Sonuç ve Değerlendirme

Tipicamente, sinais de eletrocardiograma são compostos pelas ondas P’s, comple- xos QRS’s e ondas T’s. A forma das ondas, a duração e a relação uma com as outras são os principais parâmetros para identificar a presença de algumas patologia cardíacas. Por exem- plo, todas as irregularidades relativas ao batimento cardíaco são classificadas como arritmias. Desta maneira, propomos um modelo estatístico para o reconhecimento automático das ondas e segmentos do ECG. A Figura 33, à direita, mostra um batimento cardíaco e, à esquerda, seu diagrama de estados com suas possíveis transições para ser implementada usando HMM a partir do toolbox BNET (redes bayesianas).

Figura 33: Direita – ilustração de um batimento cardíaco com suas ondas e segmentos. Esquerda – diagrama de estados proposto para reconhecimento automático das ondas e segmentos do ECG.

Observe que o modelo SEG agrupa os segmentos PQ, ST e a linha isoelétrica (ISO) num só modelo estatístico, pois esses mantêm estreitas relações biológicas.

Uma HMM necessita de um estágio de extração de características, por exemplo, a partir da transformada de wavelet para construir a seqüência de observação O. As escalas de wavelets apresentam uma mesma resolução temporal do sinal original, isto é, a seqüência de observa- ção é composta de um vetorO de tamanho N (escalas) para cada instante de tempo t. Ou seja, _t

(

O O OT

)

O= _{1 2}K _{, onde T é o tamanho do sinal original.}

Em seguida, deve-se estimar um modelo de probabilidade a partir das seqüências de observa- ção. Uma HMM é caracterizada através do seguinte conjunto de parâmetros [20]:

)

π

,

B

,

A

(

λ

=

onde A é a matrix das probabilidade de transição entre os estados, B representa as funções densidades contínuas das observações e π é o vetor de probabilidade de estado inicial. As observações são modeladas pela mistura de gaussianas.

A Figura 34 abaixo apresenta o resultado obtido de uma simples simulação consi- derando somente as formas das ondas do ECG filtradas e normalizadas usando os algoritmos da transformada contínua de wavelet (CWT). Espera-se que ao adicionar os modelos de am- plitudes e durações o reconhecimento ganhe precisão e possa ser usada na classificação auto- mática de patologias.

REFERÊNCIAS

[1] Y. özbay and K. B. Karlik, "A Recognition of ECG Arrhythmias using Artificial Neural Networks," Proceedings of the 23rd Annual EMBS International Conference , pp. 1680-1682, Oct. 2001.

[2] M. G. Strintzis, G. Stalidis, X. Magnisalis, and N. Maglaveras, "Use of neural networks for electrocardiogram (ECG) feature extraction, recognition and classification," Neural Net- work World, vol.3, pp. 313-327, 1992.

[3] Y. Suzuki, "Self-Organization QRS-wave detection: A quantitative Analysis," IEEE Transactions Biomedical Engineering, vol.6, pp. 1469-1477, 1995.

[4] S. L. Melo, L. P. Calôba and J. Nadal, "Arrhythmia Analysis Using Artificial Neural Net- work and Decimated Eletrocardiographic Data," IEEE Computers in Cardiology, vol.27, pp. 73-76, 2000.

[5] S. Kadambe, R. Murray and G. F. Boudreaux-Bartels, "Wavelet Transform-Based QRS Complex Detector," IEEE Transactions on Biomedical Engineering, vol. 46, pp. 838-848, July. 1999.

[6] P. S. Hamilton, and W.J. Tompkins, "Adaptive matched filter for QRS detection," Proc. Annu. Int. Conf. IEEE Transactions Engineering in Medicine and Biology Society, New Or- leans, LA, pp. 192-202, 1998.

[7] A. Kyrkos, E. Giakoumakis, and G. Carayannis, "Time recursive prediction techniques on QRS detection problem," Proc. Annu. Int. Conf. IEEE Transactions Engineering in Medicine and Biology Society, Boston, MA, vol. 47, pp. 1885-1886, 1987.

[8] V. X. Afonso, W.J. Tompkins, T. Q. Nguyen, and S. Luo, "ECG beats detection using filter banks," IEEE Transactions Biomedical Engineering, vol.46, pp. 192-202, Jan-Fev. 2002. [9] B. U. Köhler, C. Henning and R. Orglmeister, "QRS detection using zero crossing

counts," submitted for publication, 2001.

[10] Murali L. Kejerival: A QRS detection algorithm for descrinating artefacts in ECG re- cords. Computation in Cardilogy 1989, 2689:226-227.

[11] Joachim N. Rodrigues, Viktor O. wall and Leif Sornmol: R-Wave Detection For Pace- makers Using A Matched Filter Based On An Artificial Neural Network.

[12] M. Okada, “A digital filter for the QRS complex detection,” IEEE Trans. Biomed. Eng., vol. 26, pp. 700-703, Dec. 1979.

[13] Moreas JCTB, Seixas MO, Vilani FN, Costa EV: A QRS complex detection algorithm using electrocardiogram leads. Computation in Cardilogy 2002, 29:205-208.

[14] Englese WAH, Zeelenberg C: A single scan algorithm for QRS detection and feature extraction. IEEE Comp in Card 1979, 37-42.

[15] Pan J, Tompkins W: A real-time QRS detection algorithm. IEEE Trans Biomed Eng 1985, 32:230-236.

[16] Ligtenberg A, Kunt M: A robust-digital QRS detection algorithm for arrhythmia moni- toring. Computers and Biomed Res 1983, 16:273-286.

[17] Friesen GM, Jannett TC, Jadallah MA, Yates SL, Quint SR, Nagle HT: A comparison of the noise sensitivity of nine QRS detection algorithms. IEEE Trans on Biomed Eng 1990, 37:85-98.

[18] Daskalov IK, Dotsinsky IA, Christov II: Developments in ECG acquisition, preprocess- ing, parameter measurement and recording. IEEE Eng in Med & Biol 1998, 17:50-58. [19] Poli R, Cagnoni S, Valli G: Generic design of optimum linear and nonlinear QRS detec- tion. IEEE Trans on Biomed Eng 1995, 42:1137-1141.

[20] D.A. Coast, R.M. Stern, G.G. Cano, and S.A. Briller, “An approach to cardiac arrhyth- mia analysis using hidden Markov models,” IEEE Trans. Biomed. Eng., vol. 37, pp. 826-836, 1990.

[21] Dotsinsky I, Stoyanov T: Ventricular beat detection in single channel electrocardiograms. BioMed Eng OnLine 2004, 3:3.

[22] Li C, Zheng C, Tai C: Detection of ECG characteristic points using wavelet transforms. IEEE Trans on Biomed Eng 1995, 42:21-28.

[23] Ivaylo I. Christov: Real time electrocardiogram QRS detection using combined adaptive threshold. IEEE Trans on Biomed Eng 2004.

[24] D. S. Bernitez, P. A. Gaydecki, A. Zaidi, and A. P. Fitzpatrick, "A New QRS Detection Algorithm Based on the Hilbert Transform," Computers in Cardiology, vol.27, pp. 379-382, 2000.

[25] Y. Sun, S. Suppappola, and T.A. Wrublewski, “Microcontroller-based real-time QRS detection,” Biomed. Instrum. Technol., vol. 26, no. 6, pp. 477-484, 1992.

[26] A. Gutiérrez, P. R. Hernández, M. Lara, S. J. Pérez, "A QRS Detection Algorithm Based on Haar Wavelet," Computers in Cardiology, vol.25, pp. 353-356, 1998.

[27] A. Ruha, S. Sallinen, and S. Nissila, “A real-time microprocessor QRS detector system with a 1-ms timing accuracy for the measurement of ambulatory HRV,” IEEE Trans. Biomed. Eng., vol. 44, pp. 159-167, 1997.

[28] S. M. Szilágy, L. Szilágy: Wavelet Transform and Neural Networking based Adaptative Filtering for QRS detection. Proceedings of the 22th Annual EMBS International Conference, July 23-28, pp. 1267-1270,2000, Chicago.

[29] P.E. Trahanias, “An approach to QRS complex detection using mathematical morphol- ogy,” IEEE Trans. Biomed. Eng., vol. 40, no. 2, pp. 201-205, 1993.

[20] J. Lee, K. L. Park, K. J. Lee, H. R. Yoon: A New QRS Detection Algorithm Using Reso- nance Theory. Proceedings of the 20th Annual of the IEEE Engineering in Medicine and Bi- ology Society, Vol. 20, No 1, pp. 154-155,1998.

[31] J. Lee, K. Jeong, J. Yoon, M. Lee : “A simple real time QRS detection Algorithm,” in Proc. Annual. Int. Conf. IEEE Engineering in Medicine and Biology Society, Amsterdam, 1996, pp. 1396-1398.

[32] F. Gritzali, “Towards a generalized scheme for QRS detection in ECG waveforms,” Sig- nal Processing, vol. 15, pp. 183- 192, 1988.

[33] F. Gritzali, G. Frangakis, and G. Papakonstantinou, “A comparison of the length and energy transformations for the QRS detection,” in Proc. 9th Annu. Conf. IEEE Engineering in Medicine and Biology Society, Boston, MA, 1987, pp. 549-550.

[34] H. J. Kweon, J. W. Suk, J. S. Song, M. H. Lee: Wintelligent QRS Typification Using Fuzzy Clustering. EMBS International Conference and CMBEC, pp. 199-200,1997. [35] L. Sörnmo, O. Pahlm, and M.-E. Nygards, “Adaptive QRS detection: A study of per- formance,” IEEE Trans. Biomed. Eng., BME-32, pp. 392-401, June 1985.

[36] J. L. Urrusti and W. J. Tompkins, Performance evaluation of an ECG QRS complex de- tection algorithm, Proc. Annual International Conference of the IEEE Engineering in Medi- cine and Biology Society, pp. 800–801, 1993.

[37] Henrici Peter, Applied and computational complex analysis, Volume 1, John Wiley & Sons, Inc., New York, 1988.

[38] Saff E. B., Snider A. D., Complex analysis for mathematics, sience and enginering, Pren- tice-Hall, Inc., New York, 1976.

[39] Aniansson J. et al, Fouriermetoder, KTH, Stockholm, 1989.

[40] Goldberg R. R., Fourier transforms, Cambrige university press, Cambridge.

[41] B.W.Roos., Analytic Functions and Distributions in Physics and Engineering, John Wi- ley and Sons, Ney York (1969)

[42] Hans Bremermann, Distributions, Complex Variable, and Fourier Transforms, Addison- Wesley Publishing Co., Reading, MA (1965)

[43] F. D. Gakhov, Boundary Value Problems, Dover Publications, New York (1966)

[44] I. Daubechies, Ten Lectures on Wavelets, Vol. 61 of CBMS-NSF Reg. Conf. Ser. Appl. Math., SIAM Press, Philadelphia, 1992.

[45] S. Mallat, ‘‘Multiresolution approximations and wavelet orthogonormal bases of

) (ℜ

2

L _{,’’ Trans. Amer, Math. Soc., 315:69--87 (1989).}

[46] S. Mallat, A Wavelet Tour of Signal Processing, Academic Press, San Diego, 1998. [47] STRANG, G.; NGUYEN, T. Wavelets and filter banks. Wellesley, Wellesle-Cambridge Press,1996. 490p.

[48] JAWERTH, B.; SWELDENS, W. An overview of wavelet based multiresolution analy- sis. SIAM Review, v.36, n.3, p.377-412, 1994. /Disponível via Internet, “ftp://ftp.math.sc.edu/ pub/imi_93/imi93_1.ps”, Columbia, University of South Carolina, site do Dept. of Mathemat- ics, 1997. 39p.

[49] MEYER, Y. Wavelets: algorithms and applications. Philadelphia, SIAM, 1993. 133p. [50] REISSEL, L-M. Multiresolution and Wavelets. In: SIGGRAPH 94. INTERNATIONAL CONFERENCE ON COMPUTER GRAPHICS AND INTERACTIVE TECHNIQUES, 21., Orlando, 1994. Wavelets and their applications to computer graphics. New York, ACM, 1994. (Course notes, 11). p.31-61.

[51] CHUI, C.K. An introduction to wavelets. San Diego, Academic Press, 1992. 226p. [52] I. W. Selesnick, "Hilbert Transform Pairs of Wavelet Bases," IEEE Signals Processing Letters, vol.8, pp. 170-173, Jun. 2001.

[53] J. Weiss, "The Hilbert Transform of wavelets are wavelets," Applied Mathematics Group, Arlington, MA.

[54] L. Rabiner: A tutorial on Hidden Markov Models and selected applications in speech recognition, Proceedings of the IEEE 77(2):257-286, 1989.

APÊNDICE A –

ARRITMIAS CARDÍACAS

A interpretação das arritmias cardíacas deve começar com o conhecimento da ana- tomia e da eletrofisiologia do sistema elétrico do coração. Ele consiste de uma série de células marcapasso com descarga rápida, localizada proximamente, e células marcapasso mais lentas localizadas distalmente, que tem a finalidade de funcionar num sistema tipo cascata (despola- rização no sentido de cima para baixo). Se as células marcapasso proximais disparam mais lentamente ou param de gerar estímulos, as células marcapasso mais distais passam a gerar estímulos e mantém a atividade elétrica do coração. Em condições normais o marcapasso do- minante é o nódulo sinusal localizado na porção alta do átrio direito próximo da desemboca- dura da veia cava superior, e que dispara estímulos com uma freqüência entre 60 e 100 BPM. Através de uma série de feixes internodais o impulso elétrico caminha para baixo até o nódulo atrioventricular, estrutura situada na porção baixa do átrio direito, próximo ao folheto septal da válva tricúspide (freqüência de disparo de 40-60 BPM). Após passar através do nó AV o estímulo elétrico penetra no feixe de Hiss, localizado no septo interventricular, passa pelos ramos direito e esquerdo do feixe de Hiss, pelas fibras de Purkinje e finalmente atinge o mio- cárdio ventricular. A junção Punkinje-músculo tem células marcapasso que disparam estímu- los com FC entre 20-40 BPM.

Figura 35: Relação entre o ECG e a anatomia do sistema de condução.

As arritmias cardíacas podem ocorrer por alteração na formação do estímulo elé- trico (ex: bradicardia e taquicardia sinusal), por alteração na condução do estímulo (ex: blo- queios atrioventriculares) ou por alterações mistas de geração e condução (ex: fibrilação atri- al).

Os principais mecanismos geradores de arritmias são: automatismo, reentrado e atividade deflagrada. No automatismo as arritmias podem ser causadas, por exemplo, por alte- rações na inclinação na fase 4 do potencial de ação,causadas pela ação do vago e do simpáti- co. Atividade deflagrada são oscilações que ocorrem na fase 3 ou 4 do potencial de ação, chamados de pós-potenciais precoces ou tardios, e que se atingirem o potencial limiar, podem

disparar novos potenciais de ação. E, finalmente, o principal mecanismo causador de arritmi- as é a reentrada, onde para que ela ocorra são necessários a coexistência de 3 condições bási- cas: presença de 2 vias, uma das vias com bloqueio unidirecional, e a outra via com condução lenta. A maioria das extra-sístoles e das taquicardias supraventriculares e ventriculares são causadas por reentrada.

Figura 36: Representação esquemática do potencial de ação das células marcapasso.

A representação diagramática do mecanismo de reentrada. Os ramos de fibra de Purkinje que se ligam à fibra muscular são representados por A e B. A área sombreada em A representa a área de bloqueio unidirecional.

Além disto é importante à determinação de alguns conceitos que vão facilitar a discussão do ECG. Primeiro, a arritmia supraventricular é toda arritmia que necessite para sua manutenção de estruturas localizadas acima da bifurcação do Feixe de Hiss (nó sinusal,parede atrial, nó AV e feixe de Hiss). Arritmia ventricular é aquela que necessita para sua manuten- ção de estruturas localizadas abaixo da bifurcação do feixe de Hiss (ramos do feixe de Hiss e miocárdio ventricular).

O PR normal tem duração de até 0.20 segs.

O complexo QRS é normal quando sua duração tem até 0.12 segs, e largo quando sua duração ultrapassa 0.12 segs.

Na análise do ECG com arritmia é muito importante a análise de 4 itens: a) Freqüência cardíaca

• muito rápida (FC > 100 BPM);

• muito lenta (FC < 60 BPM). b) Presença da onda P.

c) Presença de complexos QRS. d) Relação entre onda P e o QRS.

Tendo estes conceitos básicos em mente, vamos iniciar o estudo das principais ar- ritmias cardíacas.

Belgede Baskı & Cilt / Printing & Volume Sertifika / Certificate No: 47083 (sayfa 63-69)