( PDF ) Classificação automática de cardiopatias baseada em eletrocardiograma

Download PDF

ads:

UNIVERSIDADE FEDERAL DE UBERLÂNDIA

FACULDADE DE ENGENHARIA ELÉTRICA

PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA

Classificação Automática de Cardiopatias

Baseada em Eletrocardiograma

NINA MARIA BUENO

2006

ads:

Livros Grátis

http://www.livrosgratis.com.br

Milhares de livros grátis para download.

UNIVERSIDADE FEDERAL DE UBERLÂNDIA

FACULDADE DE ENGENHARIA ELÉTRICA

PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA

Classificação Automática de Cardiopatias

Baseada em Eletrocardiograma

Nina Maria Bueno

2006

ads:

Dados Internacionais de Catalogação na Publicação (CIP)

B928c Bueno, Nina Maria, 1959-

Classificação automática de cardiopatias baseada em eletrocardiogra-

ma / Nina Maria Bueno. - 2007.

104 f. : il.

Orientador: Alcimar Barbosa Soares.

Dissertação (mestrado) – Universidade Federal de Uberlândia, Pro-

Grama de Pós-Graduação em Engenharia Elétrica.

Inclui bibliografia.

1. Eletrocardiografia - Teses. 2. Coração - Doenças - Diagnóstico -

I Teses. I. Soares, Alcimar Barbosa. II. Universidade Federal de Uberlân-

dia. Programa de Pós-Graduação em Engenharia Elétrica. II. Título.

CDU: 616.12 - 073.97

Elaborado pelo Sistema de Bibliotecas da UFU / Setor de Catalogação e Classificação

UNIVERSIDADE FEDERAL DE UBERLÂNDIA

FACULDADE DE ENGENHARIA ELÉTRICA

PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA

Classificação Automática de Cardiopatias

Baseada em Eletrocardiograma

Nina Maria Bueno

Texto da dissertação apresentada à

Universidade Federal de Uberlândia,

perante a banca de examinadores, como

parte dos requisitos necessários para

obtenção do título de Mestre em Ciências.

Banca examinadora

Prof. Alcimar Barbosa Soares, PhD Orientador (UFU)

Prof. Dr. Adriano de Oliveira Andrade (UFU)

Prof. Dr. Weber Martins (UFG)

Classificação Automática de

Cardiopatias Baseada em

Eletrocardiograma

Nina Maria Bueno

Texto da dissertação apresentada à Universidade Federal de Uberlândia, perante a

banca de examinadores abaixo, como parte dos requisitos necessários para

obtenção do título de Mestre em Ciências.

_______________________________ ________________________________

Prof. Alcimar Barbosa Soares, PhD Prof. Darizon Alves de Andrade, PhD

Orientador Coordenador do Curso de Pós-Graduação

iii

“Se deres um peixe a um homem

faminto, vais alimentá-lo por um

dia. Se o ensinares a pescar, vais

alimentá-lo por toda a vida.”

Lao-Tsé

Aos meus pais, Maria José e Aylton;

meus filhos, Natália e Vitor;

meus irmãos, Marilisa, Mário Sérgio e Marcelo;

ao meu amado marido Hélio Rangel.

Agradecimentos

Agradeço a DEUS pela minha existência. A cada dia vejo o quão grande é a

sua Criação e por mais que estudemos e pesquisemos, estamos ainda a uma

enorme distância de compreender sua perfeição.

Agradeço aos meus pais por toda a dedicação e principalmente por terem me

ensinado a me esforçar e trabalhar muito para alcançar meus objetivos e colocarem

os estudos de seus filhos como seu maior legado, como diria meu saudoso vovô

Massilon Bueno “Nunca dê os peixes, ensina-os a pescar” (parafraseando Lao-Tsé).

Agradeço também a minha família em nome de Marilisa e Eduardo, Mário

Sérgio e Márcia, Marcelo e Paula e aos seus filhos Felipe, Gabriel, Bárbara, Breno e

Bruna pelo irrestrito apoio e grande compreensão nas minhas ausências. Aos meus

queridos e amados filhos Natália e Vitor, pela cessão do importante tempo que a

eles seria dedicado, para que eu pudesse desenvolver este trabalho.

Cito ainda os amigos da primeira turma de mestrado da Universidade Santa

Cecília, em especial à Mari, que tanto me ajudaram nesta luta.

À empresa DIXAmico Saúde, pela colaboração com o trabalho, representada

pelos doutores Carlos Menna, Gilberto Baroni e Cláudia Cohn, disponibilizando seus

conhecimentos e acesso às informações técnicas que tanto ajudaram. Os meus

sinceros agradecimentos aos queridos Luiz Camargo e Paulo Sartori por toda

compreensão e apoio neste longo período. Aos amigos do NAV e aos amigos da

equipe de tecnologia da DIXAmico Saúde pela torcida.

A minha amiga e irmã Luciane Merli pelo incentivo, acompanhamento e

grande força.

Muito obrigada aos colegas do BIOLAB da UFU, em especial ao Fábio,

Jeovane, Ailton, Adriano, Adriano Oliveira, Eduardo e todos os demais, que a todo o

momento me ajudaram pacientemente.

Agradeço à Marly, mais que uma excelente secretária, foi uma grande

companheira, facilitando em tudo a minha passagem pela UFU.

Aos queridos professores e orientadores por todo o compartilhamento de seu

rico conhecimento, pela paciência com a minha ignorância, transformando minha

vontade de aprender em realidade. Muito obrigada aos professores Luciano, Edna,

Edgar, Keiji, Guardieiro, José Manuel e em especial ao Alcimar por todo o tempo de

dedicação para a realização deste sonho.

vii

Agradeço especialmente àquele que me incentivou desde a inscrição no

curso, durante todo o trajeto, nos momentos em que decidi “jogar a toalha”, até a

conclusão do trabalho, àquele que DEUS me presenteou como um companheiro

para todas as horas, o amor da minha vida, meu marido Hélio Rangel.

viii

Resumo

BUENO, Nina Maria. Classificação Automática de Cardiopatias Baseada no

Eletrocardiograma. Uberlândia: FEELT-UFU, 2006, 104 p.

Este trabalho dedica-se ao estudo do reconhecimento e classificação de

cardiopatias, diagnosticadas através do exame de eletrocardiografia, ECG. Esse

exame é comumente utilizado em visitas a cardiologistas, centros de emergência,

centros de terapia intensiva e exames eletivos para auxílio de diagnóstico de

cardiopatias como: infarto agudo do miocárdio, bloqueios de ramos, hipertrofia e

outros. O aplicativo desenvolvido para apoio ao trabalho focaliza a extração de

características do sinal ECG, representado por ciclos e a aplicação destas

características a uma rede neural artificial para reconhecimento das cardiopatias.

Para extração das características do sinal, utilizamos o modelo matemático de

previsão de comportamento de curvas, chamado de auto-regressivo, AR, onde

utilizamos o passado histórico recente da curva para determinar o próximo ponto;

em nosso caso, utilizamos o algoritmo dos mínimos quadrados para adequação do

erro, conhecido como LMS. A rede neural de topologia

perceptron

multicamadas e

com algoritmo de treinamento

backpropagation

foi escolhida para o reconhecimento

dos padrões, pela sua capacidade de generalização. O método se mostrou

adequado e eficiente ao objetivo proposto.

Palavras chaves: ECG – eletrocardiograma, exame não invasivo dos sinais elétricos

cardíacos. Cardiopatia – Doença que acomete o coração. RNA – rede Neural

Artificial. Modelo AR – modelo matemático auto-regressivo.

Abstract

BUENO, Nina Maria. . Classificação Automática de Cardiopatias Baseada no

Eletrocardiograma. Uberlândia: FEELT-UFU, 2006, 104 p.

This work is dedicated to study of the recognition and classification of cardiac

disease, diagnosised through the electrocardiogram – ECG. This examination is

normally used in heart medical center, emergency, intensive therapy, and with

complement diagnosis in heart disease as: acute myocardium infarction, bundle

block branches, hypertrophy and others. The software was developed for support to

the model, with focus on extraction of ECG signal characteristics, and an artificial

neural network for recognition of diseases. For extraction these characteristics, we

have used a auto-regressive model, AR, with the algorithm least mean square LMS,

to minimize the minimum error. The neural network, with architecture multilayer

perceptron

and back propagation algorithm of training, was chosen for the

recognition of the standards. The method was showed efficient.

Key words: ECG – electrocardiograph, no invasive examination of the cardiac electric

signals. Cardiopathy – Heart disease. RNA – Artifitial Neural Network. AR model –

Auto-regressive Model.

SUMÁRIO

CAPÍTULO 1 INTRODUÇÃO

................................

..............................

1.1. O

BJETIVO DO

RABALHO

................................

..............................

1.2. E

STRUTURA DO

RABALHO

................................

..........................

CAPÍTULO 2 ELETROCARDIOGRAFIA E CARDIOPATIAS

................................

.......

2.1. I

NTRODUÇÃO

................................

................

2.2. C

ORAÇÃO

................................

.....................

2.3. S

ISTEMA

LÉTRICO DO

ORAÇÃO

................................

...............

2.4. P

RINCÍPIOS BÁSICOS DE ELETROCARDIOGRAFIA

................................

..........................

2.5. D

ERIVAÇÕES DO

ECG

................................

2.6. C

ARDIOPATIAS

................................

............

2.6.1. Infarto Agudo do Miocárdio - IAM

................................

....

2.6.2. Bloqueios

................................

............

2.6.3. Hipertrofia Ventricular Cardíaca

................................

......

2.6.4. Miocardite

................................

..........

2.6.5. Cardiomiopatia

................................

2.7. C

ONCLUSÃO

................................

................

CAPÍTULO 3 TÉCNICAS PARA CLASSIFICAÇÃO DE CARDIOPATIAS

................................

..............

3.1. I

NTRODUÇÃO

................................

..............

3.2. E

STUDOS SOBRE

NÁLISE DE

LASSIFICAÇÃO DE

ECG

................................

............

3.3. C

ONCLUSÃO

................................

................

CAPÍTULO 4 SISTEMA PROPOSTO

................................

.............

4.1. I

NTRODUÇÃO

................................

..............

4.2. M

ETODOLOGIA

ROPOSTA

................................

..........................

4.2.1. Extração de características do sinal ECG

................................

.........................

4.2.2. Classificação das Cardiopatias

................................

..........

4.3. I

MPLEMENTAÇÃO DO MODELO EM SOFTWARE

................................

..............................

4.3.1. Aplicação em C++ para Seleção dos Ciclos e Extração de Características

................................

.....

4.3.2. Rede Neural em Matlab 7.0.1 para Treinamento e Reconhecimento das Cardiopatias

.....................

4.3.3. Conclusão

................................

...........

CAPÍTULO 5 EXPERIMENTOS E ANÁLISES

................................

..............................

5.1. F

ONTE DE

ADOS

................................

........

5.2. C

ENÁRIO

1 – A

MOSTRAS COM UM CICLO DO

ECG

................................

......................

5.2.1. Treinamento

................................

.......

5.2.2. Reconhecimento

................................

5.3. C

ENÁRIO

2 – A

MOSTRAS COM DEZ CICLOS DE

ECG

................................

...................

5.3.1. Treinamento

................................

.......

5.3.2. Reconhecimento

................................

5.4. C

ENÁRIO

3 – A

MOSTRAS COM UM CICLO DE

ECG – 4

NEURÔNIOS DE SAÍDA

................................

.............

5.4.1. Treinamento

................................

.......

5.4.2. Reconhecimento

................................

5.5. C

ONCLUSÃO

................................

................

CAPÍTULO 6 CONCLUSÃO E TRABALHOS FUTUROS

................................

...........

6.1. C

ONCLUSÕES

ERAIS

................................

6.2. T

RABALHOS

UTUROS

................................

REFERÊNCIAS BIBLIOGRÁFICAS

................................

...............

xii

Lista de Figuras

Figura 1.1 – Estatística de Projeção de Causa Mortis Mundial por Região para os próximos 10 anos – fonte

Organização Mundial de Saúde - OMS.

................................

..................

Figura 1.2 – Galvanômetro capilar de Lippmann utilizado por Waller em 1887, para registrar o primeiro

eletrocardiograma humano [BINTZ, Jacques; et al. 1997. 1].

................................

................

Figura 1.3 – Galvanômetro de fio onde foi registrado o primeiro eletrocardiograma humano em 1902, onde

temos o próprio Einthoven no experimento [BINTZ, Jacques; et al. 1997. 2].

................................

.......................

Figura 2.1 - Anatomia Cardíaca, com a representação das câmaras, valvas e principais artérias e veias

modificada [MANDARIM, Carlos Alberto.1990.].

................................

Figura 2.2 – Esquema Representativo do Sistema Circulatório Cardíaco, em azul o circuito da circulação

venosa e em vermelho a arterial, modificado [STANTON, Kathleen M. 2005.] .

................................

.................

Figura 2.3 – Esquema gráfico do Sistema Condução Cardíaca (modificada) [Universal Medical Center. 2005.].

................................

...............

Figura 2.4 – Foto com a aplicação dos eletrodos para captação dos sinais elétricos cardíacos pelo aparelho de

ECG [HEALTH, Heart. 2000.].

................................

.............................

Figura 2.5 – Representação Gráfica do Ciclo Cardíaco composto de cada onda presente no ECG e os intervalos

entre elas, chamados segmentos, modificada [EKG Measurements. 2004.].

................................

........................

Figura 2.6 – Derivações Bipolares ou dos Membros, derivações simples de braço direito, esquerdo e pé e sua

representação no ECG, (parcialmente) [Les dérivations d’ un électrocardiogramme. 2000.].

............................

Figura 2.7 – Derivações Bipolares ou dos Membros, derivações compostas e aumentadas, aVR, aVL e aVF e

sua representação no ECG.(parcialmente)[Les dérivations d’ un électrocardiogramme. 2000.].

.......................

Figura 2.8A - Posição dos eletrodos para derivações unipolares ou precordiais normais. No esquema temos as

derivações identificadas de V1 a V6 modificada [FELDMAN, Henry. 2006.].

................................

.....................

Figura 2.8B – Representação gráfica no ECG, para derivações unipolares ou precordiais normais. De V1 a V6.

................................

...............

Figura 2.9 – Ilustração da alteração do músculo cardíaco acometido por um infarto agudo do miocárdio,

modificada [LEE, Dennis. Illustration Heart Attack].

................................

...........................

xiii

Figura 2.10 – Exemplo de IAM Inferior com o complexo QRS espessado. Derivação DII, com a característica da

onda T negativa. [software Classificador de Cardiopatias].

................................

.................

Figura 2.11 – Exemplo de IAM Posterior apresentando infra-desnivelamento do segmento ST na derivação V3.

[software Classificador de Cardiopatias].

................................

............

Figura 2.12 – Exemplo de IAM Antero-Lateral com onda Q alargada na derivação DI. [software Classificador

de Cardiopatias].

................................

...................

Figura 2.13 – Exemplo de IAM Antero-Septal apresentando elevação do segmento S-T. [software Classificador

de Cardiopatias].

................................

...................

Figura 2.14 – Exemplo de IAM Lateral, onda Q com supra-desnivelamento. [software Classificador de

Cardiopatias].

................................

........................

Figura 2.15 – Exemplo de IAM Anterior ondas T com supra-desnivelamento em V1. [software Classificador de

Cardiopatias].

................................

........................

Figura 2.16 – Exemplo de ECG – Bloqueio de Ramo apresentando ondas RsR identificando a dificuldade de

passagem do sinal elétrico pelo bloqueio de ramo direito. [software Classificador de Cardiopatias].

................

Figura 2.17 – Exemplo de ECG – Hipertrofia Ventricular Esquerda com ondas S de intensidade acima do

normal, na derivação V1. [software Classificador de Cardiopatias].

................................

...

Figura 2.18 – Exemplo de ECG – Miocardite apresentando ondas R de grande amplitude. [software

Classificador de Cardiopatias].

................................

............................

Figura 2.19– Exemplo de ECG – Cardiomiopatia com ondas T de baixa voltagem [software Classificador de

Cardiopatias].

................................

........................

Figura 3.1 Gráfico com os coeficientes resultantes do modelo AR, extraídos do sinal EMG. [ANDRADE,

Adriano de Oliveira. 2000.] [SOARES, Alcimar Barbosa; et al. 2003.].

................................

..............................

Figura 4.1 – Esquema Gráfico do Sistema Proposto de Classificação de Cardiopatias através do ECG.

...........

Figura 4.2 – Diagrama de blocos da estratégia adotada para localização de ciclos cardíacos. [RANGEL, Hélio.

2006.].

................................

....

Figura 4.3 – Fluxo da Fase de Treinamento da RNA para Classificação de Cardiopatias.

................................

Figura 4.4 – Fluxo da Fase de Reconhecimento de Cardiopatias.

................................

........

Figura 4.5 – Fluxograma do modelo auto-regressivo, com o LMS customizado, utilizado para a extração das

características do ciclo de ECG.

................................

...........................

Figura 4.6 – Representação gráfica da uma das topologias utilizadas da Rede Neural Artificial (Cenário 3).

...

Figura 4.7 – Representação gráfica do modelo em software, com as duas técnicas escolhidas para o

desenvolvimento do modelo, C++ e Matlab.

................................

.........

Figura 4.8 – Diagrama de Funcionalidades do Aplicativo Classificador de Cardiopatias.

................................

Figura 4.9 – Tela Principal do Aplicativo Classificador de Cardiopatias, com os parâmetros, gráficos e ações

para a geração da entrada de dados da RNA de identificação dos sinais de ECG.

................................

..............

Figura 4.10 –Organização dos arquivos contendo os ciclos de entrada para o sistema de classificação.

...........

Figura 4.11 – Exemplo dos arquivos de dados e alvos gerados pelo aplicativo Classificador de Cardiopatias, e

que serão utilizados pela Rede Neural para treinamento.

................................

.....................

xiv

Figura 5.1 – Corte da Interface do software Classificador de Cardiopatias – área de seleção de parâmetros e

amostras a ter suas características extraídas pelo modelo AR customizado, para treinamento da rede.

.............

Figura 5.2 – Gráficos com o traçado dos ciclos de cada uma das derivações em “Derivações do ECG

Selecionado” e a curva original e a gerada pela aplicação dos coeficientes calculados em “AR x Derivação

Selecionada”.

................................

.........................

Figura 5.3 – Gráfico em zoom do registro dos coeficientes AR sobre a curva do ciclo original, em vermelho o

resultado do cálculo do modelo AR e em azul a curva original de ECG.

................................

..............................

Figura 5.4 – Interface com o experimento de um ciclo por amostra.

................................

....

Figura 5.5 – Interface do Matlab – Ilustração do Resultado do Treinamento de 10 amostras do arquivo de

características do ECG, cardiopatia IAM.

................................

............

Figura 5.6 – Interface do Matlab – Resultado da validação da massa de treinamento com 1 ciclo e 10

coeficientes.

................................

...........................

Figura 5.7 – Interface do aplicativo –Seleção de uma amostra, com um ciclo para reconhecimento pela rede

neural, com dez coeficientes.

................................

Figura 5.8 – Interface Matlab –Reconhecimento de amostras aplicadas à rede neural após o treinamento,

amostra com um ciclo e 10 coeficientes.

................................

................

Figura 5.9 – Corte da Interface – área de seleção de parâmetros e gráficos de derivações para opção com dez

ciclos.

................................

.....

Figura 5.10 – Gráfico em zoom do registro dos coeficientes AR sobre a curva do ciclo original, em vermelho o

resultado do cálculo do modelo AR e em azul a curva original de ECG.

................................

..............................

Figura 5.11 – Interface do aplicativo – Seleção de uma amostra, com dez ciclos para reconhecimento pela rede

neural, com dez coeficientes.

................................

Figura 5.12– Interface Matlab – Reconhecimento de amostras aplicadas à rede neural após o treinamento,

amostra com dez ciclo e dez coeficientes.

................................

..............

Lista de Tabelas

Tabela 3.1 – Tabela com o número de amostras aplicadas à solução da pesquisa e seu percentual de

reconhecimento com a utilização do modelo AR para extração de características e o modelo GLM para

reconhecimento [GE, Dingfei; et al. 2002.].

................................

.........

Tabela 5.1 – Estatística de cardiopatias da base de dados por número de amostras e número de pacientes,

[OEFF, Michael. 2005.] .

................................

......

Tabela 5.2 – Resultados de validação e reconhecimento dos sinais ECG pela rede neural, cenário de 1 ciclo por

amostra selecionada, com três ordens diferentes de análise.

................................

................

Tabela 5.3 – Resultados de validação e reconhecimento dos sinais ECG pela rede neural, cenário de dez ciclos

por amostra selecionada.

................................

.......

Tabela 5.4 – Resultados de validação e reconhecimento dos sinais ECG pela rede neural, cenário de dez ciclos

por amostra selecionada.

................................

.......

Capítulo 1

Introdução

O coração humano é uma máquina maravilhosa, ele realiza o bombeamento

para que todo o organismo possa receber o sangue necessário ao seu

funcionamento. Para a manutenção do suprimento sangüíneo em todo o corpo,

temos como responsável o sistema circulatório. A função do coração é manter esse

fluxo, contudo está sujeito a diversas cardiopatias, como infarto do miocárdio,

hipertrofia e bloqueios, entre outras.

A incidência de doenças cardiovasculares é uma das principais causas de

morte em todo o mundo. O Infarto Agudo do Miocárdio (IAM) está entre as

cardiopatias de maior risco de mortalidade e outras cardiopatias (como arritmias,

hipertrofia cardíaca e bloqueios), atingem grande parte da população mundial.

Na Figura 1.1, apresentamos a projeção de “

Causas Mortis

” até o ano de 2015,

relatada pela Organização Mundial de Saúde (OMS), onde os índices atribuídos a

cardiopatias são alarmantes nas regiões desenvolvidas e nas regiões

subdesenvolvidas, perdendo apenas para as causas relacionadas à mortalidade

infantil, agravados pela fome e doenças epidêmicas. Torna-se imperativa a busca de

novos métodos de diagnósticos precoces e tratamentos mais efetivos, bem como a

prevenção de doenças ligadas ao coração.

Projeção de Causa Mortis - OMS - 2005 a 2015

70%

13%

38%

12%

10%

33%

52%

19%

20%

16%

23%

27%

33%

35%

28%

35%

10%

20%

30%

40%

50%

60%

70%

80%

África

Américas

Oriente Médio

Europa

Pacífico Ocidental

Neonato

Cardiopatias

Cancer

Demais

Figura 1.1 – Estatística de Projeção de Causa Mortis Mundial por Região para os próximos 10 anos –

fonte Organização Mundial de Saúde - OMS.

Para diagnosticar cardiopatias, há diversos métodos e um dos principais é o

eletrocardiograma (ECG). O ECG é o registro do percurso do impulso elétrico

cardíaco, cuja forma mais comum de captação é através de eletrodos colocados

sobre a pele do paciente, em pontos específicos do corpo, que são ligados a um

equipamento chamado eletrocardiógrafo. A interpretação desses registros permite

ao profissional de saúde o diagnóstico e avaliação de cardiopatias.

A história do ECG iniciou no final do século XIX. O fisiologista francês,

Augustus Desiré Waller, membro da “Royal Society” de Londres, diretor do

Laboratório de Fisiologia da Universidade de Londres, realizou pesquisas sobre

eletrocardiografia no National Heart Hospital, onde, em 1887, registrou pela primeira

vez o potencial elétrico cardíaco de um ser humano, empregando o galvanômetro

capilar de

Lippman

(Figura 1.2.). Augustus Waller batizou estes registros gráficos de

Eletrocardiograma [JENKINS, Dean. 2002.].

Figura 1.2 – Galvanômetro capilar de Lippmann utilizado por Waller em 1887, para registrar o primeiro

eletrocardiograma humano [BINTZ, Jacques; et al. 1997. 1].

O fisiólogo inglês Willem Einthoven, nascido em Java (atual Indonésia), foi

criado na Holanda onde estudou Medicina na Universidade de Utrecht e, em uma

reunião da Associação Médica Holandesa, introduziu o termo eletrocardiograma com

o seu trabalho “Novos Métodos de Investigação Clínica”. Em 1902, Einthoven

publicou o primeiro eletrocardiograma registrado em um galvanômetro por fio. A

Figura 1.3 registra Einthoven numa experiência com o galvanômetro. Em 1920, em

Nova York, Harold Pardee, fisiologista americano formado na Universidade de

Columbia,

publica o primeiro eletrocardiograma de um infarto agudo do miocárdio

em um ser humano [JENKINS, Dean. 2002.].

Figura 1.3 – Galvanômetro de fio onde foi registrado o primeiro eletrocardiograma humano em 1902,

onde temos o próprio Einthoven no experimento [BINTZ, Jacques; et al. 1997. 2].

As técnicas de captação dos sinais elétricos cardíacos foram evoluindo e a

análise do ECG com até 12 derivações é hoje realizada por cardiologistas do mundo

todo. O ECG é classificado como um exame básico pela Agência Nacional de Saúde

Suplementar (ANS) e ele pode ser realizado em consultórios, atendimentos

emergenciais, hospitais, em unidades de tratamento intensivo para monitoramento

do paciente e até à distância, onde os sinais dos pacientes podem ser enviados para

o médico através da rede telefônica ou via internet.

Ao completar cem anos, o eletrocardiograma continua sendo um exame

absolutamente necessário e fundamental no diagnóstico de doenças

cardiovasculares. A identificação rápida da cardiopatia através da análise do ECG é

praticada por médicos generalistas e cardiologistas em todo o mundo. Apesar de ser

um exame rápido, é preciso uma análise visual do profissional e depende de sua

interpretação para o diagnóstico correto. A automatização do diagnóstico ainda não

é uma prática comum aos equipamentos e programas disponíveis no mercado, mas

poderá ser um auxílio importante no diagnóstico, conforme ilustrado no trabalho de

Seven-Erik Olsson e Mattias Ohlsson [OHLSSON, E; et. al. 2002.]. Neste trabalho de

pesquisa os autores reportam que o reconhecimento automático foi 12% mais

eficiente do que os dois profissionais experientes participantes do estudo.

1.1. Objetivo do Trabalho

Este trabalho objetiva o desenvolvimento de uma proposta de metodologia

para identificação e classificação de cardiopatias através da análise de sinais ECG

digitais. Para atingir tal objetivo, a pesquisa teve como metas:

•

Investigação do estado da arte das principais técnicas aplicadas para

identificação das cardiopatias através da análise do eletrocardiograma;

•

Proposta de um modelo para identificação e classificação de cardiopatias através

de um ciclo de ECG;

•

Implementação de um modelo em

software

;

•

Avaliação do desempenho através da análise dos sinais ECG coletados do

banco de dados Physionet [OEFF, Michael. 2005.] .

1.2. Estrutura do Trabalho

No Capítulo 2 será apresentado o tema coração, seu sistema elétrico e as

cardiopatias que podem ser diagnosticadas a partir dos sinais elétricos cardíacos

com a utilização do ECG. No Capítulo 3, trataremos a metodologia tipicamente

utilizada para classificação dos sinais de ECG patológicos e normais. No Capítulo 4,

será apresentada a solução desenvolvida e, no Capítulo 5, apresentaremos os

resultados dos experimentos realizados aplicando a solução sobre a base de dados

de sinais eletrocardiográficos escolhida (Physionet/PTB [OEFF, Michael. 2005.]). No

Capítulo 6, estão descritas as conclusões sobre a aplicação e possíveis trabalhos

futuros complementares.

Capítulo 2

Eletrocardiografia e Cardiopatias

O objetivo deste capítulo é apresentar um breve estudo sobre o coração,

mostrando sua anatomia, o sistema elétrico cardíaco e o sistema circulatório, bem

como enumerar as cardiopatias ligadas a distúrbios elétricos cardíacos e de que

forma o ECG pode auxiliar no diagnóstico das mesmas.

2.1. Introdução

Para iniciar os estudos sobre eletrocardiografia, é necessário aprimorar o

conhecimento sobre o coração, um órgão muscular localizado logo atrás do esterno,

osso anterior do tórax. Sua proporção assemelha-se ao tamanho do punho fechado

de um adulto e sua principal função é realizar o bombeamento do sangue pelo corpo

humano.

2.2. Coração

A anatomia do coração, em detalhes na Figura 2.1, é composta por dois átrios

e dois ventrículos separados por um septo e duas válvulas atrioventriculares. A

válvula tricúspide separa o átrio direito do ventrículo direito e a válvula mitral é

responsável pela separação do átrio esquerdo e do ventrículo esquerdo. O “coração

direito” (átrio e ventrículo direito) comunica-se com “coração esquerdo” (átrio e

ventrículo esquerdo), via sistema vascular pulmonar contendo a artéria pulmonar e

suas ramificações, os capilares pulmonares e as veias pulmonares que terminam

diretamente no átrio esquerdo. O sistema vascular sistêmico via aorta faz a

comunicação do ‘coração esquerdo’ com o ‘coração direito’. Na Figura 2.1 temos a

ilustração gráfica da anatomia cardíaca com as câmaras, valvas e principais veias e

artérias [MANDARIM, Carlos Alberto.1990.].

Figura 2.1 - Anatomia Cardíaca, com a representação das câmaras, valvas e principais artérias e

veias modificada [MANDARIM, Carlos Alberto.1990.].

Como todas as células de nosso corpo necessitam de oxigênio para viver, o

nosso sistema circulatório é quem cumpre o papel de levar esse oxigênio para todo

o corpo. O coração é o principal órgão desse sistema e sua principal função é

bombear o sangue através do corpo. Cada lado do coração é composto por duas

câmaras, um

átrio

e um

ventrículo

. As principais “bombas” do coração são os

ventrículos, pois é através deles que o sangue é enviado para fora do coração

[MANDARIM, Carlos Alberto.1990.] [SILVA, Mauricio R. 2000.].

A Figura 2.2 ilustra graficamente o sistema circulatório do corpo humano: o

sangue sai do coração para o corpo através do ventrículo esquerdo, que é a maior e

mais forte das câmaras do coração. O ventrículo esquerdo com seus músculos

espessos necessita executar contrações poderosas para bombear o sangue para

todas as partes do corpo.

O sangue deixa o ventrículo esquerdo passando pela valva aórtica que

permite o sangue fluir à aorta ascendente. A aorta é a principal artéria que alimenta

de sangue o corpo inteiro. Artérias são as vias por onde o sangue oxigenado,

conhecido como ‘sangue rico’, é enviado, elas se dividem em ramos cada vez

menores, até os capilares sistêmicos, que são vasos, extremamente finos, através

dos quais o oxigênio segue para os tecidos.

Após a retirada do oxigênio e o recebimento do gás carbônico que se

encontram nos tecidos, os capilares levam o sangue, chamado sangue venoso ou

sangue “sujo”, até as veias, que transportam o sangue com baixa quantidade de

oxigênio e alto teor de gás carbônico de volta ao coração. O átrio direito recebe o

sangue venoso, enchendo-se à medida que seus músculos relaxam para que o

sangue venoso entre, após o retorno de todo o corpo. O sangue segue do átrio

direito para a câmara muscular chamada de ventrículo direito, através da valva

tricúspide que regula o fluxo do sangue entre as duas câmaras. O ventrículo direito é

uma das duas principais bombas do coração. Sua função é enviar o sangue aos

pulmões, utilizando a valva pulmonar que se abre para permitir ao sangue fluir do

ventrículo direito aos pulmões, onde o mesmo trocará o gás carbônico pelo oxigênio

[BOYLER, JOSEPH III. 1998.] [DOUGLAS, Carlos Roberto. 2000.] [MANDARIM,

Carlos Alberto.1990.] [SILVA, Mauricio R. 2000.].

Após o sangue ser oxigenado ele retorna ao coração, esse sangue rico em

oxigênio chega ao coração por veias que vêm dos pulmões, chamadas veias

pulmonares. O átrio esquerdo recebe o sangue que chega dos pulmões. Do átrio

esquerdo segue para o ventrículo esquerdo, passando pela valva mitral que regula o

fluxo do sangue entre as duas câmaras. Do ventrículo esquerdo o sangue segue

para o corpo, reiniciando todo o processo.

A circulação do sangue ocorre pela geração de diferença de pressões entre

dois ou mais pontos do sistema cardiovascular [DOUGLAS, Carlos Roberto. 2000.]

[MENNA, Carlos. 2005.] [NEVILLER, Conway.1987.] [SILVA, Mauricio R. 2000.].

Figura 2.2 – Esquema Representativo do Sistema Circulatório Cardíaco, em azul o circuito da

circulação venosa e em vermelho a arterial, modificado [STANTON, Kathleen M. 2005.] .

Para que este fluxo funcione continuamente, o coração depende dos impulsos

que regulam as contrações cardíacas. Esses impulsos são coordenados pelo

sistema elétrico cardíaco, que está descrito a seguir.

2.3. Sistema Elétrico do Coração

Para que o coração possa executar ritmicamente o bombeamento do sangue,

temos o sistema de condução cardíaco que regula as batidas do coração. O sistema

consiste em uma cadeia de células musculares especializadas que formam um

complexo elétrico independente no interior da musculatura cardíaca. Essas células

são conectadas por feixes que transmitem impulsos elétricos. Dos três tipos de

células musculares que formam o músculo cardíaco, duas possuem a propriedade

de contração, sendo elas, as células atriais e as ventriculares e há o terceiro tipo de

célula, as células condutoras que são as fibras especializadas condutoras do

estímulo por todo o coração [MENNA, Carlos. 2005.] [NEVILLER, Conway.1987.]

[SILVA, Mauricio R. 2000.].

O sistema de condução cardíaco, representado graficamente na Figura 2.3,

tem como ponto de partida o impulso gerado pelo nodo sinusal, NSA que é uma

estrutura atrial direita. O estímulo é levado do nodo sinusal ao nodo atrioventricular,

NAV, pelos tratos internodais (anterior, médio e posterior) e para o átrio direito

através do feixe de

Bachmann

. Quando o impulso chega ao nodo atrioventricular ele

sofre um atraso na propagação para assegurar uma ativação coordenada de todo o

ventrículo, em seguida o estímulo é levado ao feixe de His que cursa pelo trígono

fibroso direito para alcançar o ápice do septo interventricular. O ramo de condução

direito cursa ao longo das bandas septal e moderadora. No lado esquerdo do

coração temos o feixe de condução esquerdo formado por uma rede de fibras ao

longo da superfície septal, chamadas fibras de

Purkinje

, no momento que esse

impulso chega à base dos ventrículos a contração dos mesmos é realizada, de baixo

para cima, dessa maneira a contração dos ventrículos expulsa o volume de sangue

suficiente para seguir por todo o sistema circulatório [BOYLER, JOSEPH III. 1998.]

[MANDARIM, Carlos Alberto.1990.] [SILVA, Mauricio R. 2000.].

Figura 2.3 – Esquema gráfico do Sistema Condução Cardíaca (modificada) [Universal Medical Center.

2005.].

As células miocárdicas podem ser compostas de fibras lentas ou rápidas

dependendo da forma e da velocidade de condução dos impulsos elétricos. As fibras

lentas, normalmente, estão presentes somente nos nodos SA e AV. As fibras

miocárdicas normais atriais e ventriculares e os tecidos especializados de condução

do coração são fibras rápidas [BOYLER, JOSEPH III. 1998.]. A fibra cardíaca

apresenta quatro propriedades: excitabilidade que permite às células cardíacas

responderem ao estímulo; a contratilidade; a ritmicidade que está presente nas

células do NSA que gera o impulso e funciona como marca-passo, podendo também

o NAV ter essa propriedade e a condutibilidade, que está presente em todo o tecido

cardíaco, no feixe de His, nas fibras de Purkinje e nos ramos direito e esquerdo que

possuem essa propriedade bem desenvolvida [BOYLER, JOSEPH III. 1998.]

[MANDARIM, Carlos Alberto.1990.].

2.4. Princípios básicos de eletrocardiografia

Para que as fibras cardíacas se contraiam, é necessário que o estímulo as

percorra. Este estímulo, nas fibras, é chamado de potencial de ação. Estes se

propagam pelas fibras podendo ser detectados na superfície da pele por eletrodos

[GUIMARÃES, Jorge; et al. 2003.]. O ECG representa a soma dos potenciais de

ação do coração que emanam sobre a superfície do corpo. Na Figura 2.4 temos

ilustrada a captação dos sinais elétricos através dos eletrodos colocados sobre a

pele do paciente. Cada um desses eletrodos, ou a combinação deles, indica uma

derivação de análise do ECG [BOYLER, JOSEPH III. 1998.] [MANDARIM, Carlos

Alberto.1990.].

Figura 2.4 – Foto com a aplicação dos eletrodos para captação dos sinais elétricos

cardíacos pelo aparelho de ECG [HEALTH, Heart. 2000.].

O padrão de um ECG é representado por uma série de ondulações que

indicam o potencial elétrico dos tecidos cardíacos. A Figura 2.5 apresenta o

esquema gráfico de um ECG, com suas ondas características e também as

informações que podem ser extraídas para auxílio do diagnóstico. Um ECG típico é

composto pelas ondas P, QRS, T e seus segmentos PQ e ST e eventualmente,

podemos observar o aparecimento de mais uma onda, denominada U [DECCACHE,

Waldemar; et al. 1993.] [HALLAKE,José. 1994.].

Na Figura 2.5 temos a representação gráfica de um ECG onde, através desse

registro podemos acompanhar o curso do impulso elétrico no coração. A primeira

onda registrada é a onda P, que mostra o impulso propagando-se do NSA em

direção aos átrios representando eletricamente a despolarização atrial, ou seja, a

contração dos átrios. A seguir temos, normalmente, uma linha isoelétrica, que

representa o atraso do impulso elétrico no nodo AV, chamado sPR, que é o

segmento entre a onda P e o início da onda R. A estimulação elétrica dos ventrículos

é registrada no ECG por três ondas, normalmente apiculadas, chamado de

Complexo QRS, a ação física da contração ventricular dura, na verdade, mais tempo

que o complexo QRS, mas considera-se o complexo QRS como representante da

contração ventricular (despolarização ventricular). A onda Q é a primeira deflexão (

;

do complexo QRS, ocorrendo no início do complexo QRS e é seguida de uma onda

com deflexão positiva (9 FKDPDGD RQGD 5 TXH SRU VXD YH] p VHJXLGD GH XPD

onda com deflexão negativa (; FKDPDGD RQGD 6 $ PDLRULD GDV FDUGLRSDWLDV OLJDGDV

ao sistema elétrico cardíaco reflete alterações no complexo QRS, como bloqueio

ventricular, hipertrofia e infarto. A repolarização dos átrios é tão pequena que se

perde dentro do complexo QRS, não sendo, portanto, frequentemente observada, ou

registrada no ECG [BITTENCOURT, Murilo Guérios. 2001.] [HALLAKE,José. 1994.]

[LINDER, Udo K.; et al. 1999.] [MENNA, Carlos. 2005.].

O ponto J, apresentado na Figura 2.5 é a junção entre o final do complexo

QRS e o início do segmento ST. Após o complexo QRS existe uma pausa (fase

inicial da repolarização ventricular) que é chamada segmento ST, representado por

uma linha com pouca ou nenhuma inclinação entre QRS (ponto J) e a onda T.

A repolarização ventricular é representada pela onda T, que é uma onda

arredondada e assimétrica, com fase ascendente mais lenta que a descendente.

Sua amplitude normal é menor que a amplitude do complexo QRS. Quando tem a

forma pontiaguda e simétrica, há suspeitas de isquemia miocárdia e nos casos em

que sua base é estreita, e ampla, ultrapassando o comprimento de QRS, sugere

hiperpotassemia. O intervalo S-T é o tempo medido entre o início do complexo QRS

ao final da onda T. Corresponde à sístole elétrica total ventricular. O intervalo QT

varia inversamente proporcional em relação à freqüência cardíaca, sendo menor em

FC mais rápida e maior na FC mais lenta.

Podemos ter a identificação da onda U ocasionalmente. Ela está localizada

logo após a onda T, tem forma arredondada, de curta duração e pequena amplitude,

ocorrendo devido à contração prematura do ventrículo, ocasionado por um pulso do

NAV de pequena dimensão, independente da contração registrada pela onda R

[HALLAKE,José. 1994.].

A Freqüência Cardíaca (FC), é calculada com base no tempo da distância

entre os dois complexos QRS. Dentro da normalidade a FC situa-se entre 60bpm e

100 bpm. Temos como freqüência cardíaca fora da normalidade a bradicardia,

quando o batimento está abaixo de 60bpm e taquicardia quando temos o batimento

acima de 100 bpm. Esta informação fornecida pelo ECG é de grande valor para o

diagnóstico.

O Ritmo Cardíaco (RC), é avaliado pela medida dos intervalos entre os ciclos

cardíacos, normalmente aferidos entre os ápices das ondas R, que chamamos de

intervalo R-R. O ritmo cardíaco é considerado normal quando há regularidade e

constância nos intervalos e quando há irregularidades nos intervalos são chamadas

arritmias [BITTENCOURT, Murilo Guérios. 2001.] [DECCACHE, Waldemar; et al.

1993.] [LINDER, Udo K.; et al. 1999.] [HALLAKE,José. 1994.] [MENNA, Carlos.

2005.].

Figura 2.5 – Representação Gráfica do Ciclo Cardíaco composto de cada onda presente no ECG e os

intervalos entre elas, chamados segmentos, modificada [EKG Measurements. 2004.].

2.5. Derivações do ECG

Denomina-se derivação no ECG o registro obtido por um eletrodo posicionado

em qualquer ponto do corpo. Normalmente os eletrodos são colocados na superfície

do tórax e dos membros. Há dois tipos de derivações, as unipolares e as bipolares.

Uma derivação é considerada unipolar quando um eletrodo explorador faz o registro

da atividade elétrica cardíaca (ex : V1 a V6 e aVR, aVL, aVF). As derivações aVR,

aVL e aVF são denominadas derivações unipolares aumentadas dos membros.

Derivação bipolar é aquela onde o registro se faz através de dois eletrodos situados

à mesma distância do coração (ex : DI, DII e DIII)

[BITTENCOURT, Murilo Guérios.

2001.] [DECCACHE, Waldemar; et al. 1993.] [HALLAKE,José. 1994.].

O ECG padrão é composto de seis derivações precordiais e de seis derivações

periféricas. As derivações periféricas (ou dos membros) são: DI, DII, DIII, aVR, aVL,

aVF e as derivações unipolares ou precordiais são: V1, V2, V3, V4, V5 e V6.

Podemos também ter derivações precordiais adicionais V7, V8, quando houver

necessidade, a critério do profissional que estiver realizando e analisando o exame

[HALLAKE, José. 1994.] [LINDER, Udo K.; et al. 1999.] [MENNA, Carlos. 2005.].

Derivações Bipolares ou dos Membros

Para obtenção das derivações dos membros (periféricos), colocam-se os

eletrodos sobre os braços direito e esquerdo e sobre a perna esquerda (Figura 2.6),

o que formará um triângulo imaginário descrito por Einthoven em 1912, [JENKINS,

Dean. 2002.]. Os eletrodos ligam-se aos pólos elétricos correspondentes. O ECG

registra a diferença de potencial entre os dois pontos, que é interpretada no traçado

como uma onda, podendo ser ela positiva ou negativa e no caso da diferença de

potencial tender a zero, o registro se manterá próximo à linha base do ECG.

Cada um dos lados do triângulo, formado pelos eletrodos, representa uma

derivação (DI, DII e DIII), usando-se diferentes pares de eletrodos para cada

derivação. Quando consideramos um par de eletrodos, um é positivo e outro

negativo, a derivação DI é horizontal e o explorador do braço esquerdo é positivo

enquanto o do braço direito é negativo. Na derivação DII, o explorador do braço

esquerdo é negativo e o da perna esquerda é positivo [BITTENCOURT, Murilo

Guérios. 2001.] [HALLAKE,José. 1994.] [MENNA, Carlos. 2005.].

Figura 2.6 – Derivações Bipolares ou dos Membros, derivações simples de braço direito, esquerdo e

pé e sua representação no ECG, (parcialmente) [Les dérivations d’ un électrocardiogramme. 2000.].

Em 1934 Frank Wilson definiu uma nova combinação de derivações que

foram chamadas de Vf, Vr e VL. Essas derivações apresentam uma potência de

sinal muito baixa, por este motivo, em 1942, Emanuel Goldberger incrementa em

50% a potência dessas derivações chamando-as de derivações aVL, aVr e aVF,

como vemos na Figura 2.7, para obter um traçado da mesma magnitude das

derivações DI, DII e DIII, onde o “a” significa aumentada [DECCACHE, Waldemar; et

al. 1993.] .

Figura 2.7 – Derivações Bipolares ou dos Membros, derivações compostas e aumentadas, aVR, aVL

e aVF e sua representação no ECG.(parcialmente)[Les dérivations d’ un électrocardiogramme. 2000.].

A mesma atividade cardíaca é registrada em cada derivação. As ondas

parecem diferentes nas diversas derivações porque esta atividade elétrica é

registrada em posições diferentes, conforme verificamos nas Figuras 2.6 e 2.7. A

atividade elétrica nunca muda, mas os pares de eletrodos são diferentes para cada

derivação e, desse modo, o traçado se modifica ligeiramente a cada derivação

quando alteramos o ângulo do registro da atividade cardíaca [DECCACHE,

Waldemar; et al. 1993.] [MENNA, Carlos. 2005.].

Derivações Unipolares ou Precordiais

Temos, além das derivações bipolares, as seis derivações unipolares ou

precordiais e para obtê-las coloca-se um eletrodo positivo em seis diferentes

posições ao redor do tórax. Na Figura 2.8A temos as derivações precordiais que são

numeradas de V1 a V6 e se movem sucessivamente, do lado direito para o lado

esquerdo do tórax do paciente. As derivações precordiais se projetam do nodo AV

em direção ao dorso do paciente que é o pólo negativo de cada derivação torácica.

O traçado do ECG de V1 a V6 mostra uma mudança gradual em todas as

ondas, à medida que a posição de cada derivação varia. A Figura 2.8A mostra a

localização dos eletrodos, nas derivações precordiais e na Figura 2.8B, temos o

traçado do ECG e suas variações de uma derivação para outra [BITTENCOURT,

Murilo Guérios. 2001.] [SILVA, Mauricio R. 2000.].

quarto espaço intercostal à direita do esterno

quarto espaço intercostal à esquerda do esterno

entre V2 e V4

quinto espaço intercostal na linha hemiclavicular

quinto espaço intercostal na linha axilar superior

quinto espaço intercostal na linha axilar média

Figura 2.8A - Posição dos eletrodos para derivações unipolares ou precordiais normais. No esquema

temos as derivações identificadas de V1 a V6 modificada [FELDMAN, Henry. 2006.].

Figura 2.8B – Representação gráfica no ECG, para derivações unipolares ou precordiais normais. De

V1 a V6.

2.6. Cardiopatias

As cardiopatias são cardiopatias causadas por algum tipo de débito cardíaco.

O débito cardíaco ou volume de débito cardíaco pode ser definido como o volume de

sangue expulso pelo ventrículo, na unidade de tempo, ou seja, em um minuto.

As cardiopatias estão agrupadas em quatro tipos, segundo o tipo de

mecanismo de ação:

•

Lesão miocárdica: onde temos a função cardíaca comprometida baseada

na alteração do músculo cardíaco como miocardites, doença de Chagas,

difteria, infarto do miocárdio ou na miocardiopatia por falta de irrigação do

músculo cardíaco, como no exemplo ilustrado na Figura 2.9;

•

Cardiopatia por excesso de volume: por excessiva pressão de apoio de

pré-carga. Nestes casos, o coração, apresenta uma falha, porque recebe

um volume diastólico final exagerado e não pode transformar em débito

cardíaco, ocorrendo na hipervolemia da gravidez, hipertireoidismo ou

também quando há sobrecargas de algumas câmaras cardíacas;

•

Cardiopatia por sobrecarga de pressão: ou por excessiva pressão de

apoio de pós-carga, onde o coração torna-se insuficiente para bombear o

volume cardíaco contra uma alta resistência, determinada pela excessiva

pressão pós-carga, ocorrendo na presença de hipertensão arterial,

estenose aórtica e na estenose mitral;

•

Cardiopatia hipodiastólica: onde o volume diastólico está limitado por

causa de uma pericardite constritiva, que impede a distensão da parede

ventricular durante a diástole.

Figura 2.9 – Ilustração da alteração do músculo cardíaco acometido por um infarto agudo do

miocárdio, modificada [LEE, Dennis. Illustration Heart Attack].

Discorreremos a seguir sobre algumas das mais importantes Cardiopatias,

onde o ECG é utilizado para o diagnóstico [BOYLER, JOSEPH III. 1998.]

[DOUGLAS, Carlos Roberto. 2000.] [MANDARIM, Carlos Alberto.1990.].

2.6.1. Infarto Agudo do Miocárdio - IAM

O termo Infarto Agudo do Miocárdio, IAM, significa a morte das células

cardíacas – cardiomiócitos, causada por isquemia prolongada. Normalmente essa

isquemia (falta de suprimento sanguíneo) é causada por trombose (obstrução

causada pela presença de trombos) e/ou vasoespasmo sobre a placa

arteroesclerótica [RIBEIRO, Antonio Luiz Pinho. 2002.].

A evolução ocorre em áreas com isquemia, seguida de lesão e por fim a

necrose da área afetada, sendo que as duas primeiras alterações podem ser

reversíveis, mas no processo de necrose os danos são definitivos.

Para a Organização Mundial de Saúde o infarto agudo do miocárdio será

diagnosticado se o paciente apresentar duas das alterações abaixo:

•

História típica de dor precordial;

•

Alterações eletrocardiográficas;

•

Elevação das enzimas cardíacas.

O quadro clínico do paciente enfartado apresenta: dores precordiais,

retroesternais, constritivas, não pleuríticas, com duração superior a 30 minutos,

irradiada para ombros ou membros inferiores e não aliviada pelo repouso ou com

uso de nitratos. A dor pode ser acompanhada pelos seguintes sintomas: náuseas,

vômitos, sudorese e fraqueza muscular generalizada.

Os sintomas do infarto agudo do miocárdio podem não ser claros em até 12%

dos pacientes ou se apresentar com quadros atípicos de dor ou desconforto em

braços, dorso, mandíbula ou ter como sintoma básico: síncope, palpitações,

ortopnéia ou agravamento da insuficiência cardíaca.

O exame eletrocardiográfico permite a identificação da topografia do IAM, sua

extensão e a probabilidade de lesão obstrutiva nas demais artérias. No

acompanhamento do paciente pós IAM, os exames eletrocardiográficos são muito

importantes para avaliação da cicatrização da lesão e sua evolução [MANDARIM,

Carlos Alberto.1990.] [SILVA, Mauricio R. 2000.].

Quando apenas um único eletrocardiograma é realizado, o exame

eletrocardiográfico pode falhar no diagnóstico em 50% a 70% dos pacientes

enfartados. Quando o exame é seriado, o erro diagnóstico é reduzido para 10 a

20%, normalmente efetuado em intervalos de 30 minutos em até três séries e depois

de 6 horas.

O Infarto Agudo do Miocárdio passa por algumas fases em sua evolução,

sendo a primeira fase a superaguda, verificado no ECG com ondas T aumentadas;

em seguida vem a fase aguda, onde o ECG apresenta elevação do segmento ST,

diminuição da amplitude da onda T e o aparecimento de onda Q patológica; na fase

subaguda a caracterização no ECG está na inversão da onda T e o retorno do

segmento ST para a linha isoelétrica e na última fase que é a crônica, o ECG

apresenta ondas Q patológicas com a elevação do segmento ST [DOUGLAS, Carlos

Roberto. 2000.] [NEVILLER, Conway.1987.] [SILVA, Mauricio R. 2000.].

Do ponto de vista patológico os IAM são classificados por tamanho, tempo de

evolução e localização podendo ser:

•

Infarto Inferior

– Na Figura 2.10 temos um ECG de um paciente que

apresenta um IAM Inferior, onde temos padrão intracavitário de ventrículo

esquerdo com QS espessadas ou, eventualmente, Qr em DII

DIII e aVF

seguido de onda T negativa [HALLAKE,José. 1994.] [MANDARIM, Carlos

Alberto.1990.] [SILVA, Mauricio R. 2000.];

Figura 2.10 – Exemplo de IAM Inferior com o complexo QRS espessado. Derivação DII, com a

característica da onda T negativa. [software Classificador de Cardiopatias].

•

Infarto Posterior

– Ilustrado na Figura 2.11 temos o ECG de um paciente

apresentando um infarto posterior, onde pode aparecer o infra-

desnivelamento do segmento ST nas derivações V1, V2 e V3

[HALLAKE,José. 1994.] [MANDARIM, Carlos Alberto.1990.] [SILVA, Mauricio

R. 2000.];

Figura 2.11 – Exemplo de IAM Posterior apresentando infra-desnivelamento do segmento ST na

derivação V3. [software Classificador de Cardiopatias].

•

Infarto Antero-lateral

– No ECG do paciente apresentado na Figura 2.12,

temos como padrão a onda Q diminuída e alargada nas derivações DI e aVL,

inversão da onda T nas derivações DI, aVL e V6 e elevação do segmento ST

nas derivações DI e aVL [HALLAKE,José. 1994.] [MANDARIM, Carlos

Alberto.1990.] [SILVA, Mauricio R. 2000.];

Figura 2.12 – Exemplo de IAM Antero-Lateral com onda Q alargada na derivação DI. [software

Classificador de Cardiopatias].

•

Infarto Antero-septal

– Na Figura 2.13 temos como característica do infarto

antero-septal a ocorrência de elevação do segmento ST nas derivações de V1

a V4 e elevação de ST em DI [HALLAKE,José. 1994.] [MANDARIM, Carlos

Alberto.1990.] [SILVA, Mauricio R. 2000.];

Figura 2.13 – Exemplo de IAM Antero-Septal apresentando elevação do segmento S-T. [software

Classificador de Cardiopatias].

•

Infarto Lateral

– Temos o sinal elétrico deteriorado na parede lateral e há um

desequilíbrio de forças entre os vetores da despolarização, gerando uma

grande onda Q em DI conforme vemos na Figura 2.14 [HALLAKE,José. 1994.]

[SILVA, Mauricio R. 2000.] [MANDARIM, Carlos Alberto.1990.].

Figura 2.14 – Exemplo de IAM Lateral, onda Q com supra-desnivelamento. [software Classificador de

Cardiopatias].

•

Infarto Anterior

– Na Figura 2.15 destacamos o supra-desnivelamento do

segmento ST em V1, V2 e V3 e infra-desnivelamento nas derivações DII, DIII

e aVF [HALLAKE,José. 1994.] [MANDARIM, Carlos Alberto.1990.] [SILVA,

Mauricio R. 2000.];

Figura 2.15 – Exemplo de IAM Anterior ondas T com supra-desnivelamento em V1. [software

Classificador de Cardiopatias].

Os exemplos de eletrocardiogramas de vários tipos de infarto agudo do

miocárdio ilustrado nas Figuras 2.11 a 2.15, foram processados pelo aplicativo

desenvolvido para apoiar esse trabalho e utilizou a base de dados PTB Physionet

[OEFF, Michael. 2005.] .

2.6.2. Bloqueios

Os bloqueios representam atrasos na condução do impulso elétrico pelos

tecidos cardíacos. O bloqueio provoca a dificuldade na passagem do impulso e

também sua progressão desde o nodo sinusal às demais regiões. Esse atraso

modifica de forma peculiar o traçado do ECG do paciente. Em geral os bloqueios

podem ser classificados:

•

Bloqueio sinoatrial: acometem a área compreendida entre o nodo

sinusal e os átrios, comprometendo o traçado da onda P;

•

Bloqueio intra-atrial: o impulso gerado no nodo sinusal tem dificuldade

em sua progressão dentro do átrio, nos feixes internodais;

•

Bloqueio átrio-ventricular: ocorrem no momento em que o impulso

elétrico alcança o nodo AV e tem dificuldade de passagem entre o átrio

e o ventrículo. Podemos ter graus de bloqueio, sendo que o primeiro

apenas retarda a passagem pela junção AV, o segundo tem alguns

impulsos que são bloqueados e os demais têm continuidade e chegam

ao ventrículo. O bloqueio AV de terceiro grau também é conhecido

como bloqueio completo, onde o estímulo sinusal não consegue

atravessar a junção AV, colocando os batimentos ventriculares

inteiramente independentes dos átrios e neste caso há a ação de dois

marca-passos comandando os batimentos cardíacos, um sinusal e

outro ventricular localizado abaixo da junção AV;

•

Bloqueio de Ramo e hemibloqueio: são bloqueios intra-ventriculares,

onde o defeito de condução ocorre dentro dos ramos do Feixe de His,

esse tipo de bloqueio provoca atrasos ventriculares e dificuldade da

passagem do impulso elétrico para as fibras de

Purkinje

[DECCACHE,

Waldemar; et al. 1993.] .

No registro eletrocardiográfico de bloqueios ventriculares de ramo pode-se

observar o complexo QRS alargado e entalhado em forma de ‘M’ ou ‘W’. A

repolarização é também anormal invertendo as ondas T. Em V6, a onda Q se perde

porque o septo não é mais ativado a partir do lado esquerdo. Nas derivações

precordiais direitas observam-se padrões de imagem em espelho, com ondas R

diminuídas ou ausentes, ondas P elevadas e supra-desnivelamento do segmento

ST. Na Figura 2.16 ilustramos um bloqueio de ramo direito onde, nas derivações

precordiais direitas há presença de complexos RSR, com ondas R secundárias de

duração aumentada.

As características do ECG de bloqueio podem variar de acordo com o grau do

mesmo. Os bloqueios de 1º grau apresentam o segmento P-R prolongado e

podemos ter o desaparecimento das ondas P e inconstância dos intervalos P-R. Nos

bloqueios de 2º grau o segmento S-T vai aumentando progressivamente, até que

apresenta uma falha de condução completa, onde teremos uma onda P não

sucedida pelo complexo QRS. Para os bloqueios de 3º grau ou bloqueio completo,

onde os átrios e ventrículos batem independentemente, não existindo relação entre

a onda P e o complexo QRS ou onda T [HALLAKE,José. 1994.] [MANDARIM, Carlos

Alberto.1990.] [SILVA, Mauricio R. 2000.].

Figura 2.16 – Exemplo de ECG – Bloqueio de Ramo apresentando ondas RsR identificando a

dificuldade de passagem do sinal elétrico pelo bloqueio de ramo direito. [software Classificador de

Cardiopatias].

2.6.3. Hipertrofia Ventricular Cardíaca

O coração tem duas câmaras ventriculares: a direita responsável por bombear

o sangue para o pulmão e a esquerda, maior e mais forte, responsável pelo

bombeamento do sangue para todo o corpo. O crescimento de um ventrículo está na

dependência de sua etiologia, ou seja, das causas do crescimento, como

hipertensão, Doenças de Chagas e outras. O aumento da superfície e da espessura

ventriculares que alteram a rotação e a posição do coração, provocam um maior

tempo de ativação pelo aumento da massa, prolonga o caminho a ser percorrido

pelo estímulo, modificando tanto a despolarização como a repolarização

ventriculares, traduzindo assim aumento nas distâncias e intervalos nas ondas

registradas no eletrocardiograma. [DECCACHE, Waldemar; et al. 1993.]

[HALLAKE,José. 1994.] [MANDARIM, Carlos Alberto.1990.] [SILVA, Mauricio R.

2000.]

Hipertrofia Ventricular Esquerda

O padrão de ECG que encontramos nos casos de Hipertrofia Ventricular

Esquerda, em um adulto de constituição normal, apresenta a onda R em V5 ou V6,

ou a onda S em V1 ou V2, com amplitudes acima da normalidade, como podemos

verificar na Figura 2.17. Poderemos achar também inversão de ondas T em V6 e

ondas T achatadas em V5, aVL e DI. Quando há em conjunto sobrecarga sistólica

teremos inversão de onda T de V4 a V6 [DECCACHE, Waldemar; et al. 1993.]

[HALLAKE,José. 1994.] [MANDARIM, Carlos Alberto.1990.] [SILVA, Mauricio R.

2000.].

Hipertrofia Ventricular Direita

A presença de Hipertrofia Ventricular Direita é caracterizada no ECG pela

presença da onda R mais elevada que a onda S em V1 e uma onda S mais profunda

que a onda R em V6. A tensão ventricular direita se manifesta como uma depressão

de ST e inversão da onda T de V1 até V4. Podemos destacar como padrões básicos

as ondas R elevadas sobre o ventrículo direito e ondas S dominantes nas

derivações precordiais. O sinal de hipertrofia grave é o surgimento de um complexo

qR em V1 [DECCACHE, Waldemar; et al. 1993.] [HALLAKE,José. 1994.]

[MANDARIM, Carlos Alberto.1990.] [SILVA, Mauricio R. 2000.].

Figura 2.17 – Exemplo de ECG – Hipertrofia Ventricular Esquerda com ondas S de intensidade acima

do normal, na derivação V1. [software Classificador de Cardiopatias].

2.6.4. Miocardite

Miocardite é caracterizada por uma inflamação do miocárdio, que pode levar a

uma destruição do tecido cardíaco. O quadro clínico de um paciente com miocardite

não é muito específico, podendo apresentar fadiga, dispnéia moderada, insuficiência

cardíaca congestiva, palpitações, dor torácica, mialgias ou morte súbita em casos

raros. Uma síndrome viral é o antecedente documentado em 60% dos casos de

pacientes com miocardite e o intervalo de tempo entre a enfermidade viral e o

comprometimento cardíaco é de duas semanas [DECCACHE, Waldemar; et al.

1993.] [HALLAKE,José. 1994.] [MANDARIM, Carlos Alberto.1990.] [SILVA, Mauricio

R. 2000.].

O traçado de ECG da miocardite possui alterações específicas de ondas T em

todas as derivações, como vemos destacado na Figura 2.18, alterações essas que

sugerem anormalidades difusas no miocárdio.

Figura 2.18 – Exemplo de ECG – Miocardite apresentando ondas R de grande amplitude. [software

Classificador de Cardiopatias].

2.6.5. Cardiomiopatia

A cardiomiopatia é uma insuficiência cardíaca essencialmente diastólica,

podendo levar a morte súbita. O sintoma mais freqüente é a dispnéia, principalmente

durante o esforço físico. Alguns fatores podem estar presentes na ocorrência da

cardiomiopatia, como a hipertrofia e a fibrose do músculo cardíaco. A primeira atua

principalmente dificultando o relaxamento miocárdio e a última, aumentando a

rigidez da câmara. As cardiomiopatias são normalmente de difícil identificação em

sua fase aguda, no ECG observamos em destaque na Figura 2.19, curvas de baixa

voltagem com alterações de onda T [DECCACHE, Waldemar; et al. 1993.]

[HALLAKE,José. 1994.] [MANDARIM, Carlos Alberto.1990.] [SILVA, Mauricio R.

2000.].

Figura 2.19– Exemplo de ECG – Cardiomiopatia com ondas T de baixa voltagem [software

Classificador de Cardiopatias].

2.7. Conclusão

Neste capítulo estudamos o coração, sua anatomia, o funcionamento dos

sistemas elétrico e circulatório, algumas cardiopatias relacionadas a problemas de

condução cardíaca e como elas podem ser identificadas através do

eletrocardiograma. No Capítulo 3 teremos a análise de algumas técnicas de

classificação de cardiopatias através do sinal ECG.

Capítulo 3

Técnicas para Classificação de

Cardiopatias

O objetivo deste capítulo é a discussão dos principais métodos de

classificação automática de Cardiopatias. Para tal discorreremos sobre algumas

técnicas encontradas na literatura.

3.1. Introdução

Os especialistas identificam várias cardiopatias através da identificação visual,

com base em seu conhecimento na interpretação do ECG.

Os pesquisadores já discutem há algum tempo, formas de automatizar essa

identificação, para automatização deste processo, existem basicamente duas linhas

de pesquisa: a primeira utilizando o sinal original de ECG, onde há uma dificuldade

de análise, em função da necessidade de processamento de grande volume de

dados e redundância de informações. Em contrapartida há a vantagem de estar

analisando o sinal original, descartando assim qualquer tipo de distorção. A segunda

linha de pesquisa opta por extrair características, que sejam representativas do sinal

original, trabalhando com um volume menor de informações, podendo gerar um

resultado rápido e eficiente [GE, Dingfei; et al. 2002.] [HOLST, Holger; et al. 1999.].

3.2. Estudos sobre Análise de Classificação de ECGs

Em 1997, Hedén et al., desenvolveram um estudo sobre detecção de infarto

agudo do miocárdio, utilizou características extraídas do sinal ECG para alimentar

uma rede neural artificial. Os sinais de ECG foram captados através de um sistema

computadorizado (Siemens-Elema AB) e suas doze derivações foram utilizadas com

utilização de medidas do segmento ST e da onda T, como: a amplitude do segmento

J-ST; inclinação de ST; amplitudes, positiva e negativa da onda T e duas medidas de

ST para cada uma das derivações, sendo estas medidas, frações do segmento ST,

onde ele dividiu o segmento em oito partes iguais e selecionou a segunda e a

terceira partes.

Essas características foram aplicadas a uma rede neural artificial, com

topologia

perceptron

multicamadas. A rede foi composta por 72 neurônios de

entrada, sendo seis características para cada uma das doze derivações, 15

neurônios na camada intermediária e um neurônio de saída, identificando se o ECG

é de um paciente com infarto do miocárdio ou não. O objetivo do trabalho era

identificar a eficiência do sistema desenvolvido, comparada com a identificação por

dois especialistas experientes dos mesmos ECGs testados pela rede neural. Os

resultados do trabalho atestam que uma rede neural artificial, treinada com uma

grande base de informações, possui uma maior sensibilidade de identificação de

ECGs de pacientes com infarto agudo do miocárdio do que os dois cardiologistas

experientes que ajudaram nos experimentos, indicando que a utilização da

automação no diagnóstico pode ser uma ferramenta válida como forma de agilizar o

diagnóstico [HEDEN, Bo; et al. 1997.].

Em 1999, Gamlyn et al., realizaram um estudo com o objetivo de analisar a

eficiência de uma rede neural artificial, acoplada a um monitor ECG em tempo real.

A expectativa era verificar os benefícios da automação para os pacientes,

diminuindo o tempo entre a identificação da cardiopatia e o início do tratamento. A

tecnologia escolhida foi uma rede neural artificial do tipo Kohonen. No primeiro

estudo realizado, foram analisados 26 minutos de sinais ECG de 67 pessoas,

divididas entre pacientes cardíacos, pacientes em recuperação e indivíduos

saudáveis. A eficiência da identificação de arritmias cardíacas foi comparada entre

os resultados da rede neural e a análise de cinco cardiologistas. O resultado

alcançado pela rede neural foi 96% de acerto na identificação, contudo, as análises

realizadas pelos cardiologistas obtiveram um índice de 89% de acerto [GAMLYN, L.;

et al. 1999.].

Em 1999, Holst et al., desenvolveram um trabalho com objetivo de criar um

método para validar a análise de sinais de ECG através de um sistema

computacional confiável. Para tal, eles optaram pela utilização de uma rede neural

artificial e como informações de entradas, eles utilizaram as mesmas características

que os cardiologistas analisam visualmente. São elas: amplitudes das ondas Q, R e

S, duração das ondas Q e R e amplitudes entre a onda S e o final da onda T. As

derivações analisadas foram V2, V3 e V4, que são as comumente analisadas pelos

cardiologistas e profissionais médicos. A topologia de rede neural escolhida foi

perceptron

multicamadas, com 24 neurônios de entrada, sendo oito para cada uma

das derivações. A camada intermediária foi construída com 5 neurônios e um único

neurônio na camada de saída, identificando a presença de infarto agudo do

miocárdio ou não. As informações de entrada foram divididas em três grupos

distintos, sendo: o primeiro para o treino da rede, o segundo utilizado para a aferição

do nível de erro e o terceiro grupo para testes de validação do experimento. A

criação de um sistema computacional, utilizando redes neurais, analisando as

mesmas características que os cardiologistas e nas mesmas derivações, na

conclusão dos autores, é totalmente confiável, podendo ser utilizado clinicamente

como suporte à decisão [HOLST, Holger; et al. 1999.].

Baseado na experiência de Hedén et al., 1997. Olsson et al., 2002 propõem

uma ferramenta de diagnóstico automatizado para reconhecimento de infarto agudo

do miocárdio combinado com bloqueio de ramo esquerdo, através da análise do

ECG. O propósito dos autores era a detecção em ECGs das cardiopatias citadas,

comparando a eficiência de uma rede neural artificial com o método tradicional

utilizando dois cardiologistas experientes. Como informações de entrada da rede

neural, foram escolhidas 11 medidas extraídas do sinal ECG, para as doze

derivações, sendo elas: duração do complexo QRS, área do mesmo complexo,

amplitudes das ondas Q, R e S, amplitude do segmento ST-J, inclinação de ST,

amplitude negativa e positiva da onda T e duas amplitudes parciais de ST. Num

segundo momento, essas variáveis foram agrupadas e priorizadas, tendo seu

número reduzido para 30 variáveis por ECG. Os experimentos foram realizados com

518 amostras de ECGs, divididos em grupos de treino, validação e teste, numa rede

neural de topologia

perceptron

multicamadas. Os resultados do sistema

computadorizado foram 12% mais eficiente que a análise dos dois cardiologistas

com 25 anos de experiência, concluindo a confiabilidade do método, podendo ele

ser utilizado pelos profissionais com um ganho de

performance

no diagnóstico

[OHLSSON, E; et. al., 2002.].

Um trabalho similar aos que já observamos até o momento, tratando também

de sinais biomédicos, foi realizado por Soares et al., 2003, objetivando o

desenvolvimento de uma prótese virtual mioelétrica controlada por um sistema de

reconhecimento do sinal biomédico eletromiográfico (EMG), baseado em redes

neurais. Em suas pesquisas, os autores verificaram a grande dificuldade de

adaptação de pacientes ao uso de próteses, em função da perda de membros por

amputação ou por defeitos congênitos, sendo que o grande desafio dos

pesquisadores era encontrar a melhor forma de criar controles baseados na

detecção e processamento dos sinais EMG, que permitam ao paciente uma

adaptação mais simples à prótese, com movimentos mais naturais e com menor

esforço. Como forma de reduzir o número de informações a serem analisadas, os

autores optaram por utilizar um modelo linear estocástico para extrair características

do sinal EMG e não utilizar o sinal original em função do grande volume de dados.

Eles identificaram o modelo autoregressivo (AR), como o mais apropriado para ser

aplicado em sinais eletromiográficos, bem como a utilização do algoritmo LMS

(método dos mínimos quadrados –

least mean square

) para a minimização dos erros

no cálculo dos coeficientes do modelo AR. Os coeficientes AR extraídos do sinal

EMG foram utilizados como características representativas do sinal analisado e

classificados através de redes neurais. Suas conclusões apontaram para a utilização

do modelo auto-regressivo AR, pois a característica do sinal não-estacionário não

permite a utilização dos métodos tradicionais. Na Figura 3.1, temos o gráfico com os

coeficientes extraídos pelo modelo AR, em um dos cenários utilizado pelos autores.

Figura 3.1 Gráfico com os coeficientes resultantes do modelo AR, extraídos do sinal EMG.

[ANDRADE, Adriano de Oliveira. 2000.] [SOARES, Alcimar Barbosa; et al. 2003.].

Após a extração das características, os autores utilizaram uma rede neural

artificial para a etapa de classificação. Seu objetivo era o reconhecimento de

padrões do sinal eletromiográfico, distinguindo-os em classes previamente

classificadas. Foi adotada uma topologia de rede neural MLP (Perceptron

Multicamadas) e o número de neurônios de entrada foi ajustado de acordo com a

eficiência do número de coeficientes do modelo AR (entre 4 e 10), com 80 neurônios

na camada intermediária e 4 neurônios na camada de saída. Como treinamento da

rede foi utilizado o algoritmo

Backpropagation

, escolhido pelo conhecimento prévio

da massa de treino e teste. Em seus experimentos foram utilizados modelos AR de

ordem 10 e de ordem 4. Foram escolhidos quatro diferentes movimentos

musculares, através de cinco eletrodos colocados na superfície do braço e cada

movimento foi repetido 50 vezes, sendo: flexão e extensão do braço e flexão para

cima e para baixo do pulso. As informações foram divididas em dois grupos, um para

treino e outro para teste, cada grupo continha 100 amostras, 25 para cada tipo de

movimento. As apurações foram efetuadas por tipo de movimento e pelo total das

amostras, sendo que o número de 4 coeficientes mostrou-se mais adequado para

representar o sinal EMG. O reconhecimento da rede apresentou um índice de acerto

acima de 95% [ANDRADE, Adriano de Oliveira. 2000.] [SOARES, Alcimar Barbosa;

et al. 2003.].

Pesquisadores da Universidade de Nayang em Singapura, Dingfei,Ge, et al.,

realizaram estudos sobre sinais biomédicos na área cardiológica, utilizando modelo

AR. [GE, Dingfei; et al. 2002.]. O objetivo da pesquisa era a classificação de

arritmias cardíacas, separando-as por grupos:

•

VT – Taquicardia Ventricular;

•

VF – Fibrilação Ventricular;

•

APC – Contração Atrial Prematura;

•

PVC – Contração Ventricular Prematura;

•

SVT – Taquicardia Supraventricular;

•

NSR – Ritmo Sinusal Normal.

A análise automática do ECG é considerada por eles como crítica no auxílio

ao diagnóstico e tratamento de pacientes com problemas cardíacos. A detecção

confiável das arritmias cardíacas é um desafio para a melhoria do sistema de

diagnóstico cardíaco. Nesta pesquisa foi utilizada a base de dados de ECG do

banco de dados MIT-BIH, realizando um pré-processamento dos sinais para a

filtragem de ruídos provocados pela linha de energia, respiração e movimentação

muscular. Para a localização dos picos das ondas R, utilizou-se o algoritmo de

Tompkins

[AFONSO, VX; et al. 1999.]. Na extração das características do sinal

biomédico foi utilizado o modelo AR e os pesquisadores testaram várias ordens para

verificar a melhor precisão na reconstrução dos sinais. Diferentemente do artigo

anterior, que utilizou o algoritmo LMS para auxílio na determinação dos coeficientes,

este artigo utilizou o algoritmo de BURG, que é um algoritmo recursivo, onde os

parâmetros de uma ordem são obtidos a partir da ordem anterior.

Após seus experimentos, os pesquisadores chegaram à conclusão de que a

ordem 4, era a mais eficiente para a reconstrução da curva e com baixo custo

computacional, o que o tornou ideal para o resultado da pesquisa. Para a

classificação dos grupos de arritmias pré-determinados, foi utilizado o modelo linear

generalizado GLM, que utiliza o método dos quadrados mínimos. Os índices de

reconhecimento alcançados estão descritos na Tabela 3.1.

Tabela 3.1 – Tabela com o número de amostras aplicadas à solução da pesquisa e seu percentual de

reconhecimento com a utilização do modelo AR para extração de características e o modelo GLM

para reconhecimento [GE, Dingfei; et al. 2002.].

Tipo de Arritmia Amostras Reconhecimento

VT – Taquicardia Ventricular 143 97,7%

VF – Fibrilação Ventricular 142 98,6%

APC – Contração Atrial Prematura 140 96,4%

PVC – Contração Ventricular Prematura 155 94,8%

SVT – Taquicardia Supra-ventricular 133 100%

NSR – Ritmo Sinusal Normal 143 93,2%

Os autores mostraram que esse método, apesar de simples, é bastante

eficiente, podendo ser implementado em tempo real, pois houve uma preocupação

com sua agilidade no tempo de resposta [GE, Dingfei; et al. 2002.].

3.3. Conclusão

Neste capítulo estudamos alguns métodos e tecnologias que estão sendo

utilizadas para extração de características de sinais digitais biomédicos como o ECG

e identificamos também o modelo AR como uma solução possível para exxtração de

características de sinais biomédicos não estacionários como ECG. Discutimos e

analisamos alguns trabalhos realizados nesta área. Focamos o estudo na área de

redes neurais, por elas trazerem um resultado eficiente e largamente utilizado no

ambiente de pesquisa de sinais biomédicos. Mais recentemente temos a utilização

de técnicas de reconhecimento através da utilização de transformadas

wavelets

com resultados bastante expressivos, que poderá ser foco de um novo estudo sobre

o assunto [LI, C; ZHENG, et al. 2000.]. Entendemos que apesar da boa qualidade de

reconhecimento de cardiopatias a partir do sinal ECG, ainda não obtivemos um

método com um índice de acerto em torno de 100% e por este motivo, focamos

nossa pesquisa nesta área de reconhecimento. No próximo capítulo

apresentaremos o método proposto para a extração de características e a

classificação das cardiopatias a partir do sinal ECG.

Capítulo 4

Sistema Proposto

4.1. Introdução

Este capítulo objetiva a descrição da proposta para reconhecimento de

cardiopatias a partir do sinal ECG. Considerando que o ECG é a ferramenta de

diagnóstico de Cardiopatias de mais rápido resultado, nossa proposta pretende

acoplar funcionalidades ao ECG, para que o especialista possa ter uma sugestão

diagnóstica automatizada. Na Figura 4.1, temos o esquema gráfico da proposta,

onde o sinal captado por um eletrocardiógrafo digital terá seus ciclos separados

através da utilização do

software

disponibilizado no trabalho de Rangel, 2006. Esses

ciclos terão suas características extraídas através de um modelo AR, e os

coeficientes obtidos serão aplicados a uma rede neural artificial para a classificação

das Cardiopatias.

Figura 4.1 – Esquema Gráfico do Sistema Proposto de Classificação de Cardiopatias através do

ECG.

4.2. Metodologia Proposta

A proposta de desenvolvimento da solução utiliza ciclos de registros de ECG

previamente separados e disponíveis em uma base de dados. Na Figura 4.2,

mostramos o esquema gráfico do algoritmo de separação de ciclos cardíacos

proposto por Rangel, 2006, onde o sinal ECG pode ser adquirido diretamente a partir

de um eletrocardiógrafo digital ou de arquivos binários no formato PTB Physionet

[OEFF, Michael. 2005.]. Assim que adquirido, o sinal é filtrado por um filtro de média

móvel, para atenuação de ruídos (normalmente provocados por linha de força ou

movimentos musculares) sendo a seguir derivado duas vezes. A detecção é

realizada por intermédio de um limiar, procurando ocorrências da onda R,

representada em sua segunda derivada. O limiar é estabelecido dinamicamente

com base nos últimos 10 segundos de sinal e seu valor é calculado levando-se em

conta o desvio padrão das variações da segunda derivada no período. As derivadas

são aplicadas sobre o sinal de ECG filtrado, utilizando um filtro de média móvel com

freqüência de corte de 50 Hz. Para cada uma das doze derivações os ciclos são

normalizados, posicionados a 240 ms à esquerda do pico da onda R, identificados e

finalmente armazenados em base de dados digital.

Figura 4.2 – Diagrama de blocos da estratégia adotada para localização de ciclos cardíacos.

[RANGEL, Hélio. 2006.].

A proposta de classificação dos ciclos cardíacos está dividida em duas fases:

o treinamento da rede neural e o reconhecimento das amostras pela rede treinada.

As Figuras 4.3 e 4.4 representam, graficamente, as duas fases que detalharemos a

seguir.

Figura 4.3 – Fluxo da Fase de Treinamento da RNA para Classificação de Cardiopatias.

A primeira fase da proposta de metodologia de classificação de Cardiopatias

é o treinamento da rede neural para futuro reconhecimento das amostras de ECG.

Utilizamos uma base de dados com ciclos cardíacos separados pelo trabalho

desenvolvido por Rangel, 2006. Estes ciclos são utilizados no treinamento da rede

neural artificial. Para esta seleção, temos os ciclos identificados por cardiopatia.

Dentre a base de dados original, extraída do banco de dados Physionet [OEFF,

Michael. 2005], selecionamos três grupos de cardiopatias, (sendo, o IAM e

bloqueios, as cardiopatias de maior incidência), a serem submetidos a treinamento e

reconhecimento, sendo eles: infarto agudo do miocárdio (IAM), bloqueios, grupo de

controle com pacientes sem cardiopatia e outras cardiopatias agrupadas. Na Figura

4.3, ilustramos o fluxo da primeira fase da proposta.

No tratamento dos registros, para extrair as características do sinal, utilizamos

o modelo matemático auto-regressivo - AR e o algoritmo de mínimos quadrados

(

Least Mean Squared

- LMS) [ANDRADE, Adriano de Oliveira. 2000.] [SOARES,

Alcimar Barbosa; et al. 2003.]. Em seguida, os coeficientes do modelo AR foram

utilizados como parâmetros de entrada na rede neural utilizando a topologia

perceptron

multicamadas, com o modelo

feed-foward

e o algoritmo de treinamento

backpropagation.

Na Figura 4.3, apresentamos a topologia da rede que foi utilizada

para o terceiro e melhor cenário analisado, onde temos os quatro grupos a serem

treinados, tendo como camada de saída da rede neural, quatro neurônios com o

seguinte significado: “-1, 1, -1, 1” para o grupo de controle de pacientes saudáveis, “-

1, -1, -1, -1” para o grupo de IAM, “1, 1, 1, 1” para o grupo portador de bloqueios e

“1, -1, 1, -1” para o grupo portador de outras cardiopatias. Desta forma temos a rede

treinada para que, na segunda fase (fase de reconhecimento), possamos ter os

ciclos escolhidos testados e sua eficiência avaliada.

Figura 4.4 – Fluxo da Fase de Reconhecimento de Cardiopatias.

Na segunda fase realizamos a extração de características pelo mesmo

método da primeira fase. Os coeficientes obtidos pelo modelo AR, que representam

a curva do ciclo cardíaco, são aplicados à rede neural para o reconhecimento e o

resultado expresso nos quatro neurônios de saída conforme pode ser visto na Figura

4.3.

Para os dois primeiros cenários, utilizamos uma topologia com quatorze

neurônios na camada intermediária e dois neurônios de saída, no próximo capítulo,

descreveremos os resultados alcançados com esta topologia e a composta com 5

neurônios na camada intermediária e quatro neurônios de saída.

4.2.1. Extração de características do sinal ECG

As características a serem utilizadas na fase de classificação são cruciais

para o sucesso do modelo. Alguns autores, conforme descrito no Capítulo 3,

utilizaram características extraídas diretamente do sinal. Outros autores trabalharam

com dados temporais do sinal original, como amplitude de ondas, medidas de

segmentos etc. As técnicas mais modernas de extração de características se valem

de modelos matemáticos para o levantamento comportamental da curva do ECG.

Como exemplo, podemos citar os modelos AR e as transformadas

wavelet.

[GE,

Dingfei; et al. 2002.] [LI, C; ZHENG, et al. 2000.] [ANDRADE, Adriano de Oliveira.

2000.] [SOARES, Alcimar Barbosa; et al. 2003.].

Neste trabalho optou-se pelo uso do modelo AR, adaptado por Soares et al.,

2003, e Andrade, 2000., por se adequar a sinais não estacionários como é o caso

dos sinais biomédicos, conforme destacado por Dingfei em 2002. Além disso, a

utilização dos coeficientes tem a vantagem de manipular pequenas quantidades de

dados e ainda assim representar bem o sinal original. Em nossa proposta de

classificação, experimentamos o modelo AR com 6, 8 e 10 coeficientes, buscando

encontrar o número de coeficientes de melhor desempenho quando aplicados à rede

neural.

Para que possamos utilizar o modelo AR da melhor forma, devemos realizar

vários experimentos aplicando uma variada gama de configurações e calibrações do

modelo AR. A ferramenta de

software

desenvolvida deve permitir que os diversos

parâmetros (seleção da derivação, janela do sinal a ser analisado, parâmetros de

erro mínimo e coeficiente de convergência), sejam facilmente determinados. Para

minimização do erro quadrático, utilizamos o algoritmo LMS (método dos mínimos

quadrados –

Least Mean Square

), para refinamento dos índices obtidos no modelo

AR. A adaptação do algoritmo LMS foi realizada para minimizar os erros, onde foi

incluído um

looping

aplicado

vezes dentro do modelo auto-regressivo AR como

pode ser observado no fluxograma apresentado na Figura 4.5. [ANDRADE, Adriano

de Oliveira. 2000.] [SOARES, Alcimar Barbosa; et al. 2003.]

A expressão abaixo representa o modelo AR.

Ó (n) = c,

(n) y(n – m) + e(n)

(1)

Onde ÓQ é o valor estimado da série y(n) no tempo discreto n, a é o valor de

entrada, e m é o número de coeficientes do modelo AR, e(n) é o erro de estimativa e

M é a ordem do modelo [ANDRADE, Adriano de Oliveira. 2000.]. A figura 4.5

apresenta o fluxograma dos algoritmos do modelo AR e LMS utilizados na

elaboração do aplicativo de software desenvolvido para os testes do modelo.

Para i = 0

até N-1

e[ i ] = 0

a[0] = 1

Para i = 0

até N - 1

Para j =

m até N -

/06

a [ ]

y [ j ]

e [ j ]

w [ ]

Y[ j ] = Yhat

Retorne a[ ]

/06

a [ ]

y [ j ]

e [ j ]

w [ ]

Yhat = 0

w[ 0 ] = y[ j ]

e[ j ]= 0

e[ j ] = e[ j ] + a[ i ] * w[ i ]

a[ i ] = a[ i ] -2.0*mu*e[ j ]*w[ i ]

Yhat = Yhat - a[ i ] * w[ i ]

Retorne

Yhat

Para i = 1

até m

Para i =1

até m

Para i = m até

Passo = -1

w [ i ] = w [ i-1 ]

e [ j ] > erro

Yhat

Figura 4.5 – Fluxograma do modelo auto-regressivo, com o LMS customizado, utilizado para a

extração das características do ciclo de ECG.

4.2.2. Classificação das Cardiopatias

Uma vez extraídas as características do sinal ECG, devemos encaminhá-las

para uma unidade responsável por classificá-las em grupos de Cardiopatias.

Para realizar a classificação que estamos propondo, podemos utilizar outros

recursos como: ferramentas estatísticas, RNA, extração de características através

wavelet,

entre outras. [LI, C; ZHENG, et al. 2000.] [LIN, Kang-Ping; et al. 1989.]

[REBROVA, O. Yu; et al. 2004.] [TU, C; et al. 2004.]

Neste trabalho optou-se pelo uso de uma rede neural artificial devido a sua

grande capacidade de generalização, funcionalidade importante ao tratarmos de

sinais biomédicos, por se tratar de sinais com alto índice de variabilidade e com

grande volume de informações. A arquitetura escolhida para a construção RNA foi a

perceptron

multicamada

e o tipo da rede

feed-forward,

com três camadas.

Neurônios de entrada recebem os sensores das características extraídas pelo

modelo AR, podendo ser seis, oito ou dez coeficientes (um neurônio para cada

coeficiente), que serão correspondentes aos cenários a serem testados em nossos

experimentos. Uma camada intermediária, formada por cinco neurônios,

determinada empiricamente através de experimentos e baseada na experiência de

HEDEN, Bo; et al., em 1997. A camada de saída é formada por quatro neurônios,

que indicam como resposta as Cardiopatias reconhecidas, sendo: (-1, 1, -1, 1) para

pacientes saudáveis, (-1, -1, -1, -1) para os pacientes com infarto do miocárdio, (1, 1,

1, 1) para pacientes com bloqueios de ramo e (1, -1, 1, -1) para pacientes das

demais cardiopatias. Adotamos o método de treinamento

backpropagation,

onde

aproveitamos esse procedimento para ajuste automático dos pesos da rede. A

escolha das amostras para o treinamento é realizada por intermédio do aplicativo

desenvolvido, de forma empírica, onde experimentamos algumas amostras de ciclos

cardíacos dentre as disponíveis. A Figura 4.6 exemplifica uma das topologias

utilizadas no método proposto, com seis neurônios de entrada, de acordo com o

parâmetro de número de coeficientes aplicados à fase de extração de

características, 5 neurônios na camada intermediária e quatro na camada de saída.

A topologia utilizada para os dois primeiros cenários foi formada pelos coeficientes

extraídos pelo modelo AR, quatorze neurônios na camada intermediária e dois

neurônios de saída.

Figura 4.6 – Representação gráfica da uma das topologias utilizadas da Rede Neural Artificial

(Cenário 3).

Para treinamento ou aferição da rede, podemos utilizar as doze derivações,

uma ou algumas delas, uma vez que o

software

localizador de ciclos cardíacos

identifica quais as melhores e piores derivações, ou seja, ele identifica as derivações

mais adequadas na localização da onda R, as piores podem sinalizar a ocorrência

de falsos positivos ou falsos negativos na localização dos ciclos. Muitos

pesquisadores utilizam as doze derivações, mas para melhoria do tempo de

processamento alguns como Chazal, pesquisador da Universidade N.S.W. em

Sydney, Austrália, utilizou oito derivações em suas pesquisas [CHAZAL, P; et al.

1997.]. Em nossa proposta, selecionaremos as seis derivações de melhor

desempenho com o objetivo de otimizar o processamento do modelo.

4.3. Implementação do modelo em

software

O modelo proposto foi desenvolvido em

software

no sistema operacional

Microsoft Windows XP ®, utilizando a linguagem C++ por ser uma linguagem que

atende ao desenvolvimento orientado a objetos e

Matlab

7.0.1 para a geração da

RNA, com o algoritmo de treinamento

backpropagation

. Conforme vemos na Figura

4.7, a aplicação foi desenvolvida em duas etapas, sendo a primeira na linguagem

C++ que chamamos de “Classificador de Cardiopatias”, onde temos a escolha do

ciclo ou dos ciclos a terem suas características extraídas pelo modelo AR, e a

geração da base de dados para a segunda etapa, etapa esta onde foi utilizado o

software

Matlab

7.0.1. A escolha deu-se em função de ser um aplicativo estável e de

uso mundial, com suas funcionalidades testadas e certificadas no ambiente científico

e acadêmico.

Figura 4.7 – Representação gráfica do modelo em software, com as duas técnicas escolhidas para o

desenvolvimento do modelo, C++ e Matlab.

4.3.1. Aplicação em C++ para Seleção dos Ciclos e Extração

de Características

Para atender parte das funcionalidades necessárias à classificação de

cardiopatias a partir de sinais ECG foi desenvolvido o aplicativo “Classificador de

Cardiopatias”. Para tal, conforme ilustrado pela Figura 4.8, devemos informar

inicialmente os parâmetros de cálculo para o modelo AR. Em seguida, as

derivações que farão parte do arquivo a ser importado pela rede neural e a janela no

tempo do ciclo a ser selecionado, que na Figura 4.8 está registrado como

“Parâmetros, Derivações e Janela do Ciclo”. A seguir, temos a opção do tipo de

operação a ser executada: preparação dos dados para treinamento ou teste de

reconhecimento.

Para a opção “Treinamento” , como descrito na Figura 4.8, temos como

próximo passo a seleção da cardiopatia. A escolha das amostras ou ciclos é o passo

seguinte, depois temos o processamento da amostra, utilizando os parâmetros

selecionados. Para a conclusão do processo de criação de informações para o

reconhecimento pela RNA temos a extração de características através do modelo

AR e a criação da base de dados.

Na Figura 4.8, observamos que a segunda opção de operação é o

“Reconhecimento”, para tal, temos a seleção da amostras, sem distinção de

cardiopatia, a seguir o processamento da amostra com os parâmetros escolhidos

previamente, que devem ser os mesmos parâmetros da fase de treinamento, como:

janelamento do ciclo, número de ordens, coeficiente de convergência, erro mínimo e

também as derivações selecionadas. Esse processamento gera os coeficientes pelo

modelo AR e cria a base de dados de entrada da rede neural para classificação.

Figura 4.8 – Diagrama de Funcionalidades do Aplicativo Classificador de Cardiopatias.

A tela principal do aplicativo está dividida em funcionalidades distintas e é

composta de quadros, gráficos e área de relatórios como ilustrado na Figura 4.9.

Figura 4.9 – Tela Principal do Aplicativo Classificador de Cardiopatias, com os parâmetros, gráficos e

ações para a geração da entrada de dados da RNA de identificação dos sinais de ECG.

O primeiro quadro destacado no aplicativo é a área que marcarmos como “

”

na Figura 4.9. Nesta área, informamos todos os parâmetros, iniciando pela indicação

da operação, podendo ser “treino” ou “classificação” e, em seguida, os demais

parâmetros necessários para os cálculos dos coeficientes do modelo AR, sendo

eles: início e fim do janelamento, ordens do modelo AR, coeficiente de convergência,

erro mínimo, derivações utilizadas, cardiopatias, amostras, número de ciclos,

derivação para área do gráfico e indicador de normalização dos coeficientes.

Na área sinalizada como “

” na Figura 4.9, temos os gráficos gerados pelo

aplicativo. No gráfico “Derivações do ECG Selecionado” estão traçados os ciclos ou

grupo de ciclos nas derivações selecionadas na área de parâmetros, este gráfico

permite uma clara visualização da forma dos ciclos. No gráfico “AR x Derivação

Selecionada”, temos o traçado do ciclo original e a curva reconstruída utilizando os

coeficientes calculados pelo modelo. A visualização deste gráfico é uma importante

ferramenta de validação dos coeficientes calculados. No gráfico “Índices do Modelo

AR”, estão traçados todos os coeficientes calculados para cada amostra

selecionada, após o cálculo dos coeficientes o

software

permite a geração dos

arquivos em formato texto, com os coeficientes e alvos que serão utilizados como

entrada na RNA.

A área de relatórios identificada pela letra “

” na Figura 4.9 traz as

informações referentes à amostra selecionada, sendo: número de identificação da

amostra, cardiopatia diagnosticada, idade, sexo do paciente e informações

estatísticas de cada derivação. Após a geração dos arquivos para a RNA nesta área

são registrados os coeficientes calculados para a amostra.

4.3.2.

Rede Neural em

Matlab

7.0.1 para Treinamento e

Reconhecimento das Cardiopatias

A classificação das cardiopatias foi realizada utilizando os recursos

disponíveis no

Matlab

7.0.1, sendo a primeira operação a importação dos arquivos

com as informações de entrada com os coeficientes formatados de acordo com o

padrão esperado pelo aplicativo

Matlab

, e também o arquivo com os alvos utilizados

no treinamento da rede neural artificial.

As funcionalidades do

Matlab

, para a criação da rede neural de classificação

do sinal patológico, foram as seguintes: “Newff” para a geração da rede neural

artificial do tipo

feed-foward

, utilizando o parâmetro “Minmax” para a normalização

dos dados de entrada, o número estipulado para a camada de saída, em nosso caso

dois ou quatro neurônios. A seguir temos as funções de transformação “TANSIG”

que é uma

função tangente hiperbólica e a função de treinamento “TRAINBFG”

função escolhida pela característica de ajuste automático de pesos.

Para o treinamento da rede, utilizaremos o arquivo de entrada com as

amostras escolhidas e com o arquivo de alvos criado pela aplicação “Classificador

de Cardiopatias”. A função ”TRAIN” tem como parâmetros de entrada a base de

dados de entrada, gerada pelo aplicativo, e a base de dados com os alvos de cada

amostra do treinamento; o alvo pode ter como valores válidos -1 e 1. Para o teste de

reconhecimento, a função “SIM” de simulação da rede treinada, onde temos como

parâmetro de entrada, uma amostra para identificação do sinal, o resultado desta

simulação é o nível de aderência da amostra submetida à rede, em relação ao

treinamento antes efetuado. O limiar para indicação do reconhecimento escolhido foi

de 50% de aproximação do alvo, escolha baseada na experiência descrita no artigo

de Andrade (2005). Descreveremos esta metodologia de limiar de reconhecimento

no próximo capítulo.

O método utilizado para a apresentação dos ciclos separados à rede neural

artificial, foi por segregação em pastas identificadas por cardiopatias e em seguida

distinguidas entre dados de treino, separadas por cardiopatias e dados de teste, com

amostras de todas as cardiopatias, conforme ilustrado na Figura 4.10.

Figura 4.10 –Organização dos arquivos contendo os ciclos de entrada para o sistema de

classificação.

Após a separação, os ciclos foram processados pelo aplicativo Classificador

de Cardiopatias e, a seguir, os resultados transferidos para o Matlab para serem

aplicados na rede neural artificial, sendo que nesta fase de treinamento utilizamos o

arquivo com os coeficientes e o arquivo com os alvos de cada ciclo processado. Na

Figura 4.11 podemos observar um exemplo dos arquivos de dados e alvo

preparados pelo Classificador.

Figura 4.11 – Exemplo dos arquivos de dados e alvos gerados pelo aplicativo Classificador de

Cardiopatias, e que serão utilizados pela Rede Neural para treinamento.

Para a fase de reconhecimento, utilizamos a segunda metade das amostras,

selecionada aleatoriamente. O software Classificador de Cardiopatias cria para cada

uma das amostras ou um grupo de amostras, um arquivo com as características do

modelo AR, que serão a entrada da RNA para o teste de reconhecimento.

4.3.3.

Conclusão

Neste capítulo, descrevemos o aplicativo desenvolvido para alcançar nosso

objetivo descrito no Capítulo 1, que é a criação de um sistema que possibilite

distinguir, através dos sinais eletrocardiográficos, os sinais patológicos dos sinais

normais, classificando-os por tipo de cardiopatia. Os arquivos gerados pelo aplicativo

foram aplicados a uma rede neural artificial, com modelo de treinamento

backpropagation

, gerando o indicador de reconhecimento de cada ciclo testado. No

próximo capítulo, apresentaremos os resultados e análises do modelo proposto.

Capítulo 5

Experimentos e Análises

Neste capítulo, descrevemos os resultados de nossos experimentos, onde

analisamos ciclos de sinais de ECG, extraímos suas características através do

modelo AR e aplicamos essas características a uma rede neural artificial

para

reconhecimento das cardiopatias através dos sinais de ECG.

5.1. Fonte de Dados

Os ciclos separados utilizados em nossos experimentos foram extraídos do

banco de dados de sinais Physionet [OEFF, Michael. 2005.] onde dispomos de um

grande número de amostras de ECG. Optamos pela base alemã PTB “Physikalisch –

Technische Bundesanstalt”, o Instituto Nacional Alemão de Metrologia, no qual os

exames eletrocardiográficos foram coletados de voluntários saudáveis e pacientes

com diferentes cardiopatias, pelo Professor Michael Oeff, M.D., do Departamento de

Cardiologia da Universidade Benjamin Franklin em Berlim, Alemanha [OEFF,

Michael. 2005.].

O eletrocardiógrafo utilizado para a coleta da base de dados é um protótipo PTB,

equipamento não comercial com as seguintes especificações:

•

16 canais de entrada (14 para ECG, 1 para respiração e 1 linha de energia;

•

Voltagem de entrada ±16 mV;

•

Resistência de entrada 100

'&

• Resolução de 16 bit com 0,5 µV/LSB;

• Tensão de ruído máxima de 10 µV (pp).

A base de dados conta com 549 registros para 294 pacientes (cada paciente

pode ter de um a cinco registros). Cada registro contém 15 derivações de sinais

eletrocardiográficos, sendo os 12 convencionais (DI, DII, DIII, aVR, aVL, aVF, v1, v2,

v3, v4, v5, v6) e inclui também outras três derivações complementares (vx, vy e vz),

que não foram utilizados neste estudo.

Cada sinal foi digitalizado com taxa de aquisição de 1000 amostras por

segundo (freqüência de amostragem de 1000 Hz), com resolução de 16 bits. Está

disponível na base de dados um registro ‘.dat’ com o sinal e o registro header

contendo informações detalhadas como:

• Resumo clínico do paciente;

• Idade;

• Sexo;

• Diagnóstico;

• Histórico médico;

• Cardiopatia existente;

• Medicação que o paciente está utilizando;

• Informações hemodinâmicas.

Os registros estão classificados e divididos de acordo com a cardiopatia

diagnosticada, como mostrado na Tabela 5.1, a seguir:

Tabela 5.1 – Estatística de cardiopatias da base de dados por número de amostras e número de

pacientes, [OEFF, Michael. 2005.].

Classe de Diagnóstico

Número de Amostras

Número de Pacientes

Infarto Agudo do Miocárdio

365 158

Cardiomiopatia

17 18

Bloqueio

17 15

Disritmia

16 14

Hipertrofia do Miocárdio

7 7

Disfunção de Válvulas

5 6

Miocardite

4 4

Demais cardiopatias

7 5

Normais - Controle

111 67

Total de Pacientes

549 294

Em nossos experimentos, selecionamos aleatoriamente 20 amostras de ciclos

separados de cada uma das cardiopatias para análise: grupo de controle com

pacientes normais, infarto agudo do miocárdio, bloqueio (17 amostras) e demais

cardiopatias. O arquivo de entrada para a rede neural foi formatado com os

seguintes atributos: nome da amostra, os coeficientes obtidos (AR) e o resultado

esperado (alvo) para uso no treino da rede neural artificial. Cada um dos alvos pode

assumir os valores 1 ou -1, para o cenário com a topologia de quatro neurônios de

saída temos as seguintes combinações possíveis:

•

-1, 1, -1, 1

Æ amostras ECG normais;

• -1, -1, -1, -1 Æ amostras de IAM;

• 1, 1, 1, 1 Æ amostras de Bloqueio;

• 1, -1, 1, -1 Æ demais cardiopatias.

Para o cenário com a topologia de dois neurônios de saída temos as

seguintes combinações possíveis:

• 1, 1, Æ amostras ECG normais;

• -1, -1, Æ amostras de IAM;

• 1, -1, Æ amostras de Bloqueio;

• 1, -1, Æ demais cardiopatias.

Realizamos nossa análise tendo como base com três cenários: o primeiro,

utilizando um ciclo aleatório de cada amostra e no segundo foram selecionados dez

ciclos seqüenciais de cada amostra, nestes dois utilizamos a topologia da RNA com

dois neurônios de saída. Para o terceiro cenário foi utilizado um ciclo por amostra

selecionada, uma topologia de RNA com quatro neurônios de saída. Os padrões

utilizados no treinamento da rede foram compostos por um grupo de 80 amostras,

sendo 20 para cada um dos tipos de cardiopatia, exceto para Bloqueio, onde

utilizamos as 17 amostras disponíveis. Procuramos um equilíbrio no número de

amostras utilizadas no treinamento para que a rede não fosse treinada de modo

tendencioso.

A aplicação utilizada nos experimentos permite três tipos de operação: Treino,

onde preparamos os dados para o treinamento da RNA, Validação, onde verificamos

o reconhecimento de uma amostra dentre as utilizadas para treinamento e

classificação, que gera os parâmetros para o reconhecimento da cardiopatia através

da RNA.

Realizamos vários experimentos com diversos cenários diferenciados entre si

pelos parâmetros de processamento, como o número de ciclos, as derivações e os

dados para o cálculo dos coeficientes pelo modelo AR. A seguir apresentaremos os

cenários que obtiveram o melhor comportamento entre todos os testados, sendo

eles:

⇒

Cenário 1 com um ciclo por amostra e massa de treinamento

selecionada uma única vez, com quatorze neurônios na camada

intermediária e dois neurônios de saída;

⇒

Cenário 2 com dez ciclos consecutivos por amostra selecionada com

quatorze neurônios na camada intermediária e dois neurônios de saída;

⇒

Cenário 3 composto por amostras com um ciclo e a seleção da massa

de treinamento realizada aleatoriamente com dez combinações

diferentes de amostras. Utilizando cinco neurônios da camada

intermediária e quatro neurônios na camada de saída.

5.2. Cenário 1 – Amostras com um ciclo do ECG

5.2.1. Treinamento

A fase de treinamento é a primeira etapa do experimento e para sua

realização é preciso inserir na aplicação alguns parâmetros, tais como: opção de

operação (treinamento ou diagnóstico), derivação mestre para traçado de gráficos,

cardiopatias que terão suas amostras selecionadas para o treino, parâmetros usados

no cálculo dos coeficientes AR, derivações que têm seus coeficientes calculados,

número de ciclos e amostras selecionadas.

Quando selecionamos a opção “Treino” (destaque marcado com

da Figura

5.1), devemos selecionar a derivação para o traçado nos gráficos. A seguir o

aplicativo disponibiliza as cardiopatias a serem selecionadas, após essa seleção o

sistema carrega todas as amostras disponíveis para esta cardiopatia e assim,

podemos clicar sobre uma delas para efetuar a seleção, conforme ilustramos no

destaque marcado com

da Figura 5.1.

A etapa seguinte é informamos os parâmetros para o cálculo dos coeficientes

AR (identificados com

na Figura 5.1), sendo: janelamento em milissegundos (em

relação a referência de início do ciclo), as ordens do modelo AR, a constante de

convergência e o erro mínimo. Em seguida temos a seleção das derivações que

terão suas características extraídas para o treinamento da rede. Essas derivações

foram definidas tendo com base o trabalho de Rangel, 2006, onde são classificadas

as derivações com melhor qualidade na separação dos ciclos (precisão na detecção

da onda R e inexistência de falsos positivos ou falsos negativos).

As amostras selecionadas, com o número de ciclos informado (marcado com

na Figura 5.1) têm suas características registradas em um arquivo de saída em

formato texto no instante em que o botão “Fixa atual” for acionado.

Figura 5.1 – Corte da Interface do software Classificador de Cardiopatias – área de seleção de

parâmetros e amostras a ter suas características extraídas pelo modelo AR customizado, para

treinamento da rede.

Neste cenário, onde escolhemos realizar os testes com apenas um ciclo para

cada amostra, experimentamos cada um deles com quatro diferentes ordens, na

geração dos coeficientes sendo eles: dez oito e seis. Para o janelamento do ciclo

realizamos os testes com dois segmentos diferentes, sendo: o ciclo completo de 20

a 600 ms e o trecho procurando conter o complexo QRS e suas adjacências (de 40

ms à 400 ms). As derivações utilizadas foram DIII, aVR, aVF, v1, v2 e v3 (apontadas

como as mais indicadas no trabalho de Rangel, 2006) e a partir de seus ciclos, os

coeficientes foram calculados para geração da entrada na rede neural.

Figura 5.2 – Gráficos com o traçado dos ciclos de cada uma das derivações em “Derivações do ECG

Selecionado” e a curva original e a gerada pela aplicação dos coeficientes calculados em “AR x

Derivação Selecionada”.

Na Figura 5.2, observamos dois gráficos com informações sobre o ciclo

selecionado onde o primeiro é o “Derivações do ECG Selecionado”, gráfico que traz

as curvas do ciclo em cada derivação escolhida. Nele podemos observar o formato

característico de cada derivação selecionada, todos em fase. O segundo gráfico “AR

x Derivação Selecionada” mostra a curva do ciclo original e o resultado da curva

reconstruída com a aplicação dos coeficientes calculados pelo modelo AR. Esta

curva corresponde à última amostra na derivação escolhida na área de parâmetros

“Derivação”.

Figura 5.3 – Gráfico em zoom do registro dos coeficientes AR sobre a curva do ciclo original, em

vermelho o resultado do cálculo do modelo AR e em azul a curva original de ECG.

Na Figura 5.3 temos o

zoom

do gráfico “AR x Derivação Selecionada”

ilustrado na Figura 5.2, o gráfico tem como objetivo mostrar a reconstrução da curva

original utilizando os coeficientes calculados pelo modelo AR, temos em azul o

registro da curva original e em vermelho, a curva reconstruída. Esse gráfico foi

idealizado para confrontação da curva original e a reconstruída.

Figura 5.4 – Interface com o experimento de um ciclo por amostra.

A Figura 5.4 apresenta uma visão completa da

interface

software

“Classificador de Cardiopatias”, com o processamento dos ciclos das amostras

utilizadas no treinamento da rede neural.

O gráfico “Índices do Modelo AR”, da Figura 5.4, tem como objetivo traçar os

coeficientes calculados de cada amostra. A opção existente na Figura 5.4 “Montar

arquivo para a Rede Neural”, processa o tratamento do arquivo texto criado na

opção “Salvar...”, transformando-o em um arquivo com o formato no padrão

esperado pelo

software

Matlab

para utilização nas fases de treino, validação e

reconhecimento. Nesse momento há também a gravação do arquivo com os alvos

de entrada na rede para uso na fase de treino.

Após a geração dos dados para entrada e alvo no aplicativo mostrado na

Figura 5.4, utilizamos o

Matlab

para o processamento da rede neural artificial, que

realiza o treinamento da RNA deixando-a pronta para o reconhecimento das

amostras.

As topologias utilizadas na construção da rede neural artificial (descrita no

Capítulo 4), testaram três possibilidades diferentes para os neurônios de entrada:

dez, oito e seis coeficientes. Para a camada intermediária utilizamos quatorze

neurônios e para a camada de saída dois neurônios de forma que suas

combinações indicam o resultado da rede.

Utilizamos o treinamento supervisionado para a RNA, com base nos alvos

estabelecidos. Na Figura 5.5 temos o gráfico com o resultado do treinamento de um

grupo de amostras, de ordem dez e janelamento do ciclo de 20 a 600 ms. O

treinamento teve como ponto de parada o erro mínimo quadrático de 0,01 ou 100

épocas de processamento. Estes números foram estipulados com base em

experimentos publicados [ANDRADE, Adriano de Oliveira. 2000.] [BAXT, WG; et al.

2004.] [SOARES, Alcimar Barbosa; et al. 2003.].

Figura 5.5 – Interface do Matlab – Ilustração do Resultado do Treinamento de 10 amostras do arquivo

de características do ECG, cardiopatia IAM.

Após o treinamento da rede, realizamos os testes de validação dos padrões

treinados e na Figura 5.6 registramos o exemplo do processamento da rede, com o

resultado da simulação com as amostras de treinamento, na qual obtivemos 100%

de reconhecimento. A arquitetura

utilizada para o exemplo que vemos na Figura 5.6

utilizou seis neurônios de entrada, quatorze neurônios na camada intermediária

única e dois neurônios de saída, com a identificação das cardiopatias normais (1, 1),

de infarto (-1, -1), de bloqueios (-1, 1) e demais cardiopatias (1, -1).

Figura 5.6 – Interface do Matlab – Resultado da validação da massa de treinamento com 1 ciclo e 10

coeficientes.

5.2.2.

Reconhecimento

O reconhecimento das cardiopatias é a segunda fase do experimento. Para

sua realização informamos na aplicação os seguintes parâmetros: a opção de

operação “Classificação”, a derivação mestre para traçado de gráficos, os

parâmetros para o cálculo dos coeficientes AR, as derivações que têm seus

coeficientes calculados, o número de ciclos e a amostra selecionada. Os parâmetros

utilizados para o cálculo do modelo AR e as derivações que farão parte do

experimento devem ser exatamente as mesmas utilizadas na fase de treinamento,

conforme vemos na Figura 5.7, onde temos apenas uma amostra selecionada, e

seus parâmetros devidamente preenchidos.

Para o reconhecimento das amostras, realizamos testes individuais, criando

para cada uma das amostras selecionadas, um arquivo específico para aplicação à

rede neural. Utilizamos este método para os três cenários escolhidos e para os dois

tipos de janelamento do ciclo. A identificação de reconhecimento dá-se com 50% de

aproximação do resultado alcançado para o valor alvo [ANDRADE, Adriano O; et al.

2005.], ou seja, avaliação dos valores resultantes do reconhecimento pela rede

esteja acima ou abaixo do alvo em até 50% do seu valor, caso o resultado esperado

para um neurônio for -1. Foram considerados como reconhecimento positivo os

resultados compreendidos entre -0,5 e -1,5.

Exemplo: IAM ÆÆ neurônios de saídas alvo -1, -1.

Amostra 1 Æ neurônios de saída Æ -0,86574, - 1,23656

Î reconhecimento OK

Amostra 2 Æ neurônios de saída Æ -0,38866, - 1,23776

Î reconhecimento NÃO OK

Figura 5.7 – Interface do aplicativo –Seleção de uma amostra, com um ciclo para reconhecimento

pela rede neural, com dez coeficientes.

O teste de reconhecimento foi realizado aplicando cada uma das amostras à

rede neural, tendo na Figura 5.8 o exemplo desta aplicação com a função de

simulação da rede já treinada, onde em diversas amostras obtivemos resultado

positivo de reconhecimento e em outras o reconhecimento não foi alcançado.

Figura 5.8 – Interface Matlab –Reconhecimento de amostras aplicadas à rede neural após o

treinamento, amostra com um ciclo e 10 coeficientes.

Os resultados alcançados pelo reconhecimento estão dentro dos padrões

encontrados na literatura para este tipo de sinal, que tem como característica

amplitudes e formatos muito próximos entre uma cardiopatia e outra. A maior

dificuldade no reconhecimento foi entre bloqueio e infarto agudo do miocárdio, pois

eles têm características semelhantes em função de ambos causarem algum tipo de

atraso na passagem do impulso pelo músculo cardíaco. Na Tabela 5.2 mostramos

os resultados obtidos após a fase de reconhecimento com amostras de um ciclo.

O cenário que apresentou pior desempenho foi de ordem oito, que na

cardiopatia bloqueio não atingiu o patamar de 80% de reconhecimento, não se

mostrando eficaz para o objetivo do modelo, que é alcançar ou melhorar as metas já

alcançadas em outras pesquisas semelhantes.

Para o cenário com um ciclo por amostras, o comportamento da rede com

modelo AR de ordem seis, alcançou melhores resultados, atingindo 96% de

reconhecimento no paciente de controle, e uma média de 93% para todas as

amostras, que está na faixa dos índices alcançados em pesquisas na área. As

dificuldades encontradas foram à diversidade do sinal de uma cardiopatia para outra,

com amplitudes variadas para as mesmas amostras, e em contrapartida, tivemos

também dificuldades entre as cardiopatias IAM e bloqueios, pois algumas vezes a

área cardíaca afetada é a mesma, tornando o sinal semelhante, impedindo a rede de

efetuar o reconhecimento correto. Mesmo com as dificuldades apontadas os índices

de reconhecimento estão coerentes com os demais trabalhos pesquisados, para

este tipo de sinal.

Tabela 5.2 – Resultados de validação e reconhecimento dos sinais ECG pela rede neural, cenário de

um ciclo por amostra selecionada, com três ordens diferentes de análise.

5.3. Cenário 2 – Amostras com dez ciclos de ECG

5.3.1. Treinamento

No segundo cenário temos a utilização de dez ciclos consecutivos e inteiros

por amostra selecionada, com as mesmas opções de ordens para geração dos

coeficientes. As opções de ordens utilizadas foram: dez, oito e seis.

O processamento deste cenário é semelhante ao primeiro, sendo que a

diferença essencial é o parâmetro de número de ciclos que está marcado como 10.

Na Figura 5.9 vemos uma parte da

interface

com os parâmetros preenchidos e a

opção de número de ciclos informada em 10; os demais parâmetros estão

preenchidos da mesma maneira que o primeiro cenário. No gráfico “Derivações do

ECG Selecionado” observamos o traçado dos dez ciclos para todas as derivações

selecionadas.

Figura 5.9 – Corte da Interface – área de seleção de parâmetros e gráficos de derivações para opção

com dez ciclos.

Na Figura 5.10 destacamos o gráfico “AR x Derivação Selecionada” e um

zoom do gráfico para mostrar em detalhe a reconstrução da curva, utilizando os

coeficientes do modelo AR, sendo o ciclo original em azul e a curva reconstruída em

vermelho, neste gráfico também verificamos a opção dos dez ciclos escolhidos para

a representação do sinal e aplicação dos cálculos dos coeficientes AR.

Figura 5.10 – Gráfico em zoom do registro dos coeficientes AR sobre a curva do ciclo original, em

vermelho o resultado do cálculo do modelo AR e em azul a curva original de ECG.

Após a geração dos arquivos com os coeficientes e alvos pelo aplicativo,

utilizamos o Matlab para o treinamento da rede neural. Os mesmos procedimentos

de treinamento utilizados no primeiro cenário foram utilizados para o cenário com

dez ciclos. O desempenho do treinamento não foi comprometido, pois mesmo com

dez ciclos, o volume de dados ainda é bastante reduzido uma vez que utilizamos

coeficientes representando o sinal original. Na fase de validação do treinamento da

rede neural atingimos 100% de reconhecimento (índice esperado para esta fase).

5.3.2.

Reconhecimento

Na fase de reconhecimento adotamos o percentual de 50% de aproximação

do resultado alcançado em comparação o valor treinado. A identificação de

reconhecimento dá-se com 50% de aproximação do resultado alcançado para o

valor alvo. A Figura 5.11 mostra a interface do aplicativo com a seleção da amostra

para reconhecimento, a opção de operação selecionada é a “Classificação”, onde

temos as amostras sem identificação de cardiopatia e sem a utilização de arquivo de

alvos, com o parâmetro de número de ciclos marcado com dez ciclos.

Figura 5.11 – Interface do aplicativo – Seleção de uma amostra, com dez ciclos para reconhecimento

pela rede neural, com dez coeficientes.

O teste de reconhecimento foi realizado submetendo cada uma das amostras

selecionadas à rede neural e aferido os resultados. Na Figura 5.12 podemos

observar o resultado dos experimentos, com a função de simulação da rede já

treinada, para amostras formadas por dez ciclos consecutivos.

Figura 5.12– Interface Matlab – Reconhecimento de amostras aplicadas à rede neural após o

treinamento, amostra com dez ciclo e dez coeficientes.

Semelhantes aos experimentos realizados no primeiro cenário, encontram

como maior dificuldade no reconhecimento a diferenciação entre bloqueio e infarto

agudo do miocárdio, pois eles têm características semelhantes em função de ambos

possuírem algum tipo de atraso na passagem do impulso pelo músculo cardíaco. Na

Tabela 5.3 mostramos

os resultados obtidos após a fase de reconhecimento com

amostras de dez ciclos.

Modelo AR de ordem dez apresentou o pior desempenho, onde observamos

que no caso da cardiopatia bloqueio não foi atingido o patamar de 65% de

reconhecimento, índices muito baixos para considerarmos como ferramenta eficiente

na classificação de cardiopatias.

Para o cenário com dez ciclos por amostras, o comportamento da rede com

do modelo AR de ordem oito alcançou melhores resultados, atingindo 85% de

reconhecimento no paciente de controle, e uma média de 80% para todas as

amostras. Estes índices estão abaixo da média dos índices alcançados em

pesquisas semelhantes. [Hedén,et al., 1997].

Tabela 5.3 – Resultados de validação e reconhecimento dos sinais ECG pela rede neural, cenário de

dez ciclos por amostra selecionada.

5.4. Cenário 3 – Amostras com um ciclo de ECG – 4

neurônios de saída

5.4.1. Treinamento

No terceiro cenário, realizamos uma escolha aleatória das amostras, com dez

combinações por grupo de amostras para treinamento. As ordens do modelo AR

escolhidas foram: dez, oito e seis.

O processamento deste cenário é semelhante ao primeiro, sendo que a

diferença essencial é a forma de escolha de amostras para treinamento e a

construção da rede neural, onde optamos por diminuir o número de neurônios na

camada intermediária, de quatorze para cinco, (um experimento para avaliar o

comportamento da rede). Com a base nos cenários anteriores, onde a rede

encontrou dificuldade para distinguir as amostras de Bloqueios e IAM, modificamos

para este cenário o número de neurônios de saída, de dois para quatro, com o

objetivo de distanciar as identificações entre Bloqueios e IAM. A identificação foi

experimentada de acordo com a identificação descrita a seguir:

⇒

Pacientes normais

-1, 1,-1, 1;

⇒

IAM

-1,-1,-1,-1;

⇒

Bloqueios

1, 1, 1, 1;

⇒

Demais cardiopatias

1,-1, 1,-1.

Após a geração dos arquivos com os coeficientes e alvos pelo aplicativo,

utilizamos o

Matlab

para o treinamento da rede neural. Como nos cenários

anteriores, na fase de validação do treinamento da rede neural atingimos 100% de

reconhecimento.

5.4.2.

Reconhecimento

Na fase de reconhecimento utilizamos o percentual de 50% de aproximação

do resultado alcançado em comparação o valor treinado. A identificação de

reconhecimento dá-se com 50% de aproximação do resultado alcançado para o

valor alvo. (valor alvo de 1 o reconhecimento está entre -0,5 a 0,5).

O teste de reconhecimento foi realizado submetendo cada uma das amostras

selecionadas à rede neural e aferido os resultados.

Para alcançarmos um melhor resultado, reduzimos o número de neurônios na

camada intermediária de quatorze para cinco. Aumentamos o número de neurônios

de saída de dois para quatro, com o objetivo de distanciar a identificação dos

bloqueios e dos infartos. Na Tabela 5.3 mostramos

os resultados obtidos após a fase

de reconhecimento.

Modelo AR de ordem oito apresentou o pior desempenho, pois na cardiopatia

bloqueio não atingiu o patamar de 80% de reconhecimento, índices muito baixos

para considerarmos como ferramenta eficiente na classificação de cardiopatias.

Para esse cenário, o comportamento da rede com do modelo AR de ordem

seis alcançou melhores resultados, atingindo 97% de reconhecimento no paciente

de controle, e um índice mínimo de reconhecimento de 93% para todas as amostras.

Estes índices estão na média dos índices alcançados em pesquisas semelhantes.

[Hedén,et al., 1997].

Tabela 5.4 – Resultados de validação e reconhecimento dos sinais ECG pela rede neural, cenário de

dez ciclos por amostra selecionada.

5.5. Conclusão

Para esse trabalho, experimentamos três cenários para as análises, o

primeiro onde foi utilizado um ciclo selecionado aleatoriamente de cada amostra e o

segundo com dez ciclos consecutivos por amostra (com uma rede configurada com

dois neurônios de saída) e o terceiro com um ciclo por amostras, e o treinamento

realizado com dez combinações de amostras, selecionadas aleatoriamente (com a

rede configurada com quatro neurônios de saída). Foram utilizados modelo AR de

ordens diferentes, sendo ordem dez, oito e seis. Os treinos e testes foram realizados

utilizando seis derivações, selecionadas entre as de melhor índice de acerto,

segundo relatório de desempenho obtido no trabalho de Rangel, 2006. Para cada

um dos cenários, foram treinadas na rede amostras com as características de ciclos

de ECG’s normais e patológicos apresentando as cardiopatias IAM, Bloqueios e

demais cardiopatias.

A combinação mais eficiente encontrada em nossos testes foi com a utilização

do modelo AR de ordem seis com um ciclo por amostra, numa rede neural

configurada com cinco neurônios na camada intermediária e quatro neurônios de

saída, alcançando o patamar de 97% para pacientes do grupo de controle e 93% de

mínimo no reconhecimento nos três grupos.

O resultado de pior desempenho foi o

de ordem dez com dez ciclos por amostra. A grande dificuldade encontrada nos

experimentos é a semelhança de algumas amostras das cardiopatias IAM e

bloqueio, em função da área cardíaca acometida pela enfermidade, mas essa

dificuldade foi atenuada quando utilizamos uma rede neural artificial com quatro

neurônios de saída.

Entendemos que o método utilizado para reconhecimento do sinal ECG

mostrou-se aderente ao objetivo do modelo proposto para a classificação de

Cardiopatias através da análise do sinal ECG.

No próximo capítulo, apresentaremos nossas conclusões sobre o estudo, e

analisamos as possibilidades de melhorias do modelo, bem como trabalhos futuros

relacionados à nossa pesquisa.

Capítulo 6

Conclusão e Trabalhos Futuros

6.1. Conclusões Gerais

Neste trabalho, desenvolvemos um modelo capaz de classificar Cardiopatias

através da análise de sinais ECG digitais. Para esse desenvolvimento utilizamos a

extração de características do sinal ECG com o uso do modelo AR com LMS

modificado, descrito por Soares e Andrade [SOARES, Alcimar Barbosa; et al. 2003.],

sendo tais características classificadas por uma RNA.

A escolha do modelo AR mostrou-se capaz de representar o sinal ECG com

vantagens sobre o uso do sinal original, tais como:

•

Redução de informações redundantes ao sistema de classificação;

•

Agilidade e simplicidade no processo de cálculo.

Para o estabelecimento da ordem e da constante de convergência, apoiamos-

nos em trabalhos já desenvolvidos [ANDRADE, Adriano de Oliveira. 2000.]

[SOARES, Alcimar Barbosa; et al. 2002.] [SOARES, Alcimar Barbosa; et al. 2003.] e

realizamos numerosos testes para chegarmos aos valores de melhor desempenho

para este tipo de sinal.

Para a etapa de classificação utilizamos as redes neurais artificiais, com

topologia MLP e como algoritmo de treinamento o

backpropagation

. Os coeficientes

extraídos pelo modelo AR foram utilizados como informações de entrada da rede,

fator que contribuiu para que a RNA não se tornasse pesada, permitindo assim

alcançarmos bons resultados com agilidade e pequeno esforço computacional. Uma

dificuldade encontrada na utilização da rede neural foi a determinação do melhor

número de neurônios das camadas intermediárias e saída. Nesse trabalho

experimentamos quatorze e cinco neurônios para camada intermediária, dois e

quatro neurônios para camada de saída. Estabelecemos as quantidades de

neurônios aproveitamos a experiência de outras pesquisas semelhantes

encontradas na literatura [HEDEN, Bo; et al., em 1997].

O processo desenvolvido nesta solução pode ser resumido nas seguintes

etapas:

•

Captação do ciclo cardíaco separado utilizando o

software

localização de ciclo cardíaco desenvolvido por Rangel, UFU, 2006;

•

Selecionar a opção para processamento dos dados de treinamento ou

reconhecimento do sinal;

•

Extrair as características através do modelo AR, com LMS modificado,

utilizando o

software

desenvolvido, com os parâmetros de entrada

(janelamento do ciclo, ordem do modelo AR, constante de

convergência e erro) para o cálculo.

•

Gerar um arquivo com a base de dados no formato esperado pelo

Matlab,

para aplicação das características na Rede Neural, para

treinamento ou reconhecimento;

•

Processamento da Rede Neural

MLP

, com algoritmo de treinamento

backpropagation

, dos dados selecionados;

•

Apuração e análise dos resultados de reconhecimento.

Os resultados alcançados mostraram-se aderentes ao objetivo do modelo

proposto, sendo:

•

Investigação do estado da arte das principais técnicas aplicadas para

identificação das cardiopatias através da análise do eletrocardiograma;

•

Proposta de um modelo para identificação e classificação de

cardiopatias através de um ciclo de ECG;

•

Implementação de um modelo em

software

;

•

Avaliação do desempenho através da análise dos sinais ECG

coletados do banco de dados Physionet [OEFF, Michael. 2005.].

Realizamos os treinamentos com 80 amostras, selecionadas em três grupos

de diferentes cardiopatias, sendo o primeiro grupo o de controle, com pessoas

saudáveis, infarto agudo do miocárdio, bloqueios e outras cardiopatias agrupadas.

Os experimentos foram realizados, considerando três cenários distintos: o primeiro

com apenas um ciclo de cada amostra, o segundo com dez ciclos consecutivos para

cada amostra e o terceiro, foi utilizada a metodologia de escolha aleatória das

amostras e realizado o treinamento com os dez conjuntos previamente escolhidos,

foi realizado também a redução do número de neurônios da camada intermediária e

aumento da camada de saída. No primeiro cenário, utilizamos dois tipos de

janelamento do sinal, um abrangendo todo o ciclo e o outro utilizando um trecho

menor buscando o complexo QRS e adjacências, para o segundo cenário utilizamos

o ciclo completo. Para todos os cenários, processamos as análises com ordens do

modelo AR, sendo: dez, oito e seis.

As maiores dificuldades no reconhecimento devem-se à presença dos

seguintes fatores:

•

Sinais muito diferenciados entre as derivações para a mesma

cardiopatia;

•

Sinais semelhantes para cardiopatias diferentes, em função de a área

cardíaca afetada ser a mesma, ocasionando o mesmo efeito no curso

do sinal através do músculo cardíaco.

Essas dificuldades não chegaram a comprometer o resultado final.

Podemos concluir que o modelo proposto para a classificação de cardiopatias

cardíacas executa seu papel de acordo com o objetivo inicial e poderá ser utilizado

como base em aplicações visando o suporte ao diagnóstico baseado em sinais ECG.

Alcançamos um índice de reconhecimento em torno de 97%, com a utilização de

ordem seis no cenário de um ciclo. O modelo AR de ordem dez com dez ciclos de

análise foi o cenário de pior desempenho, com o menor índice de reconhecimento,

64% para a cardiopatia bloqueio. O melhor desempenho foi alcançado no cenário

com modelo AR de ordem seis, com um ciclo de análise, para pacientes normais,

atingindo 97% de reconhecimento das amostras.

Acreditamos que sua utilização futura possa contribuir para a agilidade e

eficiência na sugestão de diagnóstico de cardiopatias através do ECG.

6.2. Trabalhos Futuros

Aprimoramento do modelo

O modelo poderá ser utilizado como programa de sugestão de diagnóstico,

simplificando e agilizando a análise dos especialistas em Cardiologia, principalmente

em situações de emergência, para tal sugerimos evoluções no modelo:

•

Testar novas técnicas de extração de características do sinal como

transformadas

wavelets

, que já estão sendo utilizadas em pesquisas

mais recentes, podendo também apresentar excelentes resultados [LI,

C; ZHENG, et al. 2000.];

•

O aprimoramento do método de identificação automatizando a

utilização de redes neurais para possibilitar o reconhecimento tempo

real.

Trabalhos futuros

Entendemos como possíveis trabalhos futuros para a continuidade das

pesquisas as seguintes sugestões:

•

Criação de um sistema de alarme para utilização em cardiologia de

monitoramento, onde o modelo acionaria um alarme na detecção de

alguma alteração no padrão de normalidade do paciente, com a

utilização do modelo apresentado.

•

Desenvolvimento de um protótipo em conjunto com programas de

eletrocardiógrafos para teste do modelo em tempo real.

REFERÊNCIAS BIBLIOGRÁFICAS

AFONSO, VX; TOMPKINS, WJ; et al.

ECG beat detection using filter banks

. 1999.

IEEE Trans Biomed Eng. 46(2):192-202. PMID: 9932341. Pubmed.

ANDRADE, Adriano de Oliveira.

Metodologia para Classificação de Sinais EMG

no Controle de Membros Artificiais

. Uberlândia, 2000. Dissertação de Mestrado,

Departamento de Engenharia Elétrica da Universidade Federal de Uberlândia - UFU,

Brasil. 2000.

ANDRADE, Adriano O; NASUTO, Slowamir J.; KYBERD, Peter.

The GTM classifier

and its application to the calssification of motor unit action potentials

. 2005. 4th

IEEE EMBSS UK and republic Ireland Postgraduate Conference in Biomedical

Engineering and Medical Physics. University of Reading, Reading, UK. IEEE Press,

pp.9-10.2005.

BAXT, WG; SHOFER, FS; SITES, FD, et.al.

A neural computational aid to the

diagnosis of acute myocardial infarction

. Department of Emergency Medicine,

Hospital of the University of Pennsylvania, Philadelphia, PA 19104-4283, USA.

BINTZ, Jacques; et al.

Book Memoralizing the scientists

. 1997. Foto de Augustus

Desiré Waller. Biografia. Disponível em: http://chem.ch.huji.ac.il/~eugeniik

/history/waller.html. Acessado em 14 jun 2006. [1].

BINTZ, Jacques; et al.

Book Memoralizing the scientists

. 1997. Foto de Willem

Einthoven. Biografia. Disponível em: http://chem.ch.huji.ac.il/~eugeniik/history

/einthoven.html. Acessado em 14 jun 2006. [2].

BITTENCOURT, Murilo Guérios.

Noções de Eletrocardiografia

. Apostila da

Universidade Federal do Paraná. 2001.

BOYLER, JOSEPH III.

Apostila de Fisiologia Cardiovascular

. 3ª edição. Editora

Guanabara Koogan – 1998.

CHAZAL, P; CELLER, B.

Improving ECG diagnostic classification by combining

multiple neural networks

. 1997. Computers in Cardiology. Vol 24. IEEE.

DECCACHE, Waldemar; CASTRO, Maria do Carmo V. de.

Eletrocardiograma

Livraria e Editora Revinter Ltda, RJ – 1993.

DOUGLAS, Carlos Roberto.

Tratado de Fisiologia, aplicada à ciência da saúde

4ª edição. Probel Editorial. 2000.

100

EKG

Measurements

. 2004. Disponível em http://www.long-qt-syndrome.com

/images/ekg_measurements_large.gif. Acessado em 12/06/2006.

FELDMAN, Henry. The

Precordial Leads in 3D. ER Club EKG Interpretation

Disponível em http://students.med.nyu.edu/erclub/ ekgexpl2.html. Acessado em

26/06/06.

GAMLYN, L.; NEEDHAM, P.; et al.

The Development of a Neural Network-Based

Ambulatory ECG Monitor

. Springer London, Volume 8, Number 3, pp.273-278.

ISSN: 0941-0642. 1999.

GE, Dingfei; SRINIVISAN, Narayanan; KRISHNAM, Shankar M.

BioMedical

Engeneering OnLine

. Vol. 1, PUBMED record, artigo. 2002.

HALLAKE,José.

Eletrocardiografia

. Medsi Ed. Médica e Científica Ltda – 1994.

HEALTH, Heart.

This is the equipment used to record an ECG

(electrocardiogram). 2000. Disponível em http://www.healthyheart.nhs.uk/about

/about.shtml. acessado em 13/08/2006.

HEDEN, Bo; OHLIN, Hans; et al.

Acute Myocardial Infarction Detected in the 12-

Lead ECG by Artificial Neural Networks

. 1997. American Heart Association.

Circulation. 1997;96:1798-1802.

101

HOLST, Holger; OHLSSON, Mattias; PETERSON Carsten; et. al.

A confident

decision support system for interpreting electrocardiograms

. 1999. Clinical

Physiologic & Func. In, vol. 19, issue 5, pp. 410-418.

JENKINS, Dean.

A (not so) brief history of electrocardiography

. ECG Library

contents. 2002. Disponível em: www.ecglibrary.com/ecghist.html

Acessado em 21

mar 2005.

LEE, Dennis.

Illustration Heart Attack.

Les dérivations d' un électrocardiogramme

. 2000. Disponível em

http://foulon.chez-alice.fr/Alie%202.000/DATAS/MODULE1/derivECG.htm .

Acessado em 15/06/2006.

LI, C; ZHENG, C; TAI, C.

Detection of ECG characteristic points using wavelet

transforms

. Biomedical Engineering Institute, Xi'an Jiaotong University, Shaanxi, P.

R. China. 2000. PMID: 7851927 [PubMed - indexed for MEDLINE].

LIN, Kang-Ping; CHANG, W.H.

QRS feature extraction using linear prediction.

Biomedical Engineering.

IEEE Transactions. V.36. p. 1050-1055. ISSN: 0018-

9294. 1989.

LINDER, Udo K.; DUBIN, Dale B.

Interpretação Fácil do ECG.

- 6ª Ed. Editora:

Livraria e Editora REVINTER Ltda. 1999.

102

MANDARIM, Carlos Alberto.

Anatomia do Coração – Clínica e Cirúrgica

. 1ª

edição. Livraria e Editora REVINTER Ltda – 1990.

MENNA, Carlos.

Entrevista sobre Eletrocardiografia

. Médico Cardiologista da

Rede Foccus de Diagnóstico – DixAmico, Grupo Amil. Realizada em 02 abr 2005.

NEVILLER, Conway.

Atlas de Cardiologia

. 2ª edição. Editora Maltese, Livraria

Editora Santos– 1987.

OEFF, Michael. Base de Dados de Sinais de ECG. Physikalisch – Technische

Bundesanstalt, PhysioNet-MIT Room E25-505A. USA. 2006. Disponível em:

www.physionet.org/physiobank/database/ptbdb.

OHLSSON, E; et. al.

Neural network – a diagnostic tool in acute myocardial

Infarction with concomitant left brundle branch block

. 2002. Clinical Physiologic

& Func. In, vol. 22, pp. 295-299.

RANGEL, Hélio A. L.

Metodologia para localização de ciclo cardíaco a partir do

sinal eletrocardiográfico

. 2006. Dissertação de mestrado. UFU – Universidade

Federal de Uberlândia – MG – Brasil.

REBROVA, O. Yu; MAXIMOVA M. Yu; PIRADOV M.A.

The neural network

algorhitm for diagnosis of ischemic stroke pathogenetic subtypes.

Rússia.

103

2004. National Association of Russian Federation, anuário 2005, Maisons des

Sciences de I’Homme, vol 0, fasc. 12. PUBMED; PMID (15628583).

RIBEIRO, Antonio Luiz Pinho.

Redefinindo o Infarto Agudo do Miocárdio.

2002.

eHealth Latin América.

Disponível em: http://www.bibliomed.com.br

/lib/ShowDoc.cfm?LibDocID=12688&ReturnCatID=1815. Acessado em 17 abr 2005.

SILVA, Mauricio R.

Fisiocardiopatia da Circulação

. 1ª Ed. Editora Atheneu. 2000.

SOARES, Alcimar Barbosa; ANDRADE, Adriano O; LAMOUNIER, Edgard; et al.

The

Development of a Virtual Myoelectric Prothesis Controlled by EMG Pattern

Recognition System Based on Neural Network

. Journal of Intelligent Information

System, 21:2, 127-141, 2003.

SOARES, Alcimar Barbosa; VEIGA, Antonio C. P.; ANDRADE, Adriano O.; et al.

Functional Languages in Signal Processing Applied to Prosthetic Limb

Control

. SAMS, 2002, vol. 42, 2002, pp1377-1389.

STANTON, Kathleen M. Circulatory System – image. 2005. School of Public Health

and Health professions. University at Buffalo, State University of New York.

Disponível em: http://agingresearch.buffalo.edu/assets/images/chf_circulatory_

system.jpg. Acessado em 10-jun-2006.

104

TATIBEANO, Cássia Y; KAETSU, Deise Y. Redes Neurais. Disponível em

http://www.din.uem.br/ia/neurais/#links. Acessado em 12-mai-2006.

TU, C; ZENG, Y; YANG, X.

Nonlinear processing and analysis of ECG data.

Biomechanics & Medical Information Institute, Beijing Polytechnic University,

P.R.China 100022. 2004. PMID: 15096682 [PubMed - indexed for MEDLINE].

Universal Medical Center. The Ohio State University Medical Center. Imagem -

Electrical System of the Heart. Disponível em http://medicalcenter.osu.

edu/images/greystone/ei_0018.jpg. Acessado em 12/06/2006.

Livros Grátis
( http://www.livrosgratis.com.br )
 
Milhares de Livros para Download:
 
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas

Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
 
 