Identificação e remoção de ruido em sinais de origem cardíaca (CARDIO-NOISE)

Abstract

The increase of population ageing and sedentary lifestyle of today's society leads to a greater demand for hospital services, which are unable to efficiently balance the demand with the supply [1]. This problem led to the development of automatic systems able to collect vital information from subjects on a daily basis, and through these, evaluate possible pathologies without the need for patients to request hospital services, thus, leading to a relief in demand and cost of medical consultations. These automatic systems are called tele-monitoring systems, which are integrated with biosensors to acquire bio-signals and computational algorithms to process them. These algorithms are mathematical methodologies which provide the necessary intelligence to the system in order to detect diseases and physiological information about a given subject. However, due to the ambulatory nature of such systems, the acquisition of bio-signals is exposed to numerous sources of noise, leading to the signals contamination. Noise can lead to wrong event algorithm behavior, therefore, in order to prevent pathological false detections it is essential to make the detection of contaminated periods. The focus of this thesis is noise detection in bio-signals, particularly in Phonocardiogram (PCG) and Electrocardiogram (ECG). The noise detection methodology in the PCG context is characterized by being a real-time and multi-channel process. It can be divided into two phases: a first phase consists in searching a clean heart sound (HS) reference; the second phase compares this reference with the remaining test windows and evaluates the presence of noise based on the spectral similarity and the ratio of the total amount of high frequency components, between the reference and test windows. In healthy signals the algorithm achieved a sensitivity and specificity of 91.24% and 90.88%, respectively. In pathological signals it reached a specificity of 91.68%. Its computational cost is 0.17s per minute of PCG signal at 4000Hz. It was also compared on the same testing dataset with the methodologies that presented the highest precision rates in literature, namely the Modulation Filtering algorithm [2] and the Periodicity Based algorithm [3]. Additionally to the better results presented by our algorithm, it was also more computationally efficient than the compared methodologies. The ECG noise detection methodology uses the Principal Component Analysis (PCA) approximation error of each heartbeat and the presence of high frequency components to evaluate the presence of noise in 4s periods in signals lasting at least 5 minutes. In the testing dataset it achieved 94.08% and 89.88% of sensitivity and specificity, respectively, at critical SNR levels. Its computational cost is 0.14s per 5 minutes of ECG sampled at 250 Hz. The highest documented precision in literature is 96.63% and 94.74% of sensitivity and specificity, respectively, using an algorithm based on Empirical Mode Decomposition (EMD) [4]. However, the authors only considered noise corruption in the cases where the R-peaks were not recognizable, suggesting that the presented precision is only valid for high degrees of noise. Additionally, our algorithm takes less time to compute five minutes of ECG than the EMD algorithm takes to compute five seconds. Given the results, we believe that the developed methodologies fulfil the proposed goals with high precision levels and low computational costs. It would be interesting to see how the algorithms behave in real situations and uncontrolled environments in order to assess its real use in tele-monitoring systems.

O envelhecimento da população e o estilo de vida sedentário da sociedade atual resulta numa maior procura de serviços hospitalares, serviços esses incapazes de balancear eficazmente a procura com a oferta [1]. Este problema levou a desenvolver sistemas automáticos capazes de recolher informações vitais no dia-a-dia dos pacientes, e através destas avaliar possíveis patologias, sem que os pacientes se deslocassem aos serviços hospitalares, levando assim a um alívio na procura e custo de consultas médicas. Estes sistemas automáticos são denominados de sistemas de tele-monitorização, onde algoritmos computacionais são integrados em sistemas compostos por biossensores. Estes algoritmos são metodologias matemáticas que dão ao sistema a inteligência necessária para conseguir detetar patologias e informações fisiológicas sobre um determinado sujeito. Porém, devido à natureza ambulatória destes sistemas, a aquisição de bio sinais está sujeita a inúmeras fontes de ruído, levando à contaminação dos sinais. A distorção dos sinais devido ao ruído pode levar os algoritmos de deteção de patologias a detetar características patológicas quando elas não estão presentes, ou vice-versa. Por isso é imprescindível que se faça a deteção dos períodos que estão contaminados, de forma a não resultar em falsas deteções patológicas. Esta tese foca-se no âmbito da deteção de ruído em bio sinais, nomeadamente, em Fonocardiograma (PCG) e Eletrocardiograma (ECG). A metodologia de deteção de ruído em PCG caracteriza-se por ser em tempo real e multicanal. Pode ser dividida em 2 fases: uma primeira onde se procura uma referência limpa de som cardíaco (HS); e uma segunda onde se compara essa referência com as restantes janelas de teste e se avalia a presença de ruído com base na semelhança espectral e a razão da soma dos componentes de altas frequências entre a referência e as janelas de teste. A metodologia atingiu uma sensibilidade e especificidade de 91.24% e 90.88%, respetivamente, em sinais saudáveis. Em sinais patológicos atingiu uma especificidade de 91.68%. O seu custo computacional é de 0.17s por minuto de sinal PCG a 4000Hz. A nossa abordagem foi também comparada com as metodologias que apresentam a maior precisão na literatura, nomeadamente o algoritmo Modulation Filtering [2] e o algoritmo Periodicity Based [3]. Para além de melhores resultados, a nossa metodologia também apresentou uma maior eficiência computacional. A metodologia de deteção de ruído em ECG utiliza o erro de aproximação por Principal Component Analysis (PCA) de cada batimento cardíaco e a presença de componentes de altas frequências para avaliar a presença de ruído em períodos de 4s em sinais com duração de pelo menos 5 minutos. No dataset de teste atingiu 94.08% e 89.88% de sensibilidade e especificidade, respetivamente. O seu custo computacional é de 0.14s por 5 minutos de ECG a 250 Hz. A maior precisão documentada na literatura é de 96.63% e 94.74% de sensibilidade e especificidade, respetivamente, recorrendo a um algoritmo baseado na Empirical Mode Decomposition (EMD) [4]. Porém, os autores apenas consideram contaminação por ruído nos casos onde os picos R não são reconhecíveis, sugerindo que a precisão documentada é apenas válida para altos níveis de ruído. Para além disso, o nosso algoritmo leva menos tempo a processar 5 minutos de ECG do que o algoritmo baseado em EMD leva a processar 5 segundos. Dados os resultados, consideramos que as metodologias desenvolvidas cumprem os objetivos, com altos valores de precisão e baixos custos computacionais. Seria interessante ver como os algoritmos se comportam em situação real e em ambiente sem controlo para poder avaliar o seu verdadeiro uso em sistemas de tele-monitorização.