corresponde al de señal útil. La salida de este submódulo (7) consistirá en tres
parámetros:
• trama (») que se corresponde a la energía promedio de la trama y se
calcula según la fórmula:
=
( I )
siendo trama el número total de muestras de la trama.
^trama («) que se corresponde a la desviación típica del cuadrado de
cada muestra y se calcula según la fórmula:
-I L 2
ama = Σ ( *trama , n - Ε («)) (||)trama =
trama que se corresponde al sesgo del cuadrado de cada
muestra y se calcula según la fórmula:
∑ ( ^trama ) 2 - « ) )ske _ ¿''trama t=\
^trama V 1) , \ 3/2 | | |
Cálculo de la entropía espectral (submódulo 8).
HOJA DE REEMPLAZO (Regla 26)
La entropía espectral ^trama . s una función que se calcula para
cada trama y que toma un valor elevado para señales con espectros de
frecuencia planos y sin picos espectrales, como los que caracterizan las zonas
de baja energía con transitorios y/o clics. Por otra parte, para tonos y señales
armónicas este escalar toma valores bajos. Por tanto se trata de un indicador
adecuado de la presencia de señal útil pues el pulso cardíaco distal se
caracteriza por tener componentes armónicas importantes. Las propiedades de
este indicador están explicadas con detalle en P. Renevey, A . Drygajlo, Entropy
based voice activity detection in very noisy conditions, in: EUROSPEECH-2001 y
en J.-L. Shen, et al., Robust entropy-based endpoint detection for speech
recognition in noisy environments, in: Proc. ICSLP98.
La entropía espectral se calcula de la forma siguiente:
En primer lugar se calcula la transformada rápida de Fourier (FFT) de la trama:
X = FFT(s (t, ),LFFT ) (iv)
siendo LFFT
la longitud de la transformada rápida de Fourier.
Seguidamente se normaliza el espectro de energía de la trama.
siendo el índice , la componente k-ésima de la transformada de rápida de
Fourier de la trama.
Cruces por cero (submódulo 9)
HOJA DE REEMPLAZO (Regla 26)
El uso de este parámetro se justifica porque, en ausencia de señal útil, la
señal cruzará por cero un número elevado de veces por segundo, mientras que
en presencia de un pulso cardíaco, el número de cruces por cero se
corresponderá al ritmo cardíaco y será del orden de un cruce por cero por
segundo. La implementación preferida del cálculo de los cruces por cero
Zt
(fí )rama
se realizará restando el valor medio detrama
( t ,'
) para eliminar
la componente continua y seguidamente se contará el número de veces que la
señal cruza el umbral de cero.
Generación del vector (submódulo 10)
Para cada trama se agruparán los parámetros calculados en los
submódulos (7), (8) y (9) en un vector que será la entrada de un clasificador ( 1)
que decidirá si la trama n-ésima se corresponde a una trama útil o no:
D ( = [ama ama
( )ama
( ) (IV)
Clasificador (submódulo 11)
Este submódulo ( 1 1) consta de un clasificador cuya salida para cada
trama es un índice que indica si la trama pertenecía a una de dos clases: 'señal
útil' o 'ausencia de señal'. Este clasificador se entrena con una base de datos
etiquetada previamente con la clase a la que pertenece cada trama. El tipo de
clasificador a utilizar puede ser del tipo k-nearest neighbour, discriminantes
lineales, discriminantes cuadráticos, árboles de decisión o support vector
machines'. La implementación preferida será un clasificador de tipo
discriminante de Fisher. Los detalles de implementación y entrenamiento de este
tipo de clasificador están descritos en T. Hastie, et al., The Elements of
Statistical Learning, Springer, 2001 .
Determinación del segmento útil (submódulo 12)
Este submódulo (12) tendrá como entrada la secuencia de clases a la que
pertenece cada trama. Esta secuencia es la entrada a un autómata de estados
HOJA DE REEMPLAZO (Regla 26)
finitos (figura 4) cuya función es la de determinar segmentos de tramas
consecutivas de señal útil. Este autómata consta de los estados siguientes:
• s 1- ausencia de señal útil'
• s2= 'señal útil'
· s3- zona ambigua'
Cada estado del autómata constará de contadores definidos como sigue:
• número de tramas consecutivas en el estado i-ésimo clasificadas
como 'señal útil'.
• AS ' número de tramas consecutivas en el estado i-ésimo clasificadas
como 'ausencia de señal'.
En la figura 5 se presentan las reglas que determinan las transiciones de un
estado al siguiente del autómata de estados finitos.
Los umbrales con los que se comparan los contadores s C AS para
decidir las transiciones se determinan a partir de ejemplos. El criterio para
determinar los umbrales es el de la minimización del número de vectores
ventana (0 con zonas de señal no útil en una base de entrenamiento. La
implementación preferida en esta invención usará los umbrales presentados en
la figura 5 .
Se considera señal útil a las tramas consecutivas que se encuentran en
los estados s2 y s3. La salida del módulo de DA consiste en las señales,
ventana(
y trama ( ) trama ¾ »' ' ' » trama ( trama ) Las Señales
de salida se entregan cuando el número de tramas consecutivas en los estados
s2/s3 es tal que la duración total acumulada es iguala a la prefijada para calcular
los parámetros del modelo fisiológico. En caso de que durante el cálculo se
produzca una pérdida de señal, o aparezcan picos de señal espúreos, el
contador empieza de nuevo para que la información que se entrega consista
únicamente en señal útil. La implementación preferida de la presente invención
HOJA DE REEMPLAZO (Regla 26)
utiliza unas duraciones de 1 minuto para el segmento que abarca ventana ( ·
Las tramas serán en la implementación preferente de duración 5 segundos. Por
lo que la duración abarcada por el conjunto de tramas
^trama ^trama ^trama ra ) Será también de 1 minuto, y COn
un solape entre tramas del 50%. El número total de tramas será de Ntrama=24.
El número de de tramas viene determinado por el hecho de que las tramas son
subsegmentos de la señal ^ventana ( 0 .
Módulo de tratamiento de señal (4)
La función del módulo de tratamiento de señal genera el vector X F que
contiene los parámetros que caracterizan el estado fisiológico de la persona. Los
parámetros que constituyen el vector X F serán de dos tipos,
• Parámetros globales calculados a partir de ν ηί ΐ t )
• Parámetros agregados de las características calculadas en la secuencia
^trama ^trama " ' * »^trama » trama ) · Estas Últimas Servirán
para modelar la evolución (dinámica) a corto plazo de algunos parámetros
fisiológicos y el ritmo respiratorio.
Se detalla seguidamente una justificación de la implementación preferida
aplicada en la presente invención del análisis espectral.
Tal como se refirió en la sección de antecedentes, los aspectos
fisiológicos que controlan el nivel de glucosa en la sangre, el nivel de
glucocorticoides y los niveles de presión arterial se manifiestan en la información
del espectro de frecuencias de la señal cardíaca. Debido a esto, una parte de
los parámetros del modelo del estado fisiológico consistirán en información de
tipo espectral. Existen diversas técnicas que permiten realizar el análisis
espectral de una secuencia. En particular en la bibliografía mencionada en los
antecedentes se utilizan modelos no paramétricos del tipo periodograma.
Aunque el uso del periodograma para representar la información fisiológica es
HOJA DE REEMPLAZO (Regla 26)
factible, y de hecho se utiliza aquí para calcular la entropía espectral, la
información contenida en el análisis espectral también será obtenida mediante el
análisis cepstral. Las razones que justifican esta elección son:
a) El análisis cepstral permite obtener información sobre la excitación
de un sistema y su respuesta espectral. Las diferencias entre
sistemas y excitaciones se pueden calcular mediante la distancia
euclídea entre coeficientes cepstrales. La distancia euclídea entre
coeficientes cepstrales es equivalente a calcular la integral del
módulo al cuadrado de la diferencia logaritmos de transformadas
de Fourier. Por otra parte, la comparación entre sistemas cuando
estos se caracterizan mediante los coeficientes AR o ARMA, no se
puede realizar mediante la distancia euclídea entre coeficientes
pues no equivale a la diferencia del módulo al cuadrado de
transformadas de Fourier. Es por esta razón que se decidió
caracterizar la información de contenido espectral de forma
indirecta mediante los coeficientes cepstrales. Subyacente a esta
argumentación, está el hecho que los sistemas de "machine
learning" funcionan comparando las entradas con centroides
mediante distancias euclídeas, o en el caso de "multilayer
perceptron", mediante un producto escalar. Se sabe que una
distancia euclídea entre vectores, se puede descomponer como la
suma de la norma al cuadrado de cada uno de los elementos
menos el producto escalar. Es por ello que la representación de la
información en forma de parámetros cepstrales es adecuada.
b) Los coeficientes cepstrales en el caso de que la respuesta
impulsional del sistema que genera la señal tenga una duración
inferior al período de una excitación periódica, permiten
caracterizar la frecuencia de la excitación. Esto justifica su uso
para caracterizar al mismo tiempo, la variabilidad cardíaca y el
estado de la vascularización distal.
La implementación preferida en esta invención será la utilización del
vector de coeficientes cepstrales, dado que tiene la misma información que el
HOJA DE REEMPLAZO (Regla 26)
espectro de potencia y el número de parámetros es más bajo, lo que permite
que el sistema de aprendizaje automático tenga mejores prestaciones. La forma
preferida para realizar el cálculo de los coeficientes cepstrales de cada
secuencia se realizará mediante el algoritmo recursivo descrito en Nonlinear
filtering of multiplied and convolved signáis, Oppenheim, et al. Proceedings of
the IEEE, 1968.
Parámetros globales
Los parámetros globales referidos se calculan conforme a la propuesta de
esta invención a partir de e ta a ( ) y proporcionan información acerca del
espectro de frecuencias de tres variables del pulso cardíaco distal (figura 6). En
esta invención la implementación preferente para estimar el espectro de
frecuencias será un modelo paramétrico basado en coeficientes cepstrales.
Para modelar la hemodinámica de la persona y el estado de la
vascularidad distal, se calcularán los coeficientes cepstrales de ventana ( )
(15) mediante el algoritmo recursivo de Oppenheim. El resultado es un vector de
coeficientes que se denominarán CEPSSeñal El orden preferido en esta
implementación es de 7 coeficientes.
Para modelar la variabilidad cardíaca (14) a partir de la secuencia
^ventana (0 se crea una secuencia nueva que consistirá en el período
instantáneo entendido como la distancia (número de muestras) entre cada pico
de pulso cardíaco distal. A esta secuencia se la denominará ¾ (í) cuya
duración coincidirá con el número de latidos en s t . Tal como seventana
muestra en la figura 2 , sería la distancia en tiempo entre máximos. La forma
preferida para obtener la secuencia ¾ stPicos t consiste en restarle a
s ( su valor medio y sobre la secuencia resultante calcular la distanciaventana
entre cruces por cero alternos. Los coeficientes cepstrales se asignarán al vector
HOJA DE REEMPLAZO (Regla 26)
CEPSR
El orden preferido en esta implementación ha sido de 6
coeficientes, obtenidos mediante el algoritmo recursivo de Oppenheim.
Para modelar la frecuencia de la respiración se calculará el perfil de la
energía de S a t (16). Existen varios métodos para calcular esta
información, ya sea por ejemplo vía wavelets (P. Leonard, et al., A fully
automated algorithm for the determination of respiratory rate from the
photoplethysmogram, The Journal of Clinical Monitoring and Computing 20
(February 2006)) o mediante el cálculo a partir de filtrar paso bajo la forma de
onda elevada al cuadrado. El método preferido en esta implementación será
ésta última, debido a que la señal entregada por el DA esta poco contaminada
por ruido, no tiene fluctuaciones producidas por artefactos de la medida y a que
las necesidades de cálculo son menores. El método preferido será restar el valor
medio a sventana
(Vt y elevar al cuadrado cada una de sus muestras,
seguidamente se filtra la secuencia resultante mediante un filtro paso bajo. En la
implementación preferida éste filtro será de Chebychev de tipo I I de orden 8 y
frecuencia de corte 1/20. De la secuencia resultante del proceso anterior se
calculan los parámetros cepstrales y se asignan al vector CEPSEnergia El
orden preferido en esta implementación ha sido de 6 coeficientes, obtenidos
mediante el algoritmo recursivo de Oppenheim.
Parámetros agregados
Los parámetros agregados se calculan a partir de la secuencia de tramas
consecutivas sm t ,1), ( , 2), · ·- M t Ntrama
) y proporcionan
información acerca de la evolución del estado fisiológico de la persona a lo largo
de la ventana de medida (figura 7). El cálculo de los parámetros agregados
utiliza información que se ha usado en el módulo de DA. Esto se justifica porque
son parámetros que además de caracterizar el estado fisiológico de la persona
permiten determinar si una trama determinada tiene señal útil.
El primer conjunto de parámetros agregados está relacionado con la
energía de trama. Para cada trama se calculan los parámetros
HOJA DE REEMPLAZO (Regla 26)
< > <"> <"'>
parámetros resumen las características estadísticas de la energía en cada
trama. A partir de estas secuencias se calculan los parámetros agregados
siguientes.
trama n—\
. LogE" = ¿¾ ( , ( ))(VI)
r m
~ ^trama 1) V | |)trama n=\
• CEPS _ E = CEPS (E l ) E L^), Orden) (VIII)
siendo LogE^ , LogE , E escalares, mientras que " s n
vector de longitud Orden, calculado sobre la secuencia de valores medios de la
energía en cada trama. En la implementación preferida el valor de Orden será
de 6 .
La entropía espectral H tsrama r ) se calculará según las formulas (IV),
(V) y (VI). Este parámetro proporciona una indicación de la pureza espectral de
la señal. Se tomará como valor agregado el promedio y los coeficientes
cepstrales calculados a partir de la secuencia de entropía espectral de las
tramas.
^trama
CEPS _ H = C >S H M' ' ,H L ,O de )
En la implementación preferida el valor de Orden será de 6 .
HOJA DE REEMPLAZO (Regla 26)
En cuanto a la frecuencia cardíaca se calcularán a nivel de trama los
valores intermedios HR r̂ama n), R rama (n), R a que son tres
secuencias que modelan las estadísticas del período instantáneo del pulso
cardíaco distal. Estos valores se calculan para todas las tramas del segmento de
análisis, es decir para, n=1 ,..., - .El cálculo se realiza creando a partir de
la señal S t ) una secuencia intermedia stpicos (t, J ) que consistirá
en las distancias entre picos de pulso cardíaco distal. Se calcularán en primer
lugar las tres secuencias siguientes;
A
DistPicos(t,n) (X|)
-^DistPicos '=1
siendo picos el número de muestras de ¾ stpicos (t, rí) .
'
-j Σ ( st os ) - amar n s ew _ '-'trama t=l
• trama n ) ~
( ¾ <»)
A partir de estas secuencias se calculan los parámetros agregados
siguientes.
. H R HR* m'-'trama n=\
(VI)
'-'trama n=l(VII)
CEPS _HR« = S(HR mfl (l),- - ¾ ( ,O^«) (V|||)
En la implementación preferida el valor de Orden será de 6 .
HOJA DE REEMPLAZO (Regla 26)
Estos parámetros caracterizarán el contenido espectral de la frecuencia
cardíaca.
Generación del vector X f
El vector X (ver figura 1a) es la salida del módulo de tratamiento de
señal (4) y contiene el conjunto de parámetros que modelan el estado fisiológico
de la persona, junto con características físicas de la persona, como sexo, edad,
índice de masa corporal, etc. Este vector será la entrada del módulo (5) que
estima las cuatro variables de salida del sistema mediante un sistema basado en
'aprendizaje automático'.
CEPSS al
, CEPSHR
, CEPSEnergia
, LogE , LogE", E ,
Ώ = CEPS _ Ε µ , Η CEPS _ H , HR ,HR ,HR skew ,CEPS _ HR , (IV)
Edad, Sexo, Indice de masa corporal
Robustez respecto al cambio de Sensor.
Un aspecto importante del sistema de la presente invención consiste en
hacer que la estimación sea independiente del sensor, de tal manera que al
sustituir un sensor por otro la estimación no cambie. Al sustituir un sensor por
otro, incluso siendo del mismo modelo, en general se producirán diferencias en
la respuesta frecuencial de los sensores que pueden alterar las medidas y por
consiguiente dar lugar a estimaciones erróneas. Para ello, se realizará un
proceso de substracción cepstral a las variables representadas por coeficientes
cepstrales. La substracción cepstral es una técnica habitual para compensar los
efectos producidos por el cambio de micrófonos en sistemas de reconocimiento
del habla (L. R. Rabiner, B.-H. Juang, Fundamentáis of Speech Recognition,
Prentice Hall, 1993).
Módulo de 'aprendizaje automático' (5)
El módulo de 'aprendizaje automático' tiene como entrada el vector X y
entrega a la salida las tres variables de interés. Se trata de un módulo que
implementa una regresión entre la entrada X y las variables NGS, NPS, NPD,
HOJA DE REEMPLAZO (Regla 26)
NGC. El algoritmo que se utilice tiene que ser capaz de aproximar una función
no lineal, proporcionar maneras de controlar el efecto de sobre generalización, y
ser capaz de aprender la función a pesar de que los datos contengan valores
ruidosos y/o inexactos. Además otro requerimiento de este módulo es que la
función obtenida no dependa de la persona y no necesite recalibración a lo largo
del tiempo.
Para ello se propone utilizar un sistema que promedie las salidas de
varios métodos de regresión siguiendo las ideas ya sea del tipo 'Adaboost'
(Freund Y., et al., A decision-theoretic generalization of on-line learning and an
application to boosting. Journal of Computer and System Sciences, 55(1), 1997),
'Bagging of Classifiers' (Breiman L. (1996): Bagging Predictors. Machine
Learning, 24(3)), o 'random forest' (L. Breiman, Random forests, Machine
Learning 45 (1) (2001)).
La implementación preferida del sistema basado en aprendizaje
automático será la de un 'comité de predictores', entrenado mediante el
algoritmo de 'Adaboost' . El predictor básico del sistema tipo 'comité de
predictores' será de forma preferente una red neuronal tipo 'radial basis
function', que aprovecha las interacciones entre los valores de presión, nivel de
glucocorticoides y el nivel de glucosa para mejorar las estimaciones. Dado que
cada neurona de la capa oculta calcula una distancia euclídea de la entrada con
una referencia obtenida durante el entrenamiento, el uso de la parametrización
tipo cepstrum es la más adecuada para éste tipo de estimador. Como alternativa
se podrán usar como predictores sistemas de 'machine learning' del tipo
'Support Vector Machine', CART o "perceptrón" multicapa. La parametrización
tipo cepstrum también es la adecuada, pues estos sistemas se basan ya sea en
el uso de distancias o de productos escalares. La forma del pulso cardíaco distal
se medirá de forma preferente mediante un pletismógrafo.
La implementación de la invención puede incorporar una pantalla para la
visualización de datos, una conexión/teclado para introducir las características
de la persona y ordenes de control del aparato utilizado. Dispone de al menos
una sonda acústica, mecánica y/o óptica que proporciona la señal del pulso
distal y los bloques (2,3,4,5) se implementa en un sistema procesador ya sea
HOJA DE REEMPLAZO (Regla 26)
una CPU, micro controlador, DSP, FPGA, ordenador convencional, teléfono
móvil o PDA o audífono.
La invención prevé también la disposición de pulsadores o botoneras de
control de acuerdo con el estado de la técnica, para activar y controlar el aparato
empleado, así como baterías y/o acceso a una fuente de alimentación exterior.
La invención prevé igualmente la utilización de medios para transmitir la
información, ya sea del sensor o de la estimación realizada por el aparato
empleado a otros sistemas, ya sean ordenadores y/o aparatos de diagnóstico
médico ya sea por puerto serie, USB, conexión inalámbrica o de red local.
Se sobreentiende que quedan comprendidas dentro de la invención
cuantas alteraciones de detalle o forma estén comprendidas en la esencia de la
invención que se especifica en las siguientes reivindicaciones.
HOJA DE REEMPLAZO (Regla 26)
REIVINDICACIONES
1.- Sistema para la estimación simultánea y no invasiva de la glucosa en
la sangre, nivel de glucocorticoides y presión arterial, basado en la forma de
onda del pulso cardíaco distal de una persona, adquirida a partir de un sensor
(1) que proporciona una señal digitalizada, caracterizado por comprender:
• un módulo (2) de detección de actividad de dicha señal digitalizada que
selecciona un segmento de muestras consecutivas de dicha señal
digitalizada, de duración fija, denominado S t y a partir del
mismo genera una secuencia de subventanas o tramas denominadas
S ra (t, de duración menor que la de ve ta a t ) , en donde el
índice t indica el número de la muestra dentro de una trama y n es el
número de la trama;
• un módulo (4) de tratamiento de señal que recibe las dos señales
^ventana (0 ^trama w) e contienen ,a forma de onda del pulso
distal en un segmento de duración fija, y que proporciona a su salida un
vector XF que contiene los parámetros de un modelo fisiológico; y
• un módulo (5) basado en aprendizaje automático al que se alimenta el
citado vector XF y una información acerca de las características de la
persona y que proporciona en su salida la estimación del nivel de
glucosa en la sangre (NGS), del nivel de presión sistólica (NPS), del
nivel de presión diastólica(NPD) y del nivel de glucocorticoides (NGC).
2 .- Sistema, según la reivindicación 1, caracterizado porque dicho sensor
es del tipo plestimográfico seleccionado entre óptico, acústico o mecánico,
incluyendo un sistema de pulsioximetría (Sp02), y dicho módulo (2) de
detección de actividad comprende:
• un submódulo (6) de segmentación en tramas que proporciona dicha
secuencia de
• un submódulo (7) de cálculo de la energía de cada trama;
HOJA DE REEMPLAZO (Regla 26)
• un submódulo (8) de cálculo para cada trama de entropía espectral; y
• un submódulo (9) de detección de cruces por cero,
generándose a partir de dichos submódulos (7, 8 y 9) un vector XD A(n)que se
alimenta a un submódulo clasificador ( 1 1) que implementa una función de
decisión y cuyo índice para cada trama indica si la trama pertenece a una
"señal útil" o corresponde a una "ausencia de señal".
3 .- Sistema, según la reivindicación 2 , caracterizado porque dicho
submódulo clasificador ( 1 1) está asociado para su entrenamiento a una base de
datos etiquetada con la clase a la que pertenece cada trama.
4 .- Sistema, según la reivindicación 3 , caracterizado porque dicho
clasificador está seleccionado entre los siguientes tipos K-nearest, neighbour,
discriminantes lineales incluyendo el discriminante de Fisher, discriminantes
cuadráticos, árboles de decisión o "support vector machines".
5 .- Sistema, según la reivindicación 2 , caracterizado porque dicho módulo
(2) de detección de actividad incluye además en su salida un submódulo (12) de
determinación de segmento útil que recibe como entrada la secuencia de clases
a la que pertenece cada trama, y dicho submódulo (12) integra un autómata de
estados finitos aplicado a determinar segmentos de tramas consecutivas de
señal útil, comprendiendo los estados siguientes:
■ s 1- ausencia de señal útil'
■ s2= 'señal útil'
■ s3='zona ambigua'
y cada estado del autómata constará de contadores definidos como sigue:
• C l número de tramas consecutivas en el estado i-ésimo clasificadas
como 'señal útil'; y
• AS número de tramas consecutivas en el estado i-ésimo clasificadas
como 'ausencia de señal'.
HOJA DE REEMPLAZO (Regla 26)
6 .- Sistema, según la reivindicación 1, caracterizado porque dicho módulo
(5) de aprendizaje automático utiliza un comité de predictores entrenado
mediante el algoritmo de "Adaboost", utilizando como predictor básico del comité
de predictores una red neuronal tipo "radial basis function" que aprovecha las
interacciones entre los valores de presión, nivel de glucocorticoides y el nivel de
glucosa para mejorar las estimaciones.
7 .- Método para la estimación simultánea y no invasiva de la glucosa en
la sangre, nivel de glucocorticoides y presión arterial, basado en la forma de
onda del pulso cardíaco distal de una persona, adquirida a partir de un sensor
(1) que proporciona una señal digitalizada, caracterizado por comprender las
siguientes etapas:
• detección de actividad de dicha señal digitalizada por selección de un
se mento de unas muestras consecutivas de dicha señal digitalizada,
• tratamiento de las dos señales sventana
(Vt ) y' trama(t ' ri ) que contienen
la forma de onda del pulso distal en un segmento de duración fija, y
generación a partir de las mismas de un vector XF que contiene los
parámetros de un modelo fisiológico; y
• alimentación de dicho vector XF y de una información acerca de las
características de la persona a un módulo (5) basado en aprendizaje
automático y que proporciona en su salida la estimación del nivel de
glucosa en la sangre (NGS), del nivel de presión sistólica (NPS), del
nivel de presión diastólica (NPD) y del nivel de glucocorticoides (NGC).
HOJA DE REEMPLAZO (Regla 26)
8.- Método, según la reivindicación 8 , caracterizado porque dicha etapa de
detección de actividad comprende
• segmentación en tramas de la señal digitalizada ve ( )
proporcionando una secuencia de 5trama t , ri) ;
· cálculo de la energía de cada trama;
• cálculo para cada trama de su entropía espectral calculando la
transformada rápida de Fourier (FFT) de la trama y normalizando
seguidamente el espectro de energía de la trama; y
• detección de cruces por cero,
generándose a partir de dichos valores de energía y entropía espectral por
trama un vector XD A(n)que se alimenta a un submódulo clasificador ( )que
implementa una función de decisión y cuyo índice para cada trama indica si la
trama pertenece a una "señal útil" o corresponde a una "ausencia de señal".
9 .- Método según la reivindicación 8 , caracterizado porque dicha
segmentación de S a (t) se realiza en tramas de 5 segundos con un
solapamiento del 50% de la señal digitalizada.
10. - Método según la reivindicación 8 ó 9 , caracterizado porque dicha
detección de cruces por cero se realiza restando el valor medio de ama t ri)
para eliminar la componente continua y seguidamente se cuente el número de
veces que la señal cruza el umbral de cero.
11.- Método según la reivindicación 8 ó 9 caracterizado porque para cada
trama se agrupan los parámetros de energía, entropía espectral y cruces por
cero, en un vector que será la entrada de un clasificador que decidirá si la trama
n-ésima se corresponde a una trama útil o no:
DA = E a a a a ama
HOJA DE REEMPLAZO (Regla 26)
12.- Método, según la reivindicación 11, caracterizado porque dicho
clasificador se selecciona entre los siguientes tipos K-nearest, neighbour,
el discriminante de Fisher, discriminantesdiscriminantes lineales incluyendo
cuadráticos, árboles de decisión o support vector machines, y porque el
clasificador se entrena con una base de datos etiquetada previamente con la
clase a la que pertenece cada trama.
13. - Método, según la reivindicación 9 , caracterizado porque para
determinación de un segmento útil la secuencia de clases a la que pertenece
cada trama obtenida a la salida de dicho submódulo clasificador ( 1 1) se alimenta
a un submódulo (12) que integra un autómata de estados finitos aplicado a
determinar segmentos de tramas consecutivas de señal útil, comprendiendo los
estados siguientes:
■ s 1- ausencia de señal útil'
■ s2= 'señal útil'
■ s3='zona ambigua'
y cada estado del autómata constará de contadores definidos como sigue:
• C s'' número de tramas consecutivas en el estado i-ésimo clasificadas
como 'señal útil'; y
• AS : número de tramas consecutivas en el estado i-ésimo clasificadas
como 'ausencia de señal'.
14. - Método, según la reivindicación 8 , caracterizado porque la etapa de
tratamiento de señal comprende la generación de un vector XF que contiene los
parámetros que caracterizan el estado fisiológico de una persona, mediante
unos parámetros globales calculados a partir de 5 t (í) y unos parámetros
agregados de las características calculadas en la secuencia
) 2 ) ™ ) utiles Para modelar a
evolución a corto plazo de varios parámetros fisiológicos y el ritmo respiratorio,
HOJA DE REEMPLAZO (Regla 26)
utilizando el análisis cepstral para obtener información sobre el contenido
espectral.
15.- Método, según la reivindicación 14 caracterizado porque se sustrae
el valor medio de cada secuencia de parámetros cepstrales, para descontar el
efecto del sensor específico, calculando, cada vez que se cambia el sensor, un
valor medio de los cepstrums para cada grupo de parámetros y almacenando
dicho valor medio para hacer la substracción durante la etapa de tratamiento de
señal.
16.- Método, según la reivindicación 8 , caracterizado porque dicho
módulo (5) basado en aprendizaje automático recibe a su entrada el vector XF
junto con características físicas de la persona, incluyendo al menos sexo, edad
e índice de masa corporal y entrega en su salida las tres variables de interés:
glucosa en la sangre (NGS), nivel de glucocorticoides (NGC) y presión arterial
(NPS y NPD) aplicando para ello un algoritmo que implementa una regresión no
lineal entre entre dicha entrada XF y las citadas tres variables, seleccionando un
método de regresión que modela las interacciones entre las tres variables.
17. -Método , según la reivindicación 16, caracterizado porque dicho
aprendizaje automático utiliza un comité de predictores entrenado mediante el
algoritmo de "Adaboost", utilizando como predictor básico del comité de
predictores una red neuronal tipo "radial basis function" que aprovecha las
interacciones entre los valores de presión, nivel de glucocorticoides y el nivel de
glucosa para mejorar las estimaciones.
HOJA DE REEMPLAZO (Regla 26)