ESCUELA POLITÉCNICA DEL EJÉRCITO. DISEÑO E IMPLEMENTACIÓN DE UN ALGORITMO PARA DETECCIÓN DE...

ESCUELA POLITÉCNICA DEL EJÉRCITO

DISEÑO E IMPLEMENTACIÓN DE UN ALGORITMO PARA DETECCIÓN DE APNEAS DEL SUEÑO, BASADO EN

SEÑALES RESPIRATORIAS DERIVADAS DE ELECTROCARDIOGRAMA

AGENDA• OBJETIVOS

• RESUMEN

• ESTUDIO BÁSICO DEL SAOS

• ESTUDIO BÁSICO DE ELECTROCARDIOGRAMA

• ADQUISICIÓN DE SEÑALES Y BASE DE DATOS

• ALGORITMO DE DETECCIÓN DE SAOS

• VALIDACIÓN DEL ALGORITMO

• CONCLUSIONES Y RECOMENDACIONES

• Diseñar e implementar un algoritmo para detectar apneas del sueño, mediante la variabilidad de ritmo cardiaco como señal derivada de electrocardiograma utilizando la de la base de datos de señales de apnea-ecg de Physionet.

OBJETIVO GENERAL

OBJETIVO GENERAL

Objetivos EspecíficosObjetivos Específicos

• Extraer características del ECG para obtener las señales respiratorias derivadas.

• Determinar que la Variabilidad de ritmo cardiaco es la señal con mejores características para implementar el algoritmo.

• Realizar un análisis frecuencial de las señales para observar su comportamiento.

• Implementar el algoritmo a través del Intervalo RR y el cálculo espectral

• Calcular el porcentaje de SAOS presente en los pacientes del grupo de prueba y compararlos con las anotaciones de apnea provistas por la base de datos.

• Calcular el porcentaje de SAOS presente en los pacientes del grupo de validación del algoritmo y compararlos con los datos teóricos obtenidos desde polisomnografía.

• Analizar el desempeño del algoritmo en base a criterios bioestadísticos. AGENDA

ResumenResumen

El Síndrome de Apnea Obstructiva del Sueño (SAOS) es un trastorno de alta prevalencia cuyo diagnóstico actualmente se realiza a partir de la Polisomnografía, un estudio que implica altos costos y un complicado procedimiento. Este proyecto propone un algoritmo, como prueba de diagnóstico, capaz de reconocer la enfermedad a través de un examen no invasivo como el electrocardiograma (ECG).

AGENDA

SAOS (Síndrome de apnea obstructiva del sueño)

SAOS (Síndrome de apnea obstructiva del sueño)

TRASTORNOS DEL SUEÑOEstado donde se pierde la capacidad de interacción con el entorno de forma transitoria .

APNEA: Obstrucción y colapso de las vías aéreas superiores. Cese del flujo respiratorio mayor a 10 segundos y cientos de

veces en la noche, acompañados con ronquidos, hipoxia y ocasionalmente con despertares inconscientes

RespiratoriosRespiratorios Síndrome de apneas del sueño SAOS

Muy frecuente : afecta al 4-6% de los hombres y al 2-4% de las mujeres en las edades medias de la vida.

• Su frecuencia aumenta con la edad.

• Deterioro de la calidad de vida

• Presencia de hipertensión arterial

• Desarrollo de enfermedades cardiovasculares y cerebro vasculares.

Los síntomas guía para sospechar un SAOS son:

1) ronquidos entrecortados.

2) episodios de ahogo y paradas respiratorias durante el sueño.

3) somnolencia excesiva durante el día.

Diagnóstico del SAOSDiagnóstico del SAOS

Flujo aéreo: por termistor, neumotacógrafo o analizador de CO2.

Esfuerzo ventilatorio: mediante bandas elásticas toracoabdominales o sistema similar.

Recambio gaseoso: por pulsioximetría se determina la saturación de oxígeno (SaO2).

Electrocardiograma (ECG).

Estadios de sueño: EEG, EOG (izquierdo y derecho), EMG (submentoniano).

Esfuerzo respiratorio: mediante dos bandas, toráxica y abdominal.

Saturación Arterial de Oxígeno: saturómetro colocado en el dedo índice del paciente.

Posición Corporal

Movimientos de las Piernas Actividad eléctrica de los músculos

Movimientos Oculares.

AGENDA

ELECTROCARDIOGRAMAELECTROCARDIOGRAMA

• Registro gráfico de los potenciales eléctricos que produce el corazón obtenidos desde la superficie corporal a partir de electrodos y un equipo de registro (electrocardiógrafo).

Figura 1. Electrocardiograma, derivaciones precordiales

Ondas

• P: despolarización auricular

• QRS: despolarización ventricular, su duración normal es de 0.06 a 0.1 sg siendo:

• Q: primera onda negativa antes

de la primera onda positiva. • R: toda onda positiva. Si existe

una segunda onda positiva la llamamos R´.

• S: toda onda negativa después de una onda positiva.

• T: de despolarización ventricular.

• U: pequeña onda que sigue a la onda T, de significado incierto. Figura 2. Ondas de

Electrocardiograma

COMPLEJO QRSCOMPLEJO QRS

AGENDA

ADQUISICIÓN DE SEÑALES DE ELECTROCARDIOGRAMA

ADQUISICIÓN DE SEÑALES DE ELECTROCARDIOGRAMA

Base de datos de libre distribución: Apnea-ECG Database. Esta base de datos fue desarrollada por el PhyisioNet/Computers in Cardiology Challenge 2000.

Base de DatosBase de Datos

Base de datos:Consta de 70 registros 8 horas de duraciónSeñal :Muestreada a 100 HzResolución de 16 bitsCada bit representa 5

mV

Las señales de desarrollo y pruebas se subdividen en 3 grupos:

• pacientes con apnea (grupo A),

• pacientes borderline (grupo B)

• pacientes normales o en control(grupo C).

Señales de desarrollo y prueba:• 35 señales contienen anotaciones de apnea y del

complejo QRS.• 8 disponen de 4 señales respiratorias:

Oronasal pletismográfica de pecho, abdominal saturación de oxígeno.

Señales de validación del algoritmo:• 35 grabaciones con datos de apnea teóricos

obtenidos por polisomnografía.• Los registros son hombres y mujeres con edades

entre 27 y 63 años con pesos entre 53 y 135 Kg.

Señales de electrocardiograma y pletismográficas del paciente a03Señales de electrocardiograma y pletismográficas del paciente a03

Figura 4. Señales extraídas de la base datos a través de ATM Physiobank.

Por cada paciente se tiene los archivos:

• .dat contiene las señales de ECG digitalizadas. (16bits por muestra, 100m/s, 200 A/D unidades por milivoltio)

• .apn

anotaciones de apnea.

• .qrs

anotaciones de QRS.

• .hea

archivos de encabezado que especifican los nombres y formatos de los archivos de señal asociados

Desde Cygwin

Archivos: . apn y .qrs se

convierten en archivos tipo .txt

Funciones de la librería WFDB utilizadas:

• rdann Lee archivos de anotaciones para las grabaciones WFDB.

Figura 5. Muestra de conversión de archivos a través de Cygwin.

AGENDA

DISEÑO E IMPLEMENTACIÓN DEL ALGORITMO DE

DETECCIÓN DE SAOS

DIAGRAMA DE BLOQUES GENERAL

DIAGRAMA DE BLOQUES GENERAL

Se toma la señal desde la base de datos

Filtros y correcciones de la señal de ECG

Correlación Cruzada

Comportamiento de las señales

DIAGRAMA DE FLUJO DEL ALGORITMO DE DETECCIÓN DE SAOS.Inicio

Preprocesamiento de las señales

Extracción de características

Obtención de señales

respiratorias derivadas

Análisis temporal

Análisis Frecuencial

Implementación de algoritmo de

detección de apnea obstructiva del

sueño

Lectura y concatenación

de base de datos de ECG

Cálculo de porcentaje de

SAOS encontrado. Fin del algoritmo

PREPROCESAMIENTOPREPROCESAMIENTO

• Para el pre procesamiento se lleva a cabo tres pasos:

• Corrección deriva de línea

• Detección del complejo QRS

• Corrección del complejo QRS

Con la concatenación se obtiene los datos de ECG como unidades físicas.

Inicio Preprocesamiento

Lectura desde Matlab de archivos y concatenación de

datos

Aplicar la corrección

deriva de linea con filtros.

Detección complejo QRS por medio de anotaciones.

Detecta pico R

Corrección complejo QRS,

detectar RR robusto

Análisis y conversión de archivos base

de datos Physionet en archivos .txt

Intervalo RR es 1.8 veces

superior a RR robusto

Suma de 2 intervalos RR

consecutivos <1.2 RR robusto

Realiza Gráficas de

ecg, detección y correción

Devuelve archivo con

vector y anotaciones guardadas

QRS, QRS tipo Respiraciones

sisi

no

Detecta y realiza gráfica

de Falso Negativo

Detecta y realiza gráfica Falso Positivo

Fin del Preprocesamiento

no

En el ciclo respiratorio se produce actividad de baja frecuencia o ruido

En el ciclo respiratorio se produce actividad de baja frecuencia o ruido

El filtro reemplaza un valor por la mediana de los valores cercanos en un intervalo de 2n+1.

Eliminar ondas P de duración 0,2s y T de duración 0,6s .

CORRECCIÓN DE LA DERIVA DE LINEA DE BASE DE LA SEÑAL DE ELECTROCARDIOGRAMA

CORRECCIÓN DE LA DERIVA DE LINEA DE BASE DE LA SEÑAL DE ELECTROCARDIOGRAMA

Corrección deriva línea de base

Datos de vector ecg

Filtrado de señall con filtro de

mediana móvil de 200ms

Filtrado de señall con filtro de

mediana móvil de 600ms

Devuelve variable con valor de línea para ser eliminada

Gráfica señal ecg con línes de base y

sin línes de base

Fin de la corrección de deriva de línea

Objetivo: Detectar el pico R.

Se elimina ondas T de gran amplitud y ruido de diversa procedencia.

Detectar el pico R como el punto máximo en una ventana de 300ms centrada.

Detectar el pico R como el punto máximo en una ventana de 300ms centrada.

DETECCIÓN DE LOS COMPLEJOS QRSDETECCIÓN DE LOS COMPLEJOS QRS

Detección Complejos QRS

Datos de vector ecg y anotaciones

QRS

Encontrar valores máximos y mínimos

Detectar pico R como punto máximo.

Graficar señal ECG y en ella las anotaciones

de pico R

Fin de la detección de picos R

Se obtiene un Intervalo RR robusto .

Falso Positivo: Por ondas T o latidos ectópicos Falso Positivo: Por ondas T o latidos ectópicos

Falso Negativo: Latidos no detectadosFalso Negativo: Latidos no detectados

CORRECCIÓN DE LOS COMPLEJOS QRSCORRECCIÓN DE LOS COMPLEJOS QRS

Generación de Intervalo RR robusto Generación de Intervalo RR robusto

Bucle de detección y tipificación de fallosBucle de detección y tipificación de fallos

Bucle que corrige los Falsos positivos y Falsos negativos.Bucle que corrige los Falsos positivos y Falsos negativos.

EXTRACCION DE CARACTERISTICAS

EXTRACCION DE CARACTERISTICAS

Cálculo de Areas mediante cruce por

0

Calculo de Area QR

Cálculo de Área QRS

Rreducir muestra

x[imax-n] >0 hasta

encontrar x[imax-n] <0 cambio de signo de la

onda R

Aumentar la muestra hasta encontrar el

siguiente cruce por 0

Cálculo de Area R(calcAreaR)

Centrar el punto máximo en ventana de

100 ms

Se encontraron dos cruces por

cero?

Calcular el área R con la fórmula

Reducir muestras hasta

encontrar el cambio de signo de la

onda Q, (Punto B)

Seguir reduciendo la muestra hasta

encontrar siguiente cruce por 0 (Punto A,

muestra inicial)

Encontrar la muestra final

aumentado las muestras hasta

encontrar el cruce por 0

Calcular Area Q

Calcular Area QR

Area R+ Area Q

Aumentar la muestra hasta encontrar el

cambio de signo de la

onda R

Seguir aumentado la muestra hasta encontrar el cambio de signo de la

onda S (Punto A)

Aumentar hasta

encontrar el cambio de

signo y final de la onda S

Calcular Area SCalcular Area

QRSArea QR+ Area S

Área mediante detección de 4

puntos

Encontrar inicio QRS restando constante

aproximada al pico R

Encontrar punto máximo

Pico R

Encontrar punto mínimo

Pico S

Encontrar fin complejo QRS

sumando constante

aproximada a pico S

Calculamos el área como la suma de las áreas de loa triángulos formantes por los cuatro puntos

1

Fin del cálculo de áreas

CALCULO AREA R, QR y QRSCALCULO AREA R, QR y QRS

Anotaciones de pico R, se aplica ventana 100 ms

Partimos de x[imax]>0, como punto máximo

Las muestras son reducidas hasta encontrar cambio de signo x[imax-n]<0

Se aumenta las muestras hasta encontrar el siguiente cruce por 0

Se calcula el área como:

Area QRArea QR

Area SArea S

SEÑALES DERIVADAS DE ELECTROCARDIOGRAMASEÑALES DERIVADAS DE ELECTROCARDIOGRAMA

NOTA

Programa (Calcular todo AMRR)

Calcular Amplitud pico R

Duración onda R (RWD)

Detección picos R a partir de anotaciones

Aplicación de ventana

temporal de 300ms

centrada en la anotación

Con el tramo de la señal se calcula el

punto máximo = pico R

Partir del algoritmo calcAreaR

1

Extrayendo sección donde se calcula el tiempo que transcurre entre que la onda pasa por 0 la

1era vez hasta que vuelve a atravezarla

Variabilidad Ritmo Cardíaco

(Intervalo RR)

Calcular la distancia entre

dos picos R

Calculo de valores puntos máximos, mínimos área abs, RMS e Intervalo RR

Interpolación de valores calculados mediante spline

cúbico

Filtrado de señales(Filtro pasa bajos)

Guardar datos en estructura

(parametros)

Fin del programa

Se realiza interpolado de tipo spline cúbico

Filtrado pasa-bajas que elimina frecuencias no coherentes con el rango de frecuencias respiratorias (0-5 Hz).El filtro utilizado es de tipo Butterworth de orden 3.

En los sujetos de nuestra base de datos la tasa respiratoria es normalmente 10-20 respiraciones/minuto en reposo.

SEÑALES DERIVADAS DE ELECTROCARDIOGRAMASEÑALES DERIVADAS DE ELECTROCARDIOGRAMA

Área y duración de la Onda R Amplitud Pico RVariabilidad de ritmo cardiaco(Intervalo RR)

Área y duración de la Onda R Amplitud Pico RVariabilidad de ritmo cardiaco(Intervalo RR)

AMPLITUD PICO R AMPLITUD PICO R Detección de los picos R mediante anotaciones

Se aplica ventana temporal de 300ms centrada en la anotación.

Se calcula su punto máximo dando como resultado R

Se calcula su punto máximo dando como resultado R

RWD: Onda que transcurre desde que la onda R pasa por 0 hasta que lo cruza nuevamente

RWD: Onda que transcurre desde que la onda R pasa por 0 hasta que lo cruza nuevamente

DURACIÓN ONDA R (RWD)DURACIÓN ONDA R (RWD)

Se utiliza parte del algoritmo para el cálculo del área R

VARIABILIDAD DE RITMO CARDIACO (INTERVALO RR)VARIABILIDAD DE RITMO CARDIACO (INTERVALO RR)

Se utiliza a partir de que la consecuencia directa de un episodio de apnea es la disminución en el ritmo cardíaco por parte del paciente debido a la no necesidad de bombeo del corazón.

Se utiliza a partir de que la consecuencia directa de un episodio de apnea es la disminución en el ritmo cardíaco por parte del paciente debido a la no necesidad de bombeo del corazón.

Se produce un aumento en el intervalo RR y por tanto una disminución clara de la frecuencia cardíaca.

Durante un episodio de apnea se producen variaciones cíclicas en el ritmo cardíaco que suelen aparecer de forma periódica cada 25-100 s.

Consecuencia: Intervalo de frecuencias de entre 0.01-0.04 Hz donde los episodios de apnea tienen mayor influencia.

VARIABILIDAD DE RITMO CARDIACO (INTERVALO RR)VARIABILIDAD DE RITMO CARDIACO (INTERVALO RR)

El proceso para obtener la señal es calcular la distancia entre dos picos R consecutivos.

El proceso para obtener la señal es calcular la distancia entre dos picos R consecutivos.

En este caso nos interesa la señal sin interpolar

Intervalo RR

Cálculo de señalesCálculo de señales

Interpolación y FiltradoInterpolación y Filtrado

Las señales son guardadas en estructura parámetros

ESTUDIO TEMPORALESTUDIO TEMPORAL

A partir de las señales respiratorias derivadas se realiza un estudio temporal utilizando correlación cruzada.

El objetivo es comprobar que el Intervalo RR es la EDR con mejores características para implementar el algoritmo.

Se realiza la correlación en tramos por minuto entre las señales respiratorias provistas por la base de datos y las EDR

ESTUDIO FRECUENCIALESTUDIO FRECUENCIAL

Se busca analizar el comportamiento frecuencial de la señal Intervalo RR.

Se analiza tramos con y sin apnea para ver el comportamiento de la señal en el rango frecuencial de 0.01 . 0.04 Hz (Rango de apnea).

CICLOS POR LATIDOCICLOS POR LATIDO

Se considera la secuencia RR como una señal que refleja la actividad del sistema nervioso autónomo.

Se debe tener en cuenta que el muestreo de dicha actividad no es uniforme.

Utilizando el Dominio del latido (beatquency domain) en lugar del dominio frecuencial, la frecuencia no se mide en ciclos por segundo sino en ciclos por latido.

Se utiliza la señal RR no interpolada.Se utiliza la señal RR no interpolada.

ALGORITMO DE DETECCIÓN DE SAOS


Partimos tomando la señal del Intervalo RR no interpolada.

Durante la realización de este proyecto, la estimación de la PSD se ha realizado mediante la aplicación directa de la transformada de Fourier (función fft de MATLAB) y mediante el método del periodograma de Welch (función pwelch de MATLAB), con el objetivo de mejorar los resultados aplicando solapado.

DIAGRAMA DE FLUJO DEL ALGORITMO DE DETECCIÓN DE SAOS.DIAGRAMA DE FLUJO DEL ALGORITMO DE DETECCIÓN DE SAOS.

La apnea tiene mayor influencia en el rango de frecuencias entre 0.01 y 0.04 Hz. Es decir un descenso en la banda VLF.

Esta disminución es cuantificada mediante el cálculo de la Densidad Espectral de Potencia (PSD).

Se detecta la apnea obstructiva del sueño a través de obtener la potencia espectral del tramo de señal analizado en el intervalo entre 0.01 y 0.04 Hz y mirar si éste es mayor a un cierto límite.

Dicha señal se le llama FPWR (Frecuency power espectrum signal).

Dicha señal se le llama FPWR (Frecuency power espectrum signal).

Una vez analizada la potencia espectral, se llega a la conclusión de que ésta es muy variable a los cambios de postura producidos por el paciente durante el proceso de ensoñación

Se calcula la potencia en todo el tramo de señal, llamada TPWR (Total power spectrum signal)

Se calcula la potencia en todo el tramo de señal, llamada TPWR (Total power spectrum signal)





Se obtiene la potencia relativa en la banda entre 0.01 y 0.04 Hz, llamada DPWR (differential power espectrum signal)

Se obtiene la potencia relativa en la banda entre 0.01 y 0.04 Hz, llamada DPWR (differential power espectrum signal)

El valor límite de DPWR utilizado para diferenciar tramos con y sin apnea es de un 40 %.



Con los registros que se posee anotaciones de apnea los porcentajes son comparados.

Con los registros que se posee anotaciones de apnea los porcentajes son comparados.

Con los registros de validación el porcentaje de apnea es cuantificado y comparado con el valor teórico.

Con los registros de validación el porcentaje de apnea es cuantificado y comparado con el valor teórico.

Cálculo de porcentaje de

apnea

Inicializar contadores de

apnea de base de datos

contador de Tipo de apnea = 1

Cantidad de anotaciones de

apneatipo y apneas

encontradas con el

algoritmo

Contador Apnea real +1

Contador sin apnea

si

no

Inicializar contador de apneas de

algoritmo

Si threshold=1 Contador apneaalgoritmo +1

Contador sinapneaalgoritmo

=1

Calculo porcentaje de apnea real en la

señal

Contador de apnea según el algoritmo

si

no

Fin del cálculo de procentaje



Usando Transformada de FourierUsando Transformada de Fourier



En el transcurso de las pruebas el comportamiento del algoritmo es mejor mientras el solapado va disminuyendo, incluso en los pacientes que presentan cambios de postura durante el sueño.

Por lo tanto el algoritmo es finalmente implementado con Periodograma de Welch sin solapamiento.

Por lo tanto el algoritmo es finalmente implementado con Periodograma de Welch sin solapamiento.

AGENDA

RESULTADOS OBTENIDOS EN LOS REGISTROS DE VALIDACIÓNRESULTADOS OBTENIDOS EN LOS REGISTROS DE VALIDACIÓN

Teniendo como: Detecciones Positivas correctas = 22Detecciones Negativas correctas = 10Falsos Positivos = 2Falsos Negativos = 1

ANÁLISIS BIOESTADÍSTICO DE VALIDACIÓN DEL ALGORITMOANÁLISIS BIOESTADÍSTICO DE VALIDACIÓN DEL ALGORITMO

AGENDA

CONCLUSIONES Y RECOMENDACIONESCONCLUSIONES Y RECOMENDACIONES

Se pudo determinar que la Variabilidad de ritmo cardiaco o Intervalo RR es la EDR que mejores resultados presenta en la correlación con los estudios de la polisomnografía. Por lo tanto la serie de intervalos RR fue elegida para ser usada en el algoritmo de detección de SAOS.

Se pudo determinar que la Variabilidad de ritmo cardiaco o Intervalo RR es la EDR que mejores resultados presenta en la correlación con los estudios de la polisomnografía. Por lo tanto la serie de intervalos RR fue elegida para ser usada en el algoritmo de detección de SAOS.

Se determinó que la implementación del algoritmo es mejor a partir del intervalo RR sin interpolación pues se hace la detección mediante ciclos por latido pues el muestreo de la actividad del sistema autónomo no es uniforme.

Se determinó que la implementación del algoritmo es mejor a partir del intervalo RR sin interpolación pues se hace la detección mediante ciclos por latido pues el muestreo de la actividad del sistema autónomo no es uniforme.

La frecuencia cardiaca se ve fuertemente influenciada por el sistema respiratorio en un proceso denominado Arritmia Sinusal Respiratoria, resultando en una secuencia de bradicardia – taquicardia.

La frecuencia cardiaca se ve fuertemente influenciada por el sistema respiratorio en un proceso denominado Arritmia Sinusal Respiratoria, resultando en una secuencia de bradicardia – taquicardia.

Las pruebas de detección y por consiguiente la intensidad de detección de los intervalos RR como variación del ciclo cardíaco es dependiente de los estados del sueño así como de la posición del cuerpo

Las pruebas de detección y por consiguiente la intensidad de detección de los intervalos RR como variación del ciclo cardíaco es dependiente de los estados del sueño así como de la posición del cuerpo

Es mejor la aplicación del algoritmo en un paciente cuya muestra sea tomada en el sueño nocturno, que durante un sueño diurno.

Es mejor la aplicación del algoritmo en un paciente cuya muestra sea tomada en el sueño nocturno, que durante un sueño diurno.


Se detectó la apnea obstructiva del sueño a través de obtener la potencia espectral del tramo de señal analizado en el intervalo entre 0.01 y 0.04 Hz y determinando si éste es mayor a un cierto límite.

Se detectó la apnea obstructiva del sueño a través de obtener la potencia espectral del tramo de señal analizado en el intervalo entre 0.01 y 0.04 Hz y determinando si éste es mayor a un cierto límite.

Una vez analizada la potencia espectral, se llega a la conclusión de que ésta es muy variable a los cambios de postura producidos por el paciente durante el proceso de ensoñación.

Una vez analizada la potencia espectral, se llega a la conclusión de que ésta es muy variable a los cambios de postura producidos por el paciente durante el proceso de ensoñación.

Los resultados obtenidos en la evaluación para la validar el algoritmo son altos en los tres parámetros de medición como son Sensibilidad =96%, Especificidad = 83%, y Precisión= 91%. Estos parámetros dan cumplimiento a un buen resultado de la implementación del algoritmo.

Los resultados obtenidos en la evaluación para la validar el algoritmo son altos en los tres parámetros de medición como son Sensibilidad =96%, Especificidad = 83%, y Precisión= 91%. Estos parámetros dan cumplimiento a un buen resultado de la implementación del algoritmo.


Se puede concluir que respecto del método de detección del SAOS mediante el análisis espectral de la señal de variabilidad de ritmo cardíaco, el procedimiento es eficaz en la detección del padecimiento del trastorno, aunque parece ineficaz a la hora de graduar la severidad de la enfermedad.

Se puede concluir que respecto del método de detección del SAOS mediante el análisis espectral de la señal de variabilidad de ritmo cardíaco, el procedimiento es eficaz en la detección del padecimiento del trastorno, aunque parece ineficaz a la hora de graduar la severidad de la enfermedad.

Se concluye que la precisión del diagnóstico puede ser reconocida como buena determinación para una decisión clínica de presencia o ausencia de desórdenes respiratorios de sueño (apneas) clínicamente relevantes.

Se concluye que la precisión del diagnóstico puede ser reconocida como buena determinación para una decisión clínica de presencia o ausencia de desórdenes respiratorios de sueño (apneas) clínicamente relevantes.

En algunos casos, falsos positivos puede ocurrir debido a la frecuencia muy baja en la que reconocemos la apnea, por otro lado la presencia de apnea del sueño puede no ser detectado por el algoritmo debido a una limitación básica cono el no reconocimiento de cambios autonómicos existentes en caso de apnea del sueño.

En algunos casos, falsos positivos puede ocurrir debido a la frecuencia muy baja en la que reconocemos la apnea, por otro lado la presencia de apnea del sueño puede no ser detectado por el algoritmo debido a una limitación básica cono el no reconocimiento de cambios autonómicos existentes en caso de apnea del sueño.


Algunos pacientes bajo medicación para control cardíaco también presentan pérdidas de los cambios autonómicos del ECG y la determinación de Intervalos RR se hace complicada, convirtiendo al paciente en un falso negativo, pero como la Sensibilidad nos indica, el algoritmo determina si el paciente está realmente enfermo en un 96%.

Algunos pacientes bajo medicación para control cardíaco también presentan pérdidas de los cambios autonómicos del ECG y la determinación de Intervalos RR se hace complicada, convirtiendo al paciente en un falso negativo, pero como la Sensibilidad nos indica, el algoritmo determina si el paciente está realmente enfermo en un 96%.

Gracias a la comparación con otros métodos podemos obtener una mejor visión acerca de los FP y FN que se pueden presentar en el diagnóstico de la apnea obstructiva del sueño.En el caso de la evaluación de Canisius et al su evaluación en precisión tiene como resultado 77% y el algoritmo de detección de apnea obstructiva del sueño implementado en esta tesis es evaluado con un 91% de precisión,

Gracias a la comparación con otros métodos podemos obtener una mejor visión acerca de los FP y FN que se pueden presentar en el diagnóstico de la apnea obstructiva del sueño.En el caso de la evaluación de Canisius et al su evaluación en precisión tiene como resultado 77% y el algoritmo de detección de apnea obstructiva del sueño implementado en esta tesis es evaluado con un 91% de precisión,


El algoritmo realiza una mejor detección de pacientes realmente enfermos o sanos, sobretodo en pacientes que no presentan cambios de posición durante el sueño, y los pacientes con poco índice de apnea, independientemente que presente movimiento o no durante el proceso de ensoñación.

El algoritmo realiza una mejor detección de pacientes realmente enfermos o sanos, sobretodo en pacientes que no presentan cambios de posición durante el sueño, y los pacientes con poco índice de apnea, independientemente que presente movimiento o no durante el proceso de ensoñación.

El algoritmo de detección de SAOS implementado en esta tesis proporciona una alternativa simple a los métodos actuales de diagnosis como la polisomnografía; permitiendo su aplicación domiciliaria mediante el uso de una prueba de diagnóstico no invasiva como es el electrocardiograma, reduciendo así costos y permitiendo comodidad al paciente, con el fin de proporcionar una mejor calidad de sueño a ser evaluado.

El algoritmo de detección de SAOS implementado en esta tesis proporciona una alternativa simple a los métodos actuales de diagnosis como la polisomnografía; permitiendo su aplicación domiciliaria mediante el uso de una prueba de diagnóstico no invasiva como es el electrocardiograma, reduciendo así costos y permitiendo comodidad al paciente, con el fin de proporcionar una mejor calidad de sueño a ser evaluado.


Como ampliación del proyecto, se propone analizar el algoritmo sobre una base de registros mayor e implementarlo en un hardware con mayor capacidad de procesamiento para así poder extraer conclusiones más robustas.

Como ampliación del proyecto, se propone analizar el algoritmo sobre una base de registros mayor e implementarlo en un hardware con mayor capacidad de procesamiento para así poder extraer conclusiones más robustas.

Realizar un estudio más exhaustivo de representatividad de sujetos de diferentes características fisiológicas ,con objeto de evaluar en mayor profundidad la dependencia negativa de la efectividad del método con alguna variable de índole morfológica como en el caso analizado del paciente X15.

Realizar un estudio más exhaustivo de representatividad de sujetos de diferentes características fisiológicas ,con objeto de evaluar en mayor profundidad la dependencia negativa de la efectividad del método con alguna variable de índole morfológica como en el caso analizado del paciente X15.

Se recomienda analizar con mayor profundidad las señales respiratorias derivadas de ECG con el propósito de encontrar mayor número de características en donde se vea reflejado el SAOS y así mejorar la capacidad del algoritmo en cuanto a determinación del grado de la enfermedad.

Se recomienda analizar con mayor profundidad las señales respiratorias derivadas de ECG con el propósito de encontrar mayor número de características en donde se vea reflejado el SAOS y así mejorar la capacidad del algoritmo en cuanto a determinación del grado de la enfermedad.


AGENDA

ESCUELA POLITÉCNICA DEL EJÉRCITO. DISEÑO E IMPLEMENTACIÓN DE UN ALGORITMO PARA DETECCIÓN DE...

Documents

Transcript of ESCUELA POLITÉCNICA DEL EJÉRCITO. DISEÑO E IMPLEMENTACIÓN DE UN ALGORITMO PARA DETECCIÓN DE...