Extracción de Actividad Auricular mediante Transformación por

Extracción de Actividad Auricular mediante Transformación por Paquetes de
Wavelet.
C. Sánchez1, J. Millet2, J. J. Rieta2, J. Ródenas1, , R. Ruiz-Granell3, S. Morell3, R. García3
1
DIEEA. Universidad de Castilla-La Mancha, Cuenca, España.
2
BeT. DIEo. Universidad Politécnica Valencia, Valencia, España.
3
Laboratorio de Electrofisiología, Hospital Clínico Universitario de Valencia, Valencia, España.
Resumen
La fibrilación auricular (FA) es la arritmia conocida
como ‘irregularmente irregular’. Un estudio eficiente y
no invasivo de la actividad auricular (AA) necesita de la
cancelación de las señales generadas en el ventrículo,
que por su elevado nivel y solape espectral, enmascaran
las señales asociadas a la AA en el registro
electrocardiográfico (ECG). Este estudio presentará las
posibilidades que el análisis mediante Transformada
Discreta por Paquetes de Wavelet (DPWT) ofrece frente
a otras técnicas actuales. Se han considerado dos
posibles metodologías, en una sola etapa (usando
DPWT) y en dos etapas (con una segunda
Transformación Wavelet Discreta (DWT), aplicada a la
señal reconstruida en el paso anterior). Para la
evaluación de la metodología propuesta se han utilizado
señales de FA artificiales creadas desde registros de
ECG correspondientes a ritmos sinusales combinados
linealmente con señales sintéticas de AA correspondiente
a FA. La ventaja del análisis DPWT radica en la nonecesidad de utilizar varias derivaciones de un mismo
registro ECG.
1.
Introducción
La FA es una de las arritmias cardiacas más comunes.
Esta arritmia se caracteriza, desde el punto de vista
electrocardiográfico, por la ausencia de ondas P antes del
complejo QRS, que son sustituidas por oscilaciones de la
línea isoeléctrica a lo largo de todo el ciclo cardíaco,
conocidas como ondas "f". Estas ondas varían
constantemente de tamaño, orientación y duración y se
asocian a una frecuencia cardiaca irregular.
Para poder caracterizar y detectar la FA en un ECG, es
necesaria la extracción o cancelación previa de la
actividad ventricular (AV). Los problemas que se
encuentran al intentar realizar este procesado son,
principalmente, el bajo nivel que presenta la actividad
auricular y el solape entre las distribuciones espectrales
asociadas a las señales provenientes del ventrículo y de la
aurícula, que imposibilita el uso de técnicas de filtrado
lineales.
Las técnicas para la extracción de AA más novedosas,
Separación Ciega de Fuentes (BSS) [1,2], Técnicas de
cancelación espacio-temporales [3,4], Técnicas de
cancelación con Redes Neuronales Artificiales (TDNN)
[5], presentan un mejor rendimiento que las técnicas
clásicas, Average Beat Substraction (ABS) [6], Filtrado
adaptativo recurrente [7-9], aunque necesitan para su
implementación el uso de la información contenida en
varias derivaciones.
Hasta la fecha, la transformación wavelet, no ha sido
aplicada como método no invasivo de extracción de AA,
aunque existen estudios con cierta similitud, basados en
la mejora de la relación señal-ruido de potenciales
evocados registrados en los electroencefalogramas [10].
En principio, para el análisis, sólo es necesaria una
derivación, lo que supondría una ventaja frente a las
técnicas BSS, TDNN y Cancelación Espacio-temporal,
de elevado rendimiento, pero que requieren al menos dos
derivaciones.
2.
Teoría. Procesado con Wavelets.
La transformación wavelet es una técnica de procesado
prometedora y de gran desarrollo en los últimos años.
Permite unir los análisis en el tiempo y en la frecuencia,
descomponiendo las señales en bloques básicos con
determinadas características que permiten identificar
parámetros locales y globales de la señal original. Tiene
una implementación sencilla basada en un banco de
filtros en cascada y es bastante eficiente desde el punto de
vista computacional. La posibilidad de reconstrucción de
la señal original a partir de algunos de los bloques en que
se descompone, ha sido usada con éxito para la
eliminación de ruidos e interferencias típicas presentes
en los ECG, detección de patrones anormales en ECG
[11-14], detección de complejos [15,16] etc.
La DWT se puede implementar
mediante una
estructura de descomposición piramidal jerárquica [17],
consistente en un banco de filtros en cascada que originan
unos coeficientes de detalle (alta frecuencia) y
Draft version of:
Sanchez, C., Millet, J., Rieta, J. J., Rodenas, J., Ruiz, R., Morell, S., and Garcia, R., "Extracción de Actividad Auricular mediante
Transformación por Paquetes de Wavelet," Congreso Anual de la Sociedad Española de Ingeniería Biomédica (CASEIB), vol. 19 pp.
189-192. Madrid (Spain), Nov.2001.
coeficientes de aproximación (baja frecuencia), con
diferentes resoluciones, conseguidas mediante el uso de
una malla diádica, en las distintas escalas. Las bandas de
paso y corte de los filtros resultantes al elegir una función
wavelet concreta (? ), fijarán la calidad en la resolución
de nuestro sistema.
La transformación DWPT es una generalización de la
DWT que ofrece un análisis de las señales mucho más
eficiente, al ofrecer una mayor riqueza de coeficientes en
distintas escalas.
Una de las grandes aplicaciones de estas
Transformadas Wavelet, es la eliminación de ruidos e
interferencias. El proceso genérico para este tipo de
aplicaciones, consiste en aplicar un umbral a los
coeficientes de detalle obtenidos en la descomposición y
aplicar la Transformada Inversa Wavelet (IDWT) para
reconstruir una señal sin ruido. Existen numerosos
métodos propuestos para la reducción del ruido en las
señales de ECG mediante Wavelet [18]. La diferencia
entre ellos radica en el método elegido para el cálculo del
umbral, y la manera de aplicarlo a los coeficientes de
detalle. En el presente trabajo, se presenta una variación
de estos métodos clásicos de eliminación de ruidos
aplicado a la extracción de actividad auricular.
3.
Materiales.
Puesto que en nuestro estudio queremos analizar la
posibilidad del análisis wavelet como técnica para la
extracción de AA, elaboraremos una conjunto de señales
artificiales, en las que la citada AA sea conocida y
simulada, Fig. 1, según los estudios y recomendaciones
de algunos autores [3]. El hecho de conocer de antemano
la forma y comportamiento de la ‘señal auricular’ nos
permitirá evaluar rápida y eficientemente la validez de la
técnica empleada.
(1)
(2)
(3)
(4)
Fig. 1. Creación de señales
original, episodio de ritmo
preprocesada y normalizada.
ejemplo resultante después de
lineal.
de FA artificiales. (1) Señal
sinusal. (2) Señal original
(3) AA simulada. (4) Señal
normalización y combinación
Las señales utilizadas se crean a partir de registros
obtenidos del MIT-BIH (The Massachusetts Institute of
Technology-Beth Israel Hospital Arrhythmia Database,
Series 100 y 200) así como una base de datos de ECG
propia, con señales obtenidas en el Laboratorio de
Electrofisiología Cardiaca del Hospital Clínico de
Valencia. De esta base de datos se tienen registros con
ritmo normal y con FA. A partir de registros de ECG
normal se añade, mediante combinación lineal, una señal
de FA sintetizada. Con anterioridad a la combinación
lineal, los registros son preprocesados y normalizados,
para eliminar derivas de la línea base, interferencias de
red, etc. Como comprobación final, también serán
analizadas señales con episodios de FA real. La
configuración final de la base utilizada se refleja en la
Tabla 1.
Tabla 1. Resumen registros usados en la base de datos.
RS+FA Sintética FA Real
Núm. Registros
4.
21
6
Método.
La idea básica en esta línea de trabajo es la de
considerar la FA como una interferencia que hay que
eliminar y por tanto serán aplicables las técnicas de
eliminación de ruido anteriormente comentadas. Fijando
los valores de umbral adecuados se realizará una
‘limpieza’ (de-noising) de la señal, con lo que podremos
reconstruir un registro sin AA. La parte residual debería
corresponderse con la señal deseada. Con este análisis, el
ECG residual contendrá, además de la fuente auricular, el
ruido e interferencias de bajo nivel, por lo que nos
tendremos que plantear la necesidad de un procesado
posterior o incluso de un segundo análisis wavelet. Es
necesario, puesto que se requiere la reconstrucción de la
señal a partir de unos determinados coeficientes, que las
funciones Wavelet elegidas para el análisis permitan el
cálculo de la transformada inversa. En este sentido,
destacan las funciones biortogonales, por sus especiales
características en cuanto a descomposición y
reconstrucción.
En el esquema de la Fig. 2, se representan de forma
resumida las metodologías propuestas. La metodología 1
aplica una DPWT seguida de una eliminación de
coeficientes por fijación de umbral y la posterior
reconstrucción mediante transformada inversa. Se
comprobó que las señales obtenidas en esta primera etapa
conservaban alguno de los complejos QRST, lo que
disminuía los valores de los coeficientes de correlación
obtenidos. Para intentar obtener una señal sin presencia
de complejos, se aplicó una segunda transformada con
una función Wavelet distinta (Daubechies 10), seguida de
una nueva transformada inversa, originando la
metodología propuesta 2.
Fig. 4. Descomposición wavelet mediante Daubechies 10 de
la señal residual extraída con Packets (tramo discontinuo).
Comparación con señal auricular sintetizada (tramo
continuo).
Fig. 2. Esquema de las dos metodologías propuestas:
Metodología 1 y Metodología 2 (derivada de la anterior)
5.
Resultados.
Los
primeros
ensayos
determinaron
como
especificaciones óptimas del análisis las siguientes:
Función Wavelet para Transformación según Paquetes:
Biortogonal 4.4, Entropía: ‘Shannon’, Método
determinación umbral: Nivel fijado (ruido blanco sin
escalar), Umbral: 500 microvoltios, Señal extraída: Señal
residual después del De-Noising (Fig. 3). Segunda
descomposición: Transformación Wavelet simple según
Daubechies 10 hasta nivel 7. (Fig. 4)
Se comprobó, en cada uno de los registros, el grado de
similitud de las señales extraídas con las señales de FA
sintéticas, mediante el cálculo de algunos parámetros
espectrales identificativos como la frecuencia y amplitud
del pico principal, distribución de energía por bandas, etc.
En el caso de señales reales, puesto que no se dispone
de la referencia de la AA, no se pudieron calcular los
coeficientes de correlación. En la Fig. 5, se observa un
episodio de FA real y la señal extraída mediante las
metodologías propuestas.
Tiempo
Fig. 5. Extracción de AA desde registros de FA real (arriba).
Metodología 1 (medio) y Metodología 2 (abajo).
Los procedimientos descritos se han aplicado al
conjunto de señales de la Tabla 1. Los valores de la
correlación se sumarizan en la Tabla 2 indicando su
media y desviación típica (p<0.5).
Tabla 2. Coeficientes de correlación espectrales y temporales
en las metodologías propuestas.
Correlación Frecuencial
Correlación Temporal
6.
Fig. 3. Comparación entre la señal original simulada (tramo
continuo)
y la extraída (tramo discontinuo). Packet
Bior4.4. Señal residual con umbral ?500.
Método 1
0.84 ? 0.09
0.51 ? 0.11
Método 2
0.87 ? 1.0
0.54 ? 0.12
Conclusiones.
En el presente trabajo se han presentado indicios
razonables de las posibilidades de las wavelets como
método alternativo para la extracción de la AA.
Los registros electrocardiográficos llevan implícita una
AA, que se solapa con la señal de FA sintética que se
añade. Esta circunstancia, sumada al hecho de que las
metodologías propuestas se han diseñado teniendo en
cuenta las características de la señal de FA artificial,
justifica los valores de correlación temporal obtenidos.
El esquema propuesto como ‘Metodología 2’ consigue
extraer una señal más suavizada y con unos coeficientes
de correlación más elevados, aunque la necesidad de
implementar dos transformaciones en cascada, puede no
compensar estas leves mejoras.
Los resultados preliminares presentados, aún sin
superar a los obtenidos mediante el resto de técnicas
presentadas, muestran una serie de ventajas. La sencilla
implementación, el bajo coste computacional y los
requerimientos mínimos del número de señales de
referencia que presenta la DWT y la DWPT, convierten a
esta nueva técnica en un método ideal para el estudio de
arritmias tales como la FA paroxística, arritmias que
normalmente son detectadas mediante sistemas Holter,
donde el número de derivaciones utilizado es reducido.
Estas resultados hacen a los autores albergar
esperanzas sobre la idoneidad de esta transformada y la
posibilidad de nuevas líneas de investigación, como un
alternativa a los métodos actuales de cancelación de
complejos QRST.
7.
Agradecimientos.
Este trabajo ha sido parcialmente subvencionado
mediante una ayuda a la investigación del Fondo
Europeo de Desarrollo Regional (1FD97-2147) y la
empresa NeuroCor.
8.
Referencias.
[1] Rieta J. J., Zarzoso V., Millet-Roig J., García-Civera R.,
Ruiz-Granell R., “Atrial Activity Extraction Based on
Blind Source Separation as an Alternative to QRST
Cancellation for Atrial Fibrillation Analysis”. IEEE
Computers in Cardiology 2000;27:69-72
[2] Zarzoso
V., Nandi A.K., “Noninvasive Fetal
Electrocardiogram Extraction: Blind Separation Versus
Adaptive Noise Cancellation”. IEEE Trans. Biomed. Eng.
2001; 48, 12-18.
[3] Stridh M, Sörnmo L., “Spatiotemporal QRST cancellation
techniques for Atrial Fibrillation analysis:methods and
performance”.
IEEE
Computers
in
Cardiology
1998;25:633-636.
[4] Stridh M, Sörnmo L., Meurling C.J., Olsson S.B.,
“Characterization of Atrial Fibrillation Using the Surface
ECG: Time-Dependent Spectral Properties”. IEEE. Trans.
BioMed. Eng. 2001;48:19-21.
[5] Vasquez C., Hernández A., Mora F., Carrault G.,
Passariello G., “Atrial Activity Enhancement by Wiener
Filtering Using an Artificial Network”. IEEE. Trans.
BioMed. Eng. 2001;48:940-944.
[6] Shkurovich S., Sahakian A.V., Swiryn S., “Detection of
Atrial Activity from High-Voltage Leads of Implantable
Ventricular
Defibrillators
Using
a
Cancellation
Technique”. IEEE Trans. Biomed. Eng. 1998;45:229-234.
[7] Sörnmo L., Pahlm O., Nygards M., “Adaptive QRS
detection: A study of performance”. IEEE Trans. Biomed.
Eng. 1985;32:392-401.
[8] Thakor N., Yi-Zheng Z., “Applications of adaptative
filtering to ECG analysis: Noise cancellation and arrhytmia
detection”, IEEE Trans. Biomed Eng. 1991;38:785-794.
[9] Colomer A., Terré V., “Electrocardiogram enhancement by
adaptative filtering”. Signal Processing VII: Theories and
Applications, Proceedings of EUSIPCO-94 1994;1:58-61.
[11] Sita G., Ramakrishnam A.G., “Wavelet Domain Nonlinear
Filtering for Evoked Potencial Signal Enhancement”.
Applied and Computational Harmonic Analysis 2001;33:
431-446.
[12] Couderc JP, Zareba W. “Contribution of wavelets to the
non-invasive electrocardiology”. ANE, 1998; 3:54-62.
[13] Dai W., Yang Z., Lim S. L., Mikhailova O., Chee J.,
“Processing and Analysis of ECG Signal Using
Nonorthogonal Wavelet Transform”. Proceedings-20th
Annual International Conference. IEEE/EMBS 1998:139142.
[14] Thurner S., Feurstein M. C., Teich M. C., “Multiresolution
Wavelet Analysis of Heartbeat Intervals Discriminates
Helathy Patients from Those width Cardiac Pathology”.
Phsycal Review Letters 1998;80:1544-1547.
[15] Millet J., Ruiz García S., Ruiz-Granell R., Civera R.,
“Algoritmo para la detección de FV mediante la
Transformada Wavelet”. Proceedings XIV Congreso
Anual de la Sociedad Española de Ingeniería Biomédica.
1996.
[16] Li C., Zheng C., Tai C., “Detection of ECG Characteristic
Points Using Wavelet Transforms.”. IEEE. Trans. BioMed.
Eng. 1995:42:21-28.
[17] Provaznik I., Kozumplik J., Bardonova J., Novakova M.,
Novakova Z., “Wavelet Transform. In ECG Signal
Processing”. Proceeding of the 15th Biennial Eurasip
Conference BIOSIGNAL 2000:21-25.
[18] Mallat S., “A Wavelet Tour of Signal Processing”,
Academic Press, 1998.
[19] Roberts S., Chaumeron T., Magdolen J., “Adaptive Noise
Removal from Complex Signals using the Wavelet
Transform”. Signal Processing VII: Theories and
Applications Proceedings of EUSIPCO 1994;1:66-69.
Dirección para correspondencia:
César Sánchez Meléndez
Dpto. Ingeniería Eléctrica, Electrónica y Automática.
E.U.P. Cuenca. Universidad de Castilla-La Mancha.
Campus Universitario s/n. 16071. Cuenca.
E-mail: cmelende@tel-cu.uclm.es