1 Introdução 1.1 Motivação Histórica
Definição 5.1. (Monte Carlo) A operação de seleção de Monte Carlo é uma função
5.1.2 Comparativo da arquitetura diferencial Many-threaded aplicado AGs em CUDA
A proposta de Kromer (2011), a implementação consiste em um conjunto de núcleos desenvolvidos em CUDA-C, para geração da população inicial e geração de lotes pseudo-aleatórios para tomada de decisão e criação de novas populações no AG baseado no modelo de Holland (1975).
Segundo o autor (KROMER,2011), os kernels foram implementados nos seguintes princípios: cada solução, representado pelas coordenadas de vetores, está processada por um fio no limite dos threads por bloco depende da sua capacidade.
Na figura 5.7, apresenta à arquitetura de Kromer (2011), a chamada do kernel , o que processa toda a população em um único ciclo, lançando blocos com 512 threads em paralelos, permite reduzir a complexidade do algoritmo a partir do tamanho da população operando de forma paralela a nível lógico, o que permite acelerar a função de adaptação na GPU.
Figura 5.7 - Implementação flowhart em CUDA. Fonte: KROMER,2011.
5.2 Pesquisas relacionadas ao processamento de sinais de ECG
5.2.1 Classificação e processamento de sinais
O processo de análise de cluster, proposto por Yeh (2012), figura 5.8, provém de uma técnica capaz de classificar dados cardiológicos de pacientes com batimentos cardíacos normais. À priori, busca detectar o complexo QRS e selecionar as principais características do ECG e identificar novos agrupamentos. A principal desvantagem do algoritmo está na remoção da linha de base do ECG, este processo pode ocasionar perda de informação.
Figura 5.8 - Modelo de característica qualitativa de seleção com CA. Fonte:YEH,2012.
Na proposta de Johannesen (2010), a transformada de Wavelet, tem como objetivo realizar análise quantitativa dos sinais de ECG, para classificar individualmente os padrões de ondas dos sinais cardiológicos, para a monitoração de pacientes, durante 24 horas, registrada pelo Holter. O algoritmo permite a identificação das ondas: P (76% (normal), 89,2% (invertida), 97%(bifásica)), QRS(87,3%), R (90,2%), T(82,3% (normal), 86,6%(invertida), 90,8% (bifásica) e U (74% (normal), 89,9% (invertida)).
De acordo com os autores Lee(2010), Watanabe(2010), Luecke(2011), existem polêmicas relacionadas à regularidade da onda U, durante o ciclo cardíaco, por ser considerada de difícil identificação nos exames tradicionais de ECG.
Segundo Schlosser (2010), a comprovação da existência da onda U pode ser obrigatória no ciclo cardíaco e pode ser perdida durante o processo de filtragem com a distorção do sinal, durante a gravação do ECG. O algoritmo MCGs (Magnetocardiograms) desenvolvido por Schlosser(2010), utiliza o filtro passa-baixa no limite da frequência de 300 Hz para evitar distorções no sinal durante o processo de filtragem, que trata os sinais de ECG como séries temporais com objetivo de previsão. Este processo poderá contribuir na descoberta de mecanismos de geração de ondas U, não identificadas nos exames tradicionais de ECG (SCHLOSSER,2010).
No entanto, o algoritmo MCGs (figura 5.9), apresenta o modelo de correlação espacial entre as ondas T e U, demonstrando a existência de confirmação de atividades elétricas da onda U em pacientes aparentemente saudáveis (SCHLOSSER,2010). Segundo o autor (SCHLOSSER,2010), este processo evita realizar a filtragem na linha de base do ECG para poder detectar a onda U. A principal desvantagem do algoritmo está relacionada na validação dos dados com exames de ECG normais sem identificar se
o processo de correlação espacial e detecção de ondas realizadas pelo algoritmo MCGs ocorrem em sinais decorrentes de arritmias.
Modelo de medição no início da onda U: análises das ondas TU na correlação espacial dos canais 31 MCGs. A intersecção da primeira série de correlação (padrão máximo da onda T) e na segunda série (padrão máximo da onda U) é o início da onda U (linha a tracejado).Fonte: SCHLOSSER,2010.
Schlosser (2010) argumenta, que na literatura médica existem diversos estudos propostos por Watanabe (2010), Cox (2011), Padrini (2001), Kanemoto (1991), que vislumbram analisar o significado clínico da polaridade normal e anormal da onda U. • Aplicações em arquiteturas de alto desempenho
Na literatura, existem diversos trabalhos que abordam processamento digital de sinais de eletrocardiograma. A identificação do complexo QRS é abordado na maioria dos trabalhos que adotam a plataforma FPGA, os quais serão vistos a seguir:
No estudo realizado por Li (2010), o algoritmo Adaptive Lifting Sheme(ALS) tem como objetivo identificar o complexo QRS e filtragem do sinal de ECG utilizando FPGA (Virtex II Pro), o qual integra os módulos de controle, transmissão, aquisição e salvamento dos dados, diretamente no algoritmo ALS. Os dados para compor os processos de transmissão e predição são extraídos da base de dados do MIT-BIH (PHYSIONET,2014).
O algoritmo ALS é composto pelos blocos: Split (responsável por dividir o sinal de entrada em dois tipos de sinais: aproximação e detalhe), Update (atualiza os sinais de aproximação ao bloco de predição P), P (representa os dados de predição após o processamento do sinal de entrada, conforme apresentado na figura 5.10 .
Segundo o autor (LI,2010), a principal vantagem do algoritmo ALS é a detecção do complexo QRS de 99.68% com a utilização de FPGA, se comparado com o índice de detecção de 20% dos sistemas que abordam as técnicas tradicionais de DSP. As principais desvantagens do algoritmo ALS corresponde a realização de filtragem a partir de um único sinal de ECG, o algoritmo não identifica sinais provenientes de arritmia.
Diagrama do algoritmo ALS Sj (sinal de entrada), Split (módulo que divide o sinal
em aj (sinal de aproximação) e dj (sinal de detalhe), Update (atualiza as
aproximações aj+1 ao sinal dj P (Predição) e dj+1 indica componente de alta
frequência do sinal original eliminado na predição. Fonte: LI,2010.
O algoritmo de Qiang (2010) desenvolvido em FPGA, apresenta uma estrutura compacta de alto desempenho utilizando filtro FIR para minimizar os ruídos provenientes de alta frequência no processo de aquisição de dados de ECG, com o intuito de obter um efeito de suavização do sinal de eletrocardiograma. Na figura 5.11, apresenta o processo de filtragem e suavização de ondas no sinal de ECG. A principal limitação do algoritmo está relacionado com o tamanho de armazenamento do sinal de ECG no FPGA de 8 bits. Este processo minimiza a visualização completa das ondas que representam um período de acordo com as derivações que formam do sinal de ECG.
Figura 5.11 - A) Sinal de ECG antes da filtragem e B) Sinal de ECG após filtragem.Fonte:QIANG,2010.
Na proposta de Nianqiang (2010), o processo de aquisição de dados do ECG, utiliza vários algoritmos, tais como: Fast Fourier Transform(FFT), Wavelet Threshold Denoising(WTD), Discrete Fourier transform (DFT), Decimation in Time (DIT), Decimation In Frequency (DIF), na base do circuito do FPGA durante a execução do processamento dos sinais.
Segundo o autor (NIANQIANG,2010), para decomposição do sinal foram usados os algoritmos FFT e DFT, a filtragem do sinal pode ser visualizada nas figuras 5.12 e 5.13. O modelo de Nianqiang (2010), apresenta uma estrutura compacta no FPGA (Cyclone III) utilizando vários algoritmos para aquisição, decomposição, filtragem e compressão de dados em tempo real. As principais desvantagens do uso de vários algoritmos poderá deixar os processos de aquisição e filtragem de dados mais lentos. Figura 5.10 -
Portanto, a redução da dimensionalidade dos dados é executada pelo algoritmo antes da detecção das ondas. Este processo, permite que muitas características que formam a composição do sinal de ECG sejam compactados de tal forma que não se consiga visualizar possíveis arritmias após o processamento do sinal.
Figura 5.12- Sinal original de ECG com ruídos. Fonte:NIANQIANG,2010.
Figura 5.13 - Processamento do sinal de ECG após a filtragem. Fonte:NIANQIANG,2010.
Na proposta de Morales (2011), implementa uma arquitetura que integra o Field Programmable Analog Array (FPAA) com FPGA-Spartan, e descreve uma nova abordagem para processamento digital de sinais de ECG. Neste estudo, foram usadas apenas três derivações do ECG utilizando filtro FIR e a transformada de Wavelet, durante o processo de filtragem e para identificação do complexo QRS e demais características das ondas do ECG.
Segundo o autor (MORALES,2011), o FPGA é responsável pela reconfiguração do FPAA, para união estável da aquisição de dados de forma versátil de biosinais, vislumbrando o ajuste automático de ganho de largura de banda, que são requeridos pelas condições de entrada de dados dos sinais de ECG.
Na figura 5.14, apresenta-se o modelo de condicionamento analógico utilizando as conexões de eletrodos de Einthoven (HUDSON,1976), onde o processo de aquisição de dados é realizado a partir dos registros dos três eletrodos na superfície corporal: right arm (RA), left arm e right leg (LA). A diferença entre potenciais de leituras do braço direito (RA) e braço esquerdo (LA) é usado para produzir a saída do traçado do ECG. O eletrodo que conecta com a perna direita (RL) estabelece uma conexão comum para o corpo ao dispositivo de gravação. De acordo com Morales (2011), este processo permite que o sinal analógico de ECG seja convertido em digital com a abordagem de amplitude,
em nível de ruído e requisitos de largura de banda na frequência dos sinais de ECG (MORALES,2011).
Figura 5.14 - Uso das três derivações no condicionamento analógico. Fonte: MORALES,2011.
Segundo Morales (2011), a principal vantagem do desenvolvimento do circuito com o uso de FPAA para sintetizar o subsistema analógico para digital permite a redução da amplitude do sinal, sendo capaz de alterar o desempenho do filtro em diferentes níveis de ruídos.
Arranjo experimental para processamento de sinais de ECG em tempo real. Fonte: MORALES,2011.
Na figura 5.15, apresenta o arranjo experimental para processamento de sinais de ECG. Na arquitetura geral, o FPAA é alimentado com os sinais provenientes dos eletrodos ligados ao paciente, enquanto o teste diferencial pelo FPAA representa a saída do sistema, está conectado a dois canais de 14 bits conectados ao conversor ADC (Analogic Digital Converter) no FPGA ( Spartan 3E). As entradas analógicas no ADC são amostradas simultaneamente em 1 kSPS, tempo necessário para o processamento do sinal analógico de ECG e conversão do sinal digital, após o processamento todos os sinais são enviados através da porta USB para um desktop e visualizados no software LabVIEW.
Na literatura é possível identificar diversos algoritmos que abordam métodos Figura 5.15 -
estatísticos, tais como: distância média, euclidiana, matrizes de correlação, curva do gradiente, algoritmos como K-Nearest Neighbors (KNN) e Support Vector Machine (SVM), predição recursiva, K-means, reconhecimento de padrões na classificação de sinais de ECG para detectar o complexo QRS. Estes trabalhos serão descritos a seguir:
Em Saini (2013b), para o processamento de sinais de ECG utiliza-se a transformada de Fourier na análise do espectro e o processo de modulação complexa do sinal a partir de filtros digitais, a unificação destes algoritmos tem como objetivo remover a linha de base do ECG.
O comparativo dessas técnicas, proposta por Saini (2013b), pode ser visto na tabela 5.1 e demonstra a classificação realizada por diversos algoritmos usados na detecção do complexo QRS. Entre todos os algoritmos demonstrados na tabela 5.1, o algoritmo KNN conseguiu maior precisão de detecção do complexo QRS em 99.89%, comparado com os demais algoritmos vistos na literatura, por exemplo: SVM, K-means, Redes Neurais. A principal desvantagem de trabalhar com algoritmos que abordam redes RBF está relacionada ao custo computacional para executar as operações de classificação.
Comparação do algoritmo KNN com outros algoritmos de detecção do QRS usando a base de dados CSE. (A) algoritmo SVM ,(B) Comprimento e transformação de energia,(C) Técnica de previsão recursiva,(D) algoritmo K-means,(E) abordagem ascendente ,(F) morfologia matemática, (G) método de reconhecimento de padrões integrado (H) predição com redes neurais para detecção do complexo QRS. Fonte: SAINI,2013b.
A classificação e compressão de sinais de ECG também podem ser vista na literatura abordando outros algoritmos, por exemplo, Independent Component Analysis
(ICA) (HAYKIN,2001) e Principal Component Analysis (PCA)
(KHAZAEE,2014;ACHAARYAA,2013).
Segundo Acharyaa (2013), a redução da dimensionalidade realizada pelos processos PCA e ICA, realiza uma transformação nos dados a partir da variância em função do erro médio quadrático. No entanto, a quantização do sinal analógico em digital realizada pela maioria dos filtros digitais FIR, IIR e adaptativos, poderão esconder características significativas nos sinais, por realizarem diversas transformações lineares e não lineares na base de dados, principalmente quando se trata de sinais cardiológicos, por não conseguirem manter uma cópia efetiva da base original de dados, podendo ser de difícil interpretação. As transformações realizadas por estes algoritmos poderão esconder ou perder informações.
O modelo Acharyaa (2013) desenvolvido em CPU convencional usando o software Matlab (figura 5.16), permite realizar a condensação nos dados originais do
Base de dados Detecção QRS Referências Detecção
CSE Algoritmo KNN Algoritmos 99.89
(A) (MEHTA,2008) 99.75 (B) (GRITZALI,1998) 99.60 (C) (KYRKOS,1988) 99.00 (D) (MEHTA,2010) 98.66 (E) (TRAHANIAS,1989) 98.49 (F) (TRAHANIAS ,1993) 99.38 (G) (MEHTA,1996) 99.83 (H) (VIJAYA,1998) 98.96 Tabela 5.1 -
ECG e criar uma nova base de dados a partir da redução do número de características efetivas durante a escolha dos componentes principais e independentes na formação do vetor característica. Este processo permite melhor precisão na redução de dimensionalidade.
Figura 5.16 - Diagrama de blocos do modelo de classificação. Fonte: Acharyaa,2013 .
O processo de classificação realizada pela RBF é realizado a partir da escolha dos componentes principais e independentes, o que permite melhor aproximação das características do ECG. As principais desvantagens do modelo estão na utilização de vários algoritmos, tais como: FIR, ICA, PCA, RBF, WDT (Discrete Wavelet Transform), LDA (Linear Discriminant Analysis), no processo de classificação o que resulta em tempo longo de processamento e o algoritmo descarta as dimensões da base de dados com objetivo de reduzir a dimensionalidade resultando em perda de informação.