Alexandre Stürmer Wolf ANÁLISE AUTOMÁTICA DE SINAIS ELETROCARDIOGRÁFICOS POR REDES NEURAIS ARTIFICIAIS. Dissertação de Mestrado

Transcrição

1 1 Alexandre Stürmer Wolf ANÁLISE AUTOMÁTICA DE SINAIS ELETROCARDIOGRÁFICOS POR REDES NEURAIS ARTIFICIAIS Dissertação de Mestrado Dissertação apresentada ao Programa de Pós-graduação em Engenharia Elétrica do Departamento de Engenharia Elétrica da PUC-Rio como parte dos requisitos parciais para obtenção do título de Mestre em Engenharia Elétrica Orientador: Carlos Roberto Hall Barbosa Co-orientadora: Elisabeth Costa Monteiro Rio de Janeiro 19 de fevereiro de 2004

2 2 Alexandre Stürmer Wolf ANÁLISE AUTOMÁTICA DE SINAIS ELETROCARDIOGRÁFICOS POR REDES NEURAIS ARTIFICIAIS Dissertação de Mestrado apresentada como requisito parcial para obtenção do grau de Mestre pelo Programa de Pós-Graduação em Engenharia Elétrica do Departamento de Engenharia Elétrica do Centro Técnico Científico da PUC-Rio. Aprovada pela Comissão Examinadora abaixo assinada. Prof. Carlos Roberto Hall Barbosa Orientador Departamento de Engenharia Elétrica PUC-Rio Profa. Elisabeth Costa Monteiro Co-Orientadora Prog. Pós-Graduação de Metrologia PUC-Rio Prof. Jurandir Nadal COPPE/UFRJ Prof. Marco Aurélio Cavalcanti Pacheco Departamento de Engenharia Elétrica PUC-Rio Profa. Karla Tereza Figueiredo Leite Departamento de Engenharia Elétrica PUC-Rio Prof. José Eugênio Leal Coordenador Setorial do Centro Técnico Científico PUC-Rio Rio de Janeiro, 19 de fevereiro de 2004

3 3 Todos os direitos reservados. É proibida a reprodução total ou parcial do trabalho sem autorização do autor, do orientador e da universidade. Alexandre Stürmer Wolf Graduou-se em Análises de Sistemas na UNISINOS (Universidade do Vale do Rio dos Sinos) em Após a graduação ingressou no Mestrado em Engenharia Elétrica. Trabalha com desenvolvimento de sistemas de informática. Ficha catalográfica Wolf, Alexandre Stürmer Análise automática de sinais eletrocardiográficos por redes neurais artificiais / Alexandre Stürmer Wolf ; orientador: Carlos Roberto Hall Barbosa ; co-orientador: Elisabeth Costa Monteiro. Rio de Janeiro : PUC-Rio, Departamento de Engenharia Elétrica, f. : il. ; 30 cm Dissertação (mestrado) Pontifícia Universidade CDD: 621.3

4 Para meus pais, minha noiva e familiares que me apoiaram. 4

5 5 Agradecimentos Ao Orientador e amigo Prof. Carlos Roberto Hall Barbosa, à Co-Orientadora e amiga Elisabeth Costa Monteiro, pela paciência, muita paciência e ajuda principalmente nos momentos mais críticos, que foram ultrapassados para a realização deste trabalho. À CAPES pelo auxílio financeiro concedido, à PUC-Rio pela infra-estrutura, sem os quais este trabalho não poderia ter sido realizado. Aos professores que participaram da Comissão examinadora, juntamente a todos aos demais professores que tive contato. Ao Prof. Christian Kelber, que possibilitou a realização desse mestrado em um lugar que nunca mais vai sair da minha memória, que é o Rio de Janeiro. Aos meus pais, Marino Wolf e Eva Marina Stürmer Wolf, minha noiva Merlin Janina Diemer, minha irmã Andréa Wolf Diemer e demais familiares. Aos amigos do ICA, do Laboratório de Bio-metrologia, do Departamento de Engenharia Elétrica, do Departamento de Informática e demais pessoas com quem de alguma forma tive contato.

6 6 Resumo Wolf, Alexandre Stürmer; Barbosa, Carlos Roberto Hall; Monteiro, Elisabeth Costa. Análise automática de sinais eletrocardiográficos por redes neurais artificiais. Rio de Janeiro, p. Dissertação de Mestrado - Departamento de Engenharia Elétrica, Pontifícia Universidade Católica do Rio de Janeiro. O objetivo dessa dissertação é o desenvolvimento de um algoritmo para a análise automática de sinais eletrocardiográficos, baseado em Redes Neurais Artificiais. O sistema é dividido em vários sub-programas utilizados para extrair informações do registro eletrocardiográfico de pacientes, informando a existência de anormalidades a partir da comparação dos valores obtidos com os valores de normalidade disponíveis na literatura biomédica. O programa utiliza 4 segundos do sinal de eletrocardiograma para uma análise classificatória inicial, verificando a viabilidade da extração de informações. Sendo possível esta extração, são obtidos os ciclos cardíacos existentes nesse sinal, e deles são extraídas informações quantitativas dos componentes de suas ondas, que posteriormente serão comparadas com faixas de normalidade por meio de um conjunto de regras heurísticas, indicando assim a possível presença de alterações morfológicas do registro. Esse programa pode ser utilizado em comunidades carentes para orientar a necessidade de encaminhamento a um especialista, cuja presença é rara na maior parte dos postos de atendimento generalista. Também pode auxiliar ao médico especialista, indicando de forma objetiva as possíveis alterações do registro eletrocardiográfico.

7 7 Os resultados obtidos podem ser considerados satisfatórios, sendo que os valores são compatíveis com a sua natureza, principalmente no que diz respeito aos problemas de baixa razão sinal/ruído existente nos sinais analisados. Para verificação dos resultados de localização dos pontos inicial e final de cada componentedo ECG, uma das métricas utilizadas foi o MAPE, obtendo-se, 19,44% para onda P, 4,85% para o complexo QRS, 8,93% para o início da onda T e 7,76% para o final da onda T. Outra métrica utilizada para comparar os resultados obtidos com outro artigo, foi a Média Aritmética/Desvio Padrão, onde se obteve µ=-0,8264 ms e σ=3,7037 ms para o início da onda P, µ=-1,5082 ms e σ=2,2890 ms para o fim da onda P, µ=-0,2104 ms e σ=3,2486 ms para o início do complexo QRS, µ=-0,4309 ms e σ=3,9542 ms para o fim do complexo QRS, µ=-0,1926 ms e σ=5,7413 ms para o início da onda T, µ=-0,3346 ms e σ=6,3991 ms para o fim da onda T. Palavras Chaves: ECG, Análise Automático de sinais, Redes Neurais Artificiais

8 8 Abstract Wolf, Alexandre Stürmer; Barbosa, Carlos Roberto Hall; Monteiro, Elisabeth Costa. Automatic analisys of electrocardiographic signals using artificial neural networks. Rio de Janeiro, p. MSc. Dissertation - Departamento de Engenharia Elétrica, Pontifícia Universidade Católica do Rio de Janeiro. The objective of this dissertation is implementing an algorithm for automatic analysis of electrocardiographic signals, using Artificial Neural Networks. The system is divided into several subprograms that extract relevant information about the cardiac signal measured from patients, and points out possible abnormalities by comparison with normal values found in biomedical bibliography. The algorithm uses 4 seconds of the electrocardiogram signal for an initial classification, verifying the feasibility of information extraction. If the extraction is possible, the separate cardiac cycles are collected from the signal and quantitative values for the various components are determined. Finally, these values are compared with the normal values, indicating alterations of wave morphology. This algorithm has a clear relevance in low-income communities, being useful for an initial classification of the patients, being then forwarded to a cardiologist when ECG abnormalities are identified. Another potential use is in helping the cardiologist to automatically determine accurate values from the electrocardiographic register. The results can by considered satistactory, because the values are being compatible with their nature, mainly due to problems of low signal-to-noise ratio in analysed signals.

9 9 For verification of the results, one metric used was the MAPE, obtaining 19,44% for the P wave, 4,85% for the QRS complex, 8,93% for the begining of the T wave and 7,76% for the end of T wave. Another metric used for comparing results with another article, was the Arithmetic Mean/Standard Deviation, obtaining µ=-0,8264 ms and σ=3,7037 ms for the onset of the P wave, µ=-1,5082 ms and σ=2,2890 ms for the offset of P wave, µ=-0,2104 ms and σ=3,2486 ms for the onset of the QRS complex, µ=-0,4309 ms and σ=3,9542 ms for the offset of the QRS complex, µ=-0,1926 ms and σ=5,7413 ms for the onset of the T wave, µ=-0,3346 ms and σ=6,3991 ms for the offset of the T wave. Palavras Chaves: ECG, Automatic Signal Analisys, Artificial Neural Networks.

10 10 Sumário Introdução Análise da Atividade Elétrica Cardíaca Projeto SABIO Análise Automática por Sistemas Inteligentes Revisão Bibliográfica Objetivo e Estrutura da Dissertação 25 O Coração e a Atividade Elétrica Cardíaca Registro Eletrocardiográfico Derivações Eletrocardiográficas Morfologia do Sinal Eletrocardiográfico A Onda P O Intervalo PR O Complexo QRS O Segmento ST O Intervalo QT A Onda T Patologias Cardíacas Arritmias Cardíacas Alterações eletrocardiográficas conseqüentes à redução da irrigação sangüínea do miocárdio 38 Inteligência Computacional (IC) 40

11 Redes Neurais Artificiais O Modelo McCulloch e Pitts (MCP) Funções de Ativação e Transferência Arquitetura e Topologia Aprendizagem Aprendizagem Supervisionada Treinamento Algoritmo de Treinamento Backpropagation Algoritmo de Treinamento Levenberg Marquardt (LM) Métricas de Desempenho das Redes 52 Dados Experimentais Formato dos Dados do MIT Pré-Processamento dos Sinais Redução da Dimensionalidade dos dados PCA (Principal Components Analysis) Objetivos do PCA Descrição Transformada Wavelet Definição Decomposição em Árvore 64 Análise Automática de Sinais de ECG Obtenção do Sinal Cardíaco Ajuste do Sinal Bruto Redução da Dimensionalidade 71

12 Classificador Neural Extração de Ciclos Cardíacos Localização dos Picos das ondas R Formação dos Ciclos Cardíacos Extrator Neural de Informações Comparação de Resultados Classificador Patológico Funcionamento Resultados Obtidos 94 Conclusões e Trabalhos Futuros 96

13 13 Lista de Figuras Figura 1. Equipamento e tela do projeto SABIO. 20 Figura 2. Visão frontal e posterior do coração. (Imagem: Cheida, Luiz Eduardo. Medicina Integrada. São Paulo, 1997) 26 Esquema do sistema de condução intracardíaco. (Imagem: Cheida, Luiz Eduardo. Medicina Integrada. São Paulo, 1997) 27 Figura 4. Braços e perna esquerda imersa em solução concentrada de cloreto de sódio. 29 Figura 5. Triangulo eqüilátero e eixo do coração de acordo com o desenho original de Einthoven. 29 Figura 6. Derivações Básicas de um Eletrocardiograma (Periféricas, Precordiais, Esquemático). 30 Figura 7. Doze derivações básicas do ECG. ( 31 Figura 8. Componentes analisados no ECG (Sinal do MIT-BIH). 32 Figura 9. Neurônio de McCulloch e Pitts. 41 Figura 10. Funções de Ativação (Linear, Rampa, Degrau, Sigmóide). 43 Figura 11. Exemplo simbólico de uma rede neural artificial. 45 Figura 12. Aprendizagem Supervisionada. 47 Figura 13. Neurônio artificial. 49 Figura 14. Sinal de ECG obtido pela descompactação de dados do MIT-DB (derivações MLII e DIII). 56 Figura 15. Exemplos de Wavelet-Mãe (bior1.3, bior1.5). 64

14 14 Figura 16. Representação do algoritmo de decomposição Wavelet em Árvore. 65 Figura 17. Fluxograma do sistema desenvolvido. 67 Figura 18. Sinal bruto com taxa de amostragem 360 Hz, 1024 pontos de deslocamento e ganho de 200 vezes. 69 Figura 19. Sinal Ajustado para 250 Hz, após eliminação de ganho e deslocamentos. 69 Figura 20. Quatro segundos de sinal ajustado e a linha isoelétrica recuperada. 70 Figura 21. Processo de decomposição do sinal. 72 Figura 22. Decomposição do sinal em 4 níveis. 72 Figura 23. Sinal de ECG com dificuldades de se encontrar as ondas P e T. 73 Figura 24. Diagrama do Classificador Neural. 74 Figura 25. Localização de picos das ondas R, as cruzes (+) representam picos candidatos, e os pontos (o) picos eleitos. 76 Figura 26. Seleção correta de picos das ondas R. 78 Figura 27. Exemplos de ótimo desempenho em localizar os picos das ondas R. 79 Figura 28. Exemplos do ótimo desempenho da rede neural ao localizar os picos das ondas R. 79 Figura 29. Problemas na detecção do pico da onda R. 80 Figura 30. Ajuste do sinal por uma função de ajuste linear/angular. 81 Figura 31. Exemplo de ciclos cardíacos extraídos, usando a derivação MLII. 81 Pontos percentuais em ondas componentes do ECG. 82 Figura 33. Quadro de Captura, dividido em quadros de leituras (linhas verticais pontilhadas), juntamente com as anotações definidas pelo MIT-BIH (Cruzes). 83 Figura 34. Pontos percentuais marcados nas ondas P, QRS, T (em valores absolutos). 84

15 15 Figura 35. Resultados obtidos pelas RNA s, X representam os resultados da rede, O os target s. 87 Figura 36. Extração de informações dos 4 segundos para análise. 90 Figura 37. Tela do Programa de Análise de ECG. 91 Figura 38. Exemplo de localização de patologias. 93 Figura 39. Outro exemplo de resposta do sistema. 94

16 16 Lista de Tabelas Tabela 1. Amplitudes das ondas do complexo QRS normal. 34 Tabela 2. Explicação do funcionamento das tabelas de contingência. 53 Tabela 3. Melhores redes e resultados de classificação para Treino. 74 Tabela 4. Melhores redes e resultados de classificação para Validação. 74 Tabela 5. Melhores redes e resultados de classificação para Teste. 75 Tabela 6. Melhores redes e resultados de classificação para Teste. 78 Tabela 7. Resultados para onda P. 85 Tabela 8. Resultados para complexo QRS. 85 Tabela 9. Resultados para onda TB. 86 Tabela 10. Resultados para a onda TE. 86 Tabela 11. Resultados obtidos por múltiplas redes. 86 Tabela 12. Valores obtidos pelo algoritmo desenvolvido nessa dissertação. 88 Tabela 13. Valores obtidos pelo algoritmo desenvolvido pelo artigo: (Automatic Wave Onset and Offset Determination in ECG Signals: Validation with the CSE Database) (Laguna, 1992). 88 Tabela 14. Tolerância máxima aceita em desvios padrões. 89 Tabela 15. Extração de informações de 4 segundos. 90

17 17 Lista de Abreviações AV Nódulo Átrio-Ventrícular; BAV Bloqueio Atrio Ventricular; bpm Unidade de medida, Batimentos por Minuto do coração; DI Derivação I; DII Derivação II; DIII Derivação III; DP Desvio Padrão; ECG Eletrocardiograma; ESC European Society of Cardiology; FA Fibrilação Atrial; FC Freqüência Cardíaca; IA Inteligência Artificial; IAM Infarto Agudo do Miocárdio; IC Inteligência Computacional; ICA Independent Components Analysis; LDA Linear Discriminant Analysis; LM Levenberg-Marquardt (algoritmo de treinamento para Redes Neurais Artificiais); MAPE Mean Absolute Percent Error; MCP Modelo de McCulloch e Pitts (Neurônio Artificial); MIT Massachusetts Institute of Technology; MIT-BIH MIT - Beth Israel Hospital; MIT-CUDB MIT - Creighton University Ventricular Tachyarrhythmia; MIT-CSE MIT A Multi-Lead Measurement Database; MIT-LSTDB MIT - The Long-Term ST Database: A Research Resource for Algorithm Development and Physiologic Studies of Transient Myocardial Ischemia; MIT-QTDB MIT - A Database for Evaluation of Algorithms for Measurement of QT and Other Waveform Intervals in the ECG; MLII Derivação DII modificada; MLP Multi Layer Perceptron; mv Unidade de medida, milésima parte de um volt; NAV Nódulo Átrio-Ventrícular; NDA Nonlinear Discriminant Analysis; NS Nódulo Sinusal; PCA Principal Components Analisys; RNA Redes Neurais Artificiais; SABIO Sistema Interativo para Aquisição e Análise de Sinais Biomédicos; SI Sistemas Inteligentes; TF Transformada de Fourier; TW Transformada Wavelet.