Organizer LocalOrganization Secretariat www.sbis.org.br/cbis2010
UTILIZAÇÃO DE REDES COMPETITIVAS PARA DESCOBERTAS DE ARRITMIAS CARDÍACAS CICÍLIA R. M. LEITEAB
, DANIEL L. MARTINSB
, GLÁUCIA R. M. A. SIZILIOB
, KEYLLY E. A. DOS SANTOSB
, BRUNO G. DE ARAÚJOBC, RICARDO A. DE M. VALENTIMC, ADRIÃO D. D. NETOB, JORGE D. DE MELOB, ANA
M. G. GUERREIROB A
Departamento de Informática - Universidade do Estado do Rio Grande do Norte (UERN) e Faculdade de Ciências e Tecnologia Mater Christi - Mossoró-RN-Brasil
BDepartamento de Engenharia de Computação e Automação – Universidade Federal do Rio Grande
do Norte (UFRN) -Natal -RN-Brasil
C
Diretoria de Educação e Tecnologia da Informação – Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Norte (IFRN) - Natal-RN-Brasil
E-mails: {ciciliamaia,danniel,glaucia,keylly,brunogomes,valentim,adriao,jorge,ana}@dca.ufrn.br RESUMO
As informações geradas por sensores que coletam os sinais vitais de pacientes são sequências con-tínuas e ilimitadas de dados. Tradicionalmente, tais informações requerem equipamentos e progra-mas especiais para monitorá-las, que processam e reagem à contínua entrada de dados de diversas origens. Desta forma, o objetivo deste trabalho é analisar os dados oriundos destes equipamentos biomédicos, neste caso o ECG através do eletrocardiógrafo. Assim, o processamento utiliza um clas-sificador neural, redes neurais competitivas de Kohonen, detectando, desta forma, se o ECG apre-senta alguma arritmia cardíaca, no intuito de posteriormente enviar a informação do estado de saúde do paciente através de mensagens para o celular do médico com o possível diagnóstico.
Palavras-chave: Redes neurais artificiais, Eletrocardiograma, ECG, Redes Neurais Competitivas de Kohonen, Automação Hospitalar
ABSTRACT
Information generated by sensors that collect a patient’s vital signals are continuous and unlimited data sequences. Traditionally, this information requires special equipment and programs to monitor them. These programs process and react to the continuous entry of data from different origins. Thus, the purpose of this study is to analyze the data produced by these biomedical devices, in this case the electrocardiogram (ECG). Processing uses a neural classifier, Kohonen competitive neural networks, detecting if the ECG shows any cardiac arrhythmia, in order to subsequently send information on the patient’s health status though messages to the physician’s cell phone with a possible diagnosis. Keywords: Artificial Neural Networks, Electrocardiogram, ECG, Competitive Kohonen Neural Net-works, Hospital Automation
1. Introdução
Pacientes internados em Unidade de Tera-pia Intensiva (UTI) necessitam de acompanha-mento contínuo dos seus sinais vitais, visando a detecção antecipada de situações de risco, permitindo a intervenção em tempo hábil pelos profissionais de saúde.
Assim, ressalta-se a importância da equipe médica receber informações sobre os sinais vitais de um paciente e um pré-diagnóstico sempre que for detectada uma possível situa-ção de risco.
Este presente estudo consiste no estudo dos sinais vitais apresentados em Eletrocardio-grama (ECG) através do Eletrocardiógrafo e do processamento dos principais descritores do ECG utilizando Redes Neurais Competitivas.
Desta forma, a partir do recebimento de um eletrocardiograma (ECG), realizar a classifica-ção através do processamento de seus descri-tores, utilizando uma Rede Neural Artificial (RNA), visando a um diagnóstico de alerta, de maneira que o médico possa receber informa-ções pertinentes ao quadro clínico do paciente, ajudando-o nas situações de emergência.
O trabalho está organizado da seguinte forma: na Seção 2, apresenta-se a fundamenta-ção teórica e os trabalhos relacionados. Na
Se-Organizer LocalOrganization Secretariat www.sbis.org.br/cbis2010
ção 3, descreve-se como foi realizado o diag-nóstico de ECG através de classificação utili-zando Rede Neural Competitiva de Kohonen, apresentando-se o experimento realizado e os resultados obtidos. Concluindo, na Seção 4, tem-se as considerações finais.
2. Automação Hospitalar
Várias pesquisas têm sido desenvolvidas e geralmente abordado vários dos problemas que são pertinentes aos processos que podem ser automatizados no ambiente hospitalar. Como exemplo, é possível citar trabalhos de pesqui-sas de Murakami[5], Várady[10] e Varshney[11], os quais desenvolveram sistemas de monitoramen-to de pacientes, Florentino[1] que desenvolveu
um sistema de automação hospitalar baseado em RFID (Radio-Frequency Identification) com
smart cards e Valentim[9], desenvolveu um Pro-tocolo Multiciclos para Automação Hospitalar (PM-AH) para atender as exigências dos pro-cessos de monitoramento de pacientes.
Figura 1 - Hierarquia dos elementos utilizados na automação hospitalar[9]
A Figura 1 apresenta a automação hospita-lar, demonstrando, de forma hierárquica, os e-lementos utilizados. No topo da pirâmide estão os sistemas utilizados nos processos de gestão hospitalar; logo abaixo estão situados os proto-colos de comunicação, os quais possibilitam a integração entre os dispositivos médicos
(hard-ware) e os sistemas de supervisão. Um aspecto
importante referente aos elementos ilustrados na pirâmide é a lógica de tolerância a falhas, pois, na automação hospitalar, é fundamental que os sistemas, ao falharem, possam ir para um estado seguro ou serem substituídos em tempo-real ou em tempo de execução, visto que devem garantir a integridade dos processos re-lativos aos pacientes. Os Sensores, Indicadores e Atuadores são dispositivos médicos
imple-mentados em hardware, por exemplo, os moni-tores de freqüência cardíaca e sensores de gli-cose.
No contexto deste trabalho, enfatiza-se a classificação neural dos descritores de um ECG coletados através de sensores específicos que realizam a leitura da atividade elétrica do cora-ção.
2.1. Eletrocardiograma
O eletrocardiograma, que é o teste mais frequentemente utilizado na cardiologia para medir a atividade do coração, é registrado me-diante a aplicação de eletrodos em diversas localizações da superfície corporal e a conexão destes eletrodos a um aparelho registrador, sendo decisivo no diagnóstico de várias anor-malidades e condições associadas com o cora-ção[7] [12]
.
O ECG é um gráfico variante no tempo que apresenta as tensões produzidas pelo miocárdio durante o ciclo cardíaco. As ondas rítmicas elé-tricas refletem a despolarização e repolarização do miocárdio, associadas com as contrações dos átrios e ventrículos. Assim, é registrada a atividade elétrica do coração, onde cada bati-mento cardíaco é exibido como uma série de ondas elétricas caracterizada por picos e vales.
Qualquer ECG apresenta dois tipos de in-formação: (1) a duração da onda elétrica atra-vessando o coração, que por sua vez, decide se a atividade elétrica é normal ou lenta ou irregu-lar; e (2) a quantidade de atividade elétrica pas-sando através do músculo cardíaco, que permi-te descobrir se as parpermi-tes do coração são muito grandes ou sobrecarregadas[6].
Normalmente, a faixa de frequência do sinal é um eletrocardiograma de 0,05-100,00 Hz e sua dinâmica gama de 1 a 10 mV. O sinal do ECG é caracterizado por cinco picos e vales rotulados pelas letras P, Q, R, S, T. Em alguns casos aparece outro pico denominado U. A aná-lise do ECG depende principalmente da detec-ção precisa e confiável do complexo QRS, bem como das ondas T e P. A onda P representa a ativação das câmaras superiores do coração, os átrios, enquanto o complexo QRS e a onda T representam a excitação dos ventrículos ou da câmara inferior do coração. A detecção do complexo QRS é a tarefa mais importante na análise automática do ECG. Uma vez que o complexo QRS é identificado, um exame mais detalhado do sinal de ECG, incluindo a freqüên-cia cardíaca, o segmento ST etc, podem ser realizadas[3].
Organizer LocalOrganization Secretariat www.sbis.org.br/cbis2010
Assim, cada batimento normal simples se manifesta nas cinco principais ondas (P, Q, R, S e T)[1], conforme ilustrado na Figura 2.
Figura 2 - Batimento Cardíaco Simples[8]
Em ritmo sinusal normal (estado normal do coração), a frequência cardíaca é de 60 a 100 batimentos por minuto e os demais parâmetros do ECG devem encontrar-se conforme apresen-tado nas Tabelas 1 e 2[6]:
Tabela 1 - Descritores de Amplitude PARÂMETRO AMPLITUDE (mV)
P 0,25
R 1,60
Q 25% da onda R
T 0,1 a 0,5
Tabela 2 - Descritores de Duração PARÂMETRO DURAÇÃO (seg)
intervalo P-R 0,12 a 0,20 intervalo Q-T 0,35 a 0,42 Intervalo S-T 0,05 to 0,15 intervalo de P 0,11 intervalo de QRS 0,04 a 0,12
Neste contexto, parâmetros em desacordo com o especificado para a normalidade indicam a existência de algum problema cardíaco. E-xemplificando, caso o ritmo seja mais lento do que o normal é sinal de que o paciente teve uma bradicardia e uma taxa mais elevada re-presenta uma taquicardia. Se os ciclos não são uniformemente espaçados, pode ser indício de uma arritmia.
2.2. Redes Neurais Competitivas
As RNAs são consideradas ferramentas de grande potencial em diversas áreas do
conhe-cimento, devido a sua grande capacidade de aprendizagem. Tais redes podem classificar e reconhecer diversos padrões, como, por exem-plo, sinais biomédicos, áudio, imagem, entre outros.
A Rede Neural Competitiva de Kohonen é treinada de forma não supervisionada, tendo como parâmetros de entrada: os pontos de trei-no; o fator de aprendizado de Kohonen (no ex-perimento foi utilizado 0.01); o fator de aprendi-zado consciente (utiliaprendi-zado 0.001); e a quantida-de quantida-de neurônios para realizar a classificação (no caso, 2 neurônios), conforme ilustrado na Figura 3.
Figura 3 - Arquitetura da Rede Competitiva utili-zada
O bloco ||ndist|| recebe como entrada o ve-tor de pontos de entrada (R x 1) e a matriz de pesos sinápticos IW1,1, produzindo um vetor contendo S1 elementos. Os elementos são o negativo da distância entre o vetor de entrada e o vetor iIW1,1, formados a partir das linhas da
matriz de pesos[2].
O vetor n1 é computado realizando a adição do vetor de bias b1. A função de transferência competitiva aceita o vetor de entrada da rede e retorna 0 (zero) para todos os neurônios, exceto para o neurônio vencedor, que é o neurônio com a menor distância para o vetor de entrada.
Assim, utilizando Rede Neural Competitiva de Kohonen, é possível classificar um sinal pro-vindo de um ECG e, desta forma, detectar se o mesmo apresenta alteração ou não de acordo com a normalidade.
3. Experimentos e Resultados
Para validação do modelo de processamen-to proposprocessamen-to, buscou-se classificar exames
nor-Organizer LocalOrganization Secretariat www.sbis.org.br/cbis2010
mais e aqueles que apresentassem arritmias do tipo PVC (Premature Ventricular Contractions).
Para a realização dos experimentos, utili-zou-se registros da base de dados Arrythmia (MIT/BIH Arrythmia Database)[4], que é uma ba-se de dados de domínio público, utilizada para o desenvolvimento e avaliação de arritmias. Esta base de dados possui 25 registros distribuídos livremente, cada um contendo 30 minutos de sinal em dois canais, devidamente anotados por cardiologistas, obtidos pelo Laboratório de Ar-ritmia BIH (Boston's Beth Israel Hospital) entre 1975 e 1979 (MIT/BIH database distributor)[4]. Este grupo digitalizou os sinais com frequência de amostragem de 360 amostras por segundo e com 11 bits de resolução (MIT/BIH database
distributor)[4].
O processamento do sinal foi realizado em quatro etapas, conforme modelo ilustrado na Figura 4.
Figura 4 - Modelo de Processamento Digital do Sinal
Na etapa de aquisição de dados, desenvol-veu-se um software em Java para visualizar o ECG completo e separar o sinal em possíveis arritmias, normalidade e ruídos encontrados no ECG, conforme ilustrado na Figura 5. Desta forma, utilizou-se as seleções de arritmias a fim de construir a base de dados para treinamento e validação da rede neural proposta.
Na etapa de pré-processamento foi realiza-da a seleção realiza-das amostras, basearealiza-da na detec-ção de picos do sinal amostrado de ECG e nos descritores já explicados na Subseção 2.2.
Uma etapa importante neste processo foi a extração de características do sinal ECG, pois a aplicação direta do sinal poderia interferir no resultado da rede.
Finalmente, na última etapa de análise e classificação, foi desenvolvido um classificador neural do tipo competitivo. Em seguida, definiu-se o conjunto de dados para treinamento e um conjunto de dados diferente para a validação da RNA, conforme dados já selecionados na pri-meira etapa.
Para as simulações e testes da RNA tam-bém utilizou-se o MATLAB versão 2009a, devi-do às ferramentas disponíveis neste aplicativo para o desenvolvimento de RNA e a rápida
vi-sualização dos resultados obtidos na implemen-tação da RNA.
Figura 5 - Software de Seleção de Amostras A arquitetura utilizada neste estudo de caso foi a Rede Neural Competitiva de Kohonen. Com relação à topologia: os parâmetros de en-trada foram os descritores já apresentados; o fator de aprendizado de Kohonen foi 0.01; o fator de aprendizado consciente foi 0.001; e a quantidade de neurônios utilizados para realizar a classificação foi 2.
Para o problema proposto, a implementação da RNA para classificação de alterações de ar-ritmias do tipo PVC obteve um resultado satisfa-tório, conforme a Matriz de Confusão gerada, ilustrada na Tabela 3.
Tabela 3 - Matriz de Confusão Normalizada
PVC Normal
PVC 0.78 0.22
Normal 0.16 0.84
3.1. Análise dos Resultados
A utilização de RNAs voltada à área de me-dicina pode ser muito útil se considerada uma
Organizer LocalOrganization Secretariat www.sbis.org.br/cbis2010
ferramenta auxiliar para os especialistas dessa área. Este estudo de caso analisou alteração nos sinais provindos de ECG, mais especifica-mente arritmias do tipo PVC e normal, utilizando RNAs, mostrando as topologias e os resultados obtidos.
Destaca-se como principais características da Rede Competitiva de Kohonen o seu apren-dizado não supervisionado e a classificação de suas entradas em grupos (cluster), identificando um padrão nos dados de entrada para cada classe. A Rede atendeu às expectativas de classificação dos descritores de um ECG e, desta forma, o objetivo do trabalho foi contem-plado no que diz respeito a auxiliar o médico na busca de alterações do eletrocardiograma dos seus pacientes.
4. Conclusão
No desenvolvimento deste trabalho foi mui-to importante a adequada definição dos descri-tores, incluindo a margem de normalidade de cada um. Foram realizados treinamento, valida-ção e testes da Rede Neural utilizando base de dados com dados reais. Também foi importante encontrar um número de amostras que forne-cesse um resultado (matriz de confusão) aceitá-vel.
Ressalta-se que esse trabalho tem uma continuidade e esse estudo irá evoluir com as etapas seguintes, tais como: envio de alerta para o médico; o processamento do sinal do ECG utilizando uma maior quantidade de pon-tos; a implementação de um banco de dados para armazenar informações sobre os pacien-tes, os sinais processados e o diagnóstico reali-zado; a avaliação de um conjunto mais amplo de descritores; e a avaliação de questões de desempenho.
5. Agradecimentos
Ao CNPq, Laboratório de Sistemas Inteli-gentes (LABSIS) e Laboratório de Automação Hospitalar e Bioengenharia (LAHB) da Universi-dade Federal do Rio Grande do Norte (UFRN). 6. Referências
[1] Florentino GHP, Bezerra HU, Araújo Júnior HB, Araújo MX, Valentim RAM, Morais AHF, Guerreiro AMG, Brandão GB, Araújo CAP. Hospital Automation RFID-Based: Technology Stored In Smart Cards. World Congress on Engineering (WCE 2008), ICSBB 2008 - The 2008 International
Conference of Systems Biology and Bioengineering. London, U.K., 2-4 July 2008.
[2] Haykin S. Redes neurais: princípios e prática; trad. Paulo Martins Engel. 2 ed. Porto Alegre: Bookman, 2001. ISBN 978-85-7307-718-6.
[3] Medeiros Júnior EFS, Cruz GA. Desenvolvimento de ECG com um canal e interface USB através do microcontrolador 8051. Distrito Federal: Universidade de Brasília, 2006.
[4] MIT/BIH database distributor, Beth Israel Hospital, Biomedical Engineering, Division KB-26, 330 Brookline Avenue, Boston, MA 02215, USA.
[5] Murakami A, Gutierrez MA, Lage SHG, Rebelo MFS, Ramires JAFA. Continuous Glucose Monitoring System in Critical. IEEE Computers in Cardiology, v. 32, p. 10-14, 2006.
[6] Saritha C, Sukanya V, Murthy NY. ECG Signal Analysis Using Wavelet Transforms. Department of Physics and Electronics, S.S.B.N. COLLEGE (Autonomous). Anantapur – 515 001, Andhrapradesh, India, February, 2008.
[7] Smith B et al. The OBO foundry: Coordinated evolution of ontologies to support biomedical data integration. Nature Biotechnol. 2007; 25(11):1251-5. [doi: 10.1038/nbt1346]
[8] Spode E. Desenvolvimento de um Sistema de Monitoramento Remoto Não Invasivo de Sinais Vitais. PPGEE/PUC/RS, Porto Alegre, 2001.
[9] Valentim RAM. Protocolo Multiciclos para Automação Hospitalar sobre Multicast com IEEE 802.3 utilizando IGMP Snooping. Tese de Doutorado. Universidade Federal do Rio Grande do Norte (UFRN). Novembro de 2008.
[10] Várady P, Benyo Z, Benyo B. An open architecture patient monitoring system using standard technologies. IEEE Transactions on Information Technologies in Bio-medicine, Vol. 6, No. 1, pp.95–98, 2002.
[11] Varshney U. Patient monitoring using infrastructure – oriented wireless LANs. International Journal of Electronic Healthcare, Volume 2, Number 2 / 2006, 149 – 163, 2006.
[12] Yu A. Methods in biomedical ontology. J Biomed Info. 2006; 39(3):252-66. [doi: 10.1016/j.jbi.2005.11.006].
