Classificação Automática de Cardiopatias Baseada em...
125
UNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE ENGENHARIA ELÉTRICA PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA Classificação Automática de Cardiopatias Baseada em Eletrocardiograma NINA MARIA BUENO 2006
Transcript of Classificação Automática de Cardiopatias Baseada em...
UNIVERSIDADE FEDERAL DE UBERLÂNDIAFACULDADE DE ENGENHARIA ELÉTRICA
PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
Classificação Automática de Cardiopatias
Baseada em Eletrocardiograma
NINA MARIA BUENO
2006
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
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)
ii
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
iv
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.
v
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.
vi
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
ResumoBUENO, 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.
ix
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.
x
SUMÁRIO
CAPÍTULO 1 INTRODUÇÃO..............................................................................................................................1
1.1. OBJETIVO DO TRABALHO ..............................................................................................................................5
1.2. ESTRUTURA DO TRABALHO ..........................................................................................................................5
CAPÍTULO 2 ELETROCARDIOGRAFIA E CARDIOPATIAS.......................................................................7
2.1. INTRODUÇÃO ................................................................................................................................................7
2.2. CORAÇÃO .....................................................................................................................................................8
2.3. SISTEMA ELÉTRICO DO CORAÇÃO...............................................................................................................11
2.4. PRINCÍPIOS BÁSICOS DE ELETROCARDIOGRAFIA..........................................................................................14
2.5. DERIVAÇÕES DO ECG.................................................................................................................................18
2.6. CARDIOPATIAS............................................................................................................................................22
2.6.1. Infarto Agudo do Miocárdio - IAM ....................................................................................................24
2.6.2. Bloqueios............................................................................................................................................30
2.6.3. Hipertrofia Ventricular Cardíaca ......................................................................................................32
2.6.4. Miocardite ..........................................................................................................................................34
2.6.5. Cardiomiopatia ..................................................................................................................................35
2.7. CONCLUSÃO................................................................................................................................................36
CAPÍTULO 3 TÉCNICAS PARA CLASSIFICAÇÃO DE CARDIOPATIAS ..............................................37
3.1. INTRODUÇÃO ..............................................................................................................................................37
3.2. ESTUDOS SOBRE ANÁLISE DE CLASSIFICAÇÃO DE ECGS ............................................................................38
xi
3.3. CONCLUSÃO................................................................................................................................................45
CAPÍTULO 4 SISTEMA PROPOSTO .............................................................................................................47
4.1. INTRODUÇÃO ..............................................................................................................................................47
4.2. METODOLOGIA PROPOSTA ..........................................................................................................................48
4.2.1. Extração de características do sinal ECG .........................................................................................52
4.2.2. Classificação das Cardiopatias..........................................................................................................55
4.3. IMPLEMENTAÇÃO DO MODELO EM SOFTWARE..............................................................................................57
4.3.1. Aplicação em C++ para Seleção dos Ciclos e Extração de Características .....................................58
4.3.2. Rede Neural em Matlab 7.0.1 para Treinamento e Reconhecimento das Cardiopatias.....................63
4.3.3. Conclusão...........................................................................................................................................65
CAPÍTULO 5 EXPERIMENTOS E ANÁLISES ..............................................................................................67
5.1. FONTE DE DADOS........................................................................................................................................67
5.2. CENÁRIO 1 – AMOSTRAS COM UM CICLO DO ECG......................................................................................71
5.2.1. Treinamento .......................................................................................................................................71
5.2.2. Reconhecimento .................................................................................................................................78
5.3. CENÁRIO 2 – AMOSTRAS COM DEZ CICLOS DE ECG ...................................................................................83
5.3.1. Treinamento .......................................................................................................................................83
5.3.2. Reconhecimento .................................................................................................................................84
5.4. CENÁRIO 3 – AMOSTRAS COM UM CICLO DE ECG – 4 NEURÔNIOS DE SAÍDA .............................................87
5.4.1. Treinamento .......................................................................................................................................87
5.4.2. Reconhecimento .................................................................................................................................88
5.5. CONCLUSÃO................................................................................................................................................90
CAPÍTULO 6 CONCLUSÃO E TRABALHOS FUTUROS ...........................................................................92
6.1. CONCLUSÕES GERAIS .................................................................................................................................92
6.2. TRABALHOS FUTUROS ................................................................................................................................96
REFERÊNCIAS BIBLIOGRÁFICAS...............................................................................................................98
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. ..................................................................................................................2
Figura 1.2 – Galvanômetro capilar de Lippmann utilizado por Waller em 1887, para registrar o primeiro
eletrocardiograma humano [BINTZ, Jacques; et al. 1997. 1].................................................................................3
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]. .......................................................4
Figura 2.1 - Anatomia Cardíaca, com a representação das câmaras, valvas e principais artérias e veias
modificada [MANDARIM, Carlos Alberto.1990.]. ..................................................................................................8
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.] . .................................................11
Figura 2.3 – Esquema gráfico do Sistema Condução Cardíaca (modificada) [Universal Medical Center. 2005.].
...............................................................................................................................................................................13
Figura 2.4 – Foto com a aplicação dos eletrodos para captação dos sinais elétricos cardíacos pelo aparelho de
ECG [HEALTH, Heart. 2000.]. .............................................................................................................................14
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.]. ........................................................17
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.]. ............................19
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.]. .......................20
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.]. .....................................................21
Figura 2.8B – Representação gráfica no ECG, para derivações unipolares ou precordiais normais. De V1 a V6.
...............................................................................................................................................................................22
Figura 2.9 – Ilustração da alteração do músculo cardíaco acometido por um infarto agudo do miocárdio,
modificada [LEE, Dennis. Illustration Heart Attack]............................................................................................24
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]..................................................................................27
Figura 2.11 – Exemplo de IAM Posterior apresentando infra-desnivelamento do segmento ST na derivação V3.
[software Classificador de Cardiopatias]. ............................................................................................................27
Figura 2.12 – Exemplo de IAM Antero-Lateral com onda Q alargada na derivação DI. [software Classificador
de Cardiopatias]. ...................................................................................................................................................28
Figura 2.13 – Exemplo de IAM Antero-Septal apresentando elevação do segmento S-T. [software Classificador
de Cardiopatias]. ...................................................................................................................................................28
Figura 2.14 – Exemplo de IAM Lateral, onda Q com supra-desnivelamento. [software Classificador de
Cardiopatias].........................................................................................................................................................29
Figura 2.15 – Exemplo de IAM Anterior ondas T com supra-desnivelamento em V1. [software Classificador de
Cardiopatias].........................................................................................................................................................29
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].................32
Figura 2.17 – Exemplo de ECG – Hipertrofia Ventricular Esquerda com ondas S de intensidade acima do
normal, na derivação V1. [software Classificador de Cardiopatias]....................................................................34
Figura 2.18 – Exemplo de ECG – Miocardite apresentando ondas R de grande amplitude. [software
Classificador de Cardiopatias]. ............................................................................................................................35
Figura 2.19– Exemplo de ECG – Cardiomiopatia com ondas T de baixa voltagem [software Classificador de
Cardiopatias].........................................................................................................................................................36
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.]. ..............................................................42
Figura 4.1 – Esquema Gráfico do Sistema Proposto de Classificação de Cardiopatias através do ECG............48
Figura 4.2 – Diagrama de blocos da estratégia adotada para localização de ciclos cardíacos. [RANGEL, Hélio.
2006.].....................................................................................................................................................................49
Figura 4.3 – Fluxo da Fase de Treinamento da RNA para Classificação de Cardiopatias. .................................50
Figura 4.4 – Fluxo da Fase de Reconhecimento de Cardiopatias.........................................................................51
Figura 4.5 – Fluxograma do modelo auto-regressivo, com o LMS customizado, utilizado para a extração das
características do ciclo de ECG. ...........................................................................................................................54
Figura 4.6 – Representação gráfica da uma das topologias utilizadas da Rede Neural Artificial (Cenário 3). ...56
Figura 4.7 – Representação gráfica do modelo em software, com as duas técnicas escolhidas para o
desenvolvimento do modelo, C++ e Matlab. .........................................................................................................58
Figura 4.8 – Diagrama de Funcionalidades do Aplicativo Classificador de Cardiopatias. .................................60
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...............................................61
Figura 4.10 –Organização dos arquivos contendo os ciclos de entrada para o sistema de classificação. ...........64
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......................................................................................65
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. .............73
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”..........................................................................................................................................................74
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...............................................................74
Figura 5.4 – Interface com o experimento de um ciclo por amostra. ....................................................................75
Figura 5.5 – Interface do Matlab – Ilustração do Resultado do Treinamento de 10 amostras do arquivo de
características do ECG, cardiopatia IAM. ............................................................................................................77
Figura 5.6 – Interface do Matlab – Resultado da validação da massa de treinamento com 1 ciclo e 10
coeficientes. ...........................................................................................................................................................78
Figura 5.7 – Interface do aplicativo –Seleção de uma amostra, com um ciclo para reconhecimento pela rede
neural, com dez coeficientes. .................................................................................................................................80
Figura 5.8 – Interface Matlab –Reconhecimento de amostras aplicadas à rede neural após o treinamento,
amostra com um ciclo e 10 coeficientes.................................................................................................................81
Figura 5.9 – Corte da Interface – área de seleção de parâmetros e gráficos de derivações para opção com dez
ciclos. .....................................................................................................................................................................83
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...............................................................84
Figura 5.11 – Interface do aplicativo – Seleção de uma amostra, com dez ciclos para reconhecimento pela rede
neural, com dez coeficientes. .................................................................................................................................85
Figura 5.12– Interface Matlab – Reconhecimento de amostras aplicadas à rede neural após o treinamento,
amostra com dez ciclo e dez coeficientes...............................................................................................................86
xv
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.]. .........................................................................................................45
Tabela 5.1 – Estatística de cardiopatias da base de dados por número de amostras e número de pacientes,
[OEFF, Michael. 2005.] . ......................................................................................................................................69
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. ................................................................................82
Tabela 5.3 – Resultados de validação e reconhecimento dos sinais ECG pela rede neural, cenário de dez ciclos
por amostra selecionada........................................................................................................................................87
Tabela 5.4 – Resultados de validação e reconhecimento dos sinais ECG pela rede neural, cenário de dez ciclos
por amostra selecionada........................................................................................................................................90
1
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
2
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%
6%
12%10%
33%
52%
4%
19%
7%
19% 20%16%
23%27%
33%
35%
28%
35%
0%
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
3
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 primeiroeletrocardiograma 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.].
4
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
5
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,
6
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.
7
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.
8
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 eveias modificada [MANDARIM, Carlos Alberto.1990.].
9
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
10
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.].
11
Figura 2.2 – Esquema Representativo do Sistema Circulatório Cardíaco, em azul o circuito dacirculação 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
12
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.].
13
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
14
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 elétricoscardíacos pelo aparelho de ECG [HEALTH, Heart. 2000.].
15
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� XPDonda com deflexão negativa (;��FKDPDGD�RQGD�6��$�PDLRULD�GDV�FDUGLRSDWLDV�OLJDGDVao sistema elétrico cardíaco reflete alterações no complexo QRS, como bloqueio
ventricular, hipertrofia e infarto. A repolarização dos átrios é tão pequena que se
16
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,
17
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 osintervalos entre elas, chamados segmentos, modificada [EKG Measurements. 2004.].
18
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
19
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 epé 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
20
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, aVLe 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.].
21
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.].
V1 ÆÆ
quarto espaço intercostal à direita do esterno
V2 ÆÆ
quarto espaço intercostal à esquerda do esterno
V3 ÆÆ
entre V2 e V4
V4 ÆÆ
quinto espaço intercostal na linha hemiclavicular
V5 ÆÆ
quinto espaço intercostal na linha axilar superior
V6 ÆÆ
quinto espaço intercostal na linha axilar média
Figura 2.8A - Posição dos eletrodos para derivações unipolares ou precordiais normais. No esquematemos as derivações identificadas de V1 a V6 modificada [FELDMAN, Henry. 2006.].
22
Figura 2.8B – Representação gráfica no ECG, para derivações unipolares ou precordiais normais. DeV1 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;
23
• 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.
24
Figura 2.9 – Ilustração da alteração do músculo cardíaco acometido por um infarto agudo domiocárdio, 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
25
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
26
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.];
27
Figura 2.10 – Exemplo de IAM Inferior com o complexo QRS espessado. Derivação DII, com acaracterística 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 naderivação 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,
28
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. [softwareClassificador 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. [softwareClassificador de Cardiopatias].
29
• 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 deCardiopatias].
• 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. [softwareClassificador de Cardiopatias].
30
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
31
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
32
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 adificuldade 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
33
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
34
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 acimado 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.
35
Figura 2.18 – Exemplo de ECG – Miocardite apresentando ondas R de grande amplitude. [softwareClassificador 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.].
36
Figura 2.19– Exemplo de ECG – Cardiomiopatia com ondas T de baixa voltagem [softwareClassificador 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.
37
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
38
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
39
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
40
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
41
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
42
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
43
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.
44
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.
45
Tabela 3.1 – Tabela com o número de amostras aplicadas à solução da pesquisa e seu percentual dereconhecimento 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
46
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.
47
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.
48
Figura 4.1 – Esquema Gráfico do Sistema Proposto de Classificação de Cardiopatias através doECG.
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
49
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.
50
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
51
(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
52
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
53
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 n 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.
MÓ (n) = ��Dm (n) y(n – m) + e(n)
(1)
m-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.
54
\>�@ �YHWRU�GH�HQWUDGD�1 �Q~PHUR�GH�YDORUHV�QR�YHWRU�GH�HQWUDGD�P �JUDX�PX �tQGLFH�GH�FRQYHUJrQFLD�HUUR �HUUR�DGPLWLGR�GR�PRGHOR�$5�
Para i = 0até N-1
e[ i ] = 0
a[0] = 1
Para i = 0até N - 1
Z>L@ ��<>L@� �\>L@
Para j =m até N -
/06
ma [ ]y [ j ]e [ j ]muw [ ]
Y[ j ] = Yhat
Retorne a[ ]
/06m a [ ]y [ j ]e [ j ]muw [ ]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 ]
RetorneYhat
Para i = 1até m
Para i =1até m
Para i = m até1
Passo = -1
w [ i ] = w [ i-1 ]
1RUPDOL]D�\>�@
$5
e [ j ] > erro
Yhat
Figura 4.5 – Fluxograma do modelo auto-regressivo, com o LMS customizado, utilizado para aextração das características do ciclo de ECG.
55
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
de 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
56
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).
57
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.
58
Figura 4.7 – Representação gráfica do modelo em software, com as duas técnicas escolhidas para odesenvolvimento 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.
59
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.
60
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.
61
Figura 4.9 – Tela Principal do Aplicativo Classificador de Cardiopatias, com os parâmetros, gráficos eações para a geração da entrada de dados da RNA de identificação dos sinais de ECG.
62
O primeiro quadro destacado no aplicativo é a área que marcarmos como “A”
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 “B” 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 “C” 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.
63
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
64
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 declassificação.
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.
65
Figura 4.11 – Exemplo dos arquivos de dados e alvos gerados pelo aplicativo Classificador deCardiopatias, 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
66
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.
67
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.].
68
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.
69
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 depacientes, [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
70
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.
71
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
72
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 1 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 2 da Figura 5.1.
A etapa seguinte é informamos os parâmetros para o cálculo dos coeficientes
AR (identificados com 3 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
4 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.
73
Figura 5.1 – Corte da Interface do software Classificador de Cardiopatias – área de seleção deparâmetros 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.
74
Figura 5.2 – Gráficos com o traçado dos ciclos de cada uma das derivações em “Derivações do ECGSelecionado” 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, emvermelho o resultado do cálculo do modelo AR e em azul a curva original de ECG.
75
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 do software
“Classificador de Cardiopatias”, com o processamento dos ciclos das amostras
utilizadas no treinamento da rede neural.
76
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.].
77
Figura 5.5 – Interface do Matlab – Ilustração do Resultado do Treinamento de 10 amostras do arquivode 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).
78
Figura 5.6 – Interface do Matlab – Resultado da validação da massa de treinamento com 1 ciclo e 10coeficientes.
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
79
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
80
Figura 5.7 – Interface do aplicativo –Seleção de uma amostra, com um ciclo para reconhecimentopela 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.
81
Figura 5.8 – Interface Matlab –Reconhecimento de amostras aplicadas à rede neural após otreinamento, 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.
82
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 deum ciclo por amostra selecionada, com três ordens diferentes de análise.
83
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 opçãocom 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
84
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, emvermelho 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
85
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 reconhecimentopela 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.
86
Figura 5.12– Interface Matlab – Reconhecimento de amostras aplicadas à rede neural após otreinamento, 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
87
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 dedez 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.
88
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
89
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].
90
Tabela 5.4 – Resultados de validação e reconhecimento dos sinais ECG pela rede neural, cenário dedez 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,
91
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.
92
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
93
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 de
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.
94
• 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
95
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.
96
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
97
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.
98
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.
99
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 AdministraçãoBaixar livros de AgronomiaBaixar livros de ArquiteturaBaixar livros de ArtesBaixar livros de AstronomiaBaixar livros de Biologia GeralBaixar livros de Ciência da ComputaçãoBaixar livros de Ciência da InformaçãoBaixar livros de Ciência PolíticaBaixar livros de Ciências da SaúdeBaixar livros de ComunicaçãoBaixar livros do Conselho Nacional de Educação - CNEBaixar livros de Defesa civilBaixar livros de DireitoBaixar livros de Direitos humanosBaixar livros de EconomiaBaixar livros de Economia DomésticaBaixar livros de EducaçãoBaixar livros de Educação - TrânsitoBaixar livros de Educação FísicaBaixar livros de Engenharia AeroespacialBaixar livros de FarmáciaBaixar livros de FilosofiaBaixar livros de FísicaBaixar livros de GeociênciasBaixar livros de GeografiaBaixar livros de HistóriaBaixar livros de Línguas
Baixar livros de LiteraturaBaixar livros de Literatura de CordelBaixar livros de Literatura InfantilBaixar livros de MatemáticaBaixar livros de MedicinaBaixar livros de Medicina VeterináriaBaixar livros de Meio AmbienteBaixar livros de MeteorologiaBaixar Monografias e TCCBaixar livros MultidisciplinarBaixar livros de MúsicaBaixar livros de PsicologiaBaixar livros de QuímicaBaixar livros de Saúde ColetivaBaixar livros de Serviço SocialBaixar livros de SociologiaBaixar livros de TeologiaBaixar livros de TrabalhoBaixar livros de Turismo
