Real Time QRS Detection Based on Redundant Discrete Wavelet
Transcrição
Real Time QRS Detection Based on Redundant Discrete Wavelet
Real Time QRS Detection Based on Redundant Discrete Wavelet Transform E. Arrais Junior, Member, IEEE, R. A. M. Valentim and G. B. Brandão Abstract— The electrocardiogram (ECG) analysis provide several information about the current state of the heart. The QRS complex detection is one of the fundamental issue in the electrocardiographic signal analysis. This paper presents a real time QRS complex detector based on Redundant Discrete Wavelet Transform (RDWT). The algorithm use both scales and wavelet coefficients, and the wavelet coefficient energy for detection. The algorithm was evaluated with the MIT-BIH Arrhythmia Database, achieving an detection rate of QRS complexes above 99.32 % and for the P and T waves can also be detected, based on QRS positions and wavelet coefficients. Keywords— ECG, QRS Detection, Redundant Discrete Wavelet Transform (RDWT), Real Time, MIT-BIH Arrhythmia Database. S I. INTRODUÇÃO EGUNDO a Organização Mundial de Saúde (OMS), cerca de 15 % das causas de morte no mundo estão relacionadas a problemas cardiovasculares [1]. Nas últimas décadas, diversas soluções/ferramentas têm sido propostas para o rápido diagnóstico de problemas cardíacos, baseando-se na análise do eletrocardiograma [2 – 6]. O eletrocardiograma (ECG) é o registro do potencial elétrico gerado pela atividade elétrica do coração [2], [3], [4], [7]. A Fig. 1 ilustra um eletrocardiograma considerado normal. Observa-se que o sinal ECG é constituído por segmentos e intervalos, e as regiões de deflexão (ondas) são denotadas por letras dispostas em ordem alfabética: P, Q, R, S, T e U [2], [5], [6], [7]. Cada onda representa um determinado comportamento das células que compõem o coração, mais especificamente os processos de despolarização e repolarização do atril e do ventrículo [2], [7]. A onda P representa a despolarização atrial, contudo a repolarização não é facilmente observada, devido ao fato de ocorrer durante a despolarização do ventrículo, que apresenta uma amplitude bem maior se comparada à amplitude produzida pela repolarização do átrio. A despolarização do ventrículo origina as ondas Q, R e S, estabelecendo o chamado Complexo QRS. A repolarização do ventrículo é responsável pela surgimento da onda T. A onda U, nem sempre presente no ECG, representa a repolarização da musculatura papilar e apresenta, normalmente, a mesma polaridade da onda T, porém com uma amplitude inferior [2], [5], [6], [7]. E. Arrais Junior., Universidade Federal Rural do Semi-árido (UFERSA), Pau dos Ferros, Rio Grande do Norte, Brasil, [email protected] R. A. M. Valentim, Universidade Federal do Rio Grande do Norte, Natal, Rio Grande do Norte, Brasil, [email protected] G. B. Brandão, Universidade Federal do Rio Grande do Norte, Natal, Rio Grande do Norte, Brasil, [email protected] Figura 1. Eletrocardiograma normal. A análise automática do sinal ECG é uma importante ferramenta para o diagnóstico rápido de problemas cardíacos, porém se faz necessário um sistema de detecção confiável e preciso [2], [3]. A detecção do complexo QRS é a tarefa mais importante em um sistema automatizado de processamento de sinais ECG, sendo imprescindível a sua exata detecção para alguns diagnósticos clínicos [3], [5], [6]. O complexo QRS possui suas características dominantes no sinal ECG, sendo de mais fácil detecção se comparado às outras ondas [3], [5], [6], [7]. Contudo, não é tão simples a detecção do complexo QRS, pois existem diversas variações fisiológicas do mesmo, além de o sinal ECG ser vulnerável a diversos tipos de ruído: ruído muscular, ruído de linha de base, artefatos devido ao movimento dos eletrodos, ruídos da rede elétrica, entre outros [5 – 8]. Existem diversos algoritmos propostos para a detecção do complexo QRS: baseando-se nas derivadas do sinal [9], filtros digitais [10], redes neurais [11], banco de filtros [12], filtros adaptativos [13], transformada de Hilbert [14], modelos de Markov [15], algoritmos genéticos [16], matemática morfológica [17], transformada Wavelet [18], entre outras técnicas. Neste trabalho nós propomos um algoritmo para detecção em tempo real do complexo QRS baseando-se na Transformada Wavelet Discreta Redundante (TWDR), a qual é uma variante da Transformada Wavelet Discreta (TWD). Este artigo está organizado com essa presente introdução, uma seção descrevendo a transformada Wavelet, uma seção descrevendo a metodologia utilizada para detecção, uma seção descrevendo os resultados obtidos e finalmente as conclusões. II. TRANSFORMADA WAVELET A transformada Wavelet vem sendo bastante utilizada nos últimos anos em aplicações de sistemas de análises inteligentes nas mais variadas áreas, como qualidade de energia [19], [20], análise de sistemas de potência [21], [22], biomédica [23], [24], processamento de sinais [25], [26], entre outras. A principal característica da transformada Wavelet é a análise em multiresolução, que permite a análise por janelas de tamanhos variados de acordo com a precisão e a resolução desejada no projeto [27], [28]. Existem diversas versões da transformada Wavelet (TW), sejam elas contínuas (TWC) ou discretas (TWD) [27 – 30]. Neste trabalho será utilizada uma redundante da versão discreta, a Transformada Wavelet Discreta Redundante (TWDR) [31]. A TW é frequentemente utilizada no processamento de sinais não-estacionários, o que justifica a potencialidade para a análise de sinais biológicos, os quais são inerentemente não-lineares e não-estacionários [32], [33], [34], [35]. A TW é caracterizada por dividir o sinal de entrada em duas bandas de frequência, sinais de alta frequência e sinais de baixa frequência, conforme o teorema de Parseval: a energia de um sinal pode ser particionada em termos de energia dos coeficientes wavelet (ou detalhes) e de aproximação (ou escala) [36]. A energia dos coeficientes wavelet pode ser utilizada para análise em tempo real das características do sinal ECG, em particular do comportamento do complexo QRS [37 – 40]. Os coeficientes de aproximação (ou escala) podem ser utilizados para análise em tempo real de ruídos e outros distúrbios encontrados no sinal ECG [37 – 40]. A. Transformada Wavelet Discreta Redundante (TWDR) Neste trabalho nós utilizamos uma variante da Transformada Wavelet Discreta (TWD), a Transformada Wavelet Discreta Redundante (TWDR). A diferença básica entre a TWD e a TWDR é que esta não apresenta o processo de subamostragem por um fator de 2, resultando em um melhor desempenho, ou melhor, velocidade de processamento [22], [31], [42]. De um modo geral, as principais diferenças entre a TWD e a TWDR são: • A TWD é uma transformação ortonormal, já a TWDR é uma transformação não-ortogonal; • A TWDR pode ser aplicada a qualquer número de amostras, já a TWD requer que o número seja uma potência de 2, devido ao processo de subamostragem; • A TWDR é uma transformada invariante no tempo, uma vez que não realiza a subamostragem por 2 nas amostras do sinal. A TWDR proporciona uma representação compacta de um sinal em tempo e frequência. Com base no algoritmo de Mallat a TWDR pode ser obtida facilmente [28]. O sinal de entrada é decomposto em bandas ou níveis wavelet utilizando filtros passa-alta e passa-baixa: através do filtro passa-alta se obtém os coeficientes wavelet e com o filtro passa-baixa se obtém os coeficientes de aproximação [27 – 31]. As equações (1) e (2) apresentam o modelo matemático da TWDR em tempo real para cálculo dos coeficientes de aproximação, s(k), e wavelet, w(k), respectivamente, para um sinal x [22], [42], [43]: L ~ s(k ) = g (l )x(k + l − L ), (1) w(k ) = h(l )x(k + l − L ), (2) l =1 L ~ l =1 ~ ~ onde g (l ) e h(l ) são os coeficientes dos filtros passa-baixa e passa-alta, respectivamente, e podem ser obtidos da seguinte forma [31]: ~ g = g (l ) ~ h = h(l ) () (3) 2, 2, (4) () sendo g l e h l os coeficientes dos filtros passa-baixa e passa-alta para cálculo da TWD. Observa-se nas equações (1) e (2) que o sinal x é representado em níveis (ou bandas) através de suas componentes de alta e baixa frequência (coeficientes wavelet e de aproximação, respectivamente). Assim, os coeficientes wavelet e de aproximação para cada nível ou escala podem ser obtidos recursivamente pela convolução do sinal de entrada x com os coeficientes dos seus respectivos filtros. A Fig. 2 ilustra o processo de decomposição caracterizado para TWDR, com base no algoritmo de Mallat [28]. Um determinado sinal de entrada a0 é decomposto em três níveis (escalas) wavelet, sendo a1 e d1 os coeficientes de aproximação e wavelet (detalhes) na primeira escala, e assim sucessivamente. Cada escala (nível) wavelet corresponde a uma banda (faixa) de frequência, de acordo com a frequência de amostragem do sinal de entrada a0. Figura 2. Três níveis (escalas) da TWDR. Então, tem-se que um sinal pode ser decomposto em diversas escalas de frequência. Da mesma forma o sinal decomposto pode ser reconstruído utilizando a mesma ideia do algoritmo de Mallat, baseando-se nos valores dos coeficientes wavelet e de aproximação na primeira escala da TWDR [28]. Assim, os coeficientes wavelet e de aproximação na primeira escala são obtidos pela convolução dos coeficientes s e w com ~ ~ os seus respectivos coeficientes dos filtros, g (l ) e h (l ) , conforme as equações (5) e (6). L ~ a(k ) = g (l )s(k − l ), (5) d (k ) = h(l )w(k − l ), (6) l =1 L ~ l =1 1) Energia dos Coeficientes Wavelet e de Aproximação De acordo com o teorema de Parseval [36], a energia de um sinal pode ser particionada em termos da energia dos coeficientes wavelet e de aproximação, ou melhor, a energia do sinal original x é igual à soma da energia dos coeficientes wavelet de todas as escalas de resolução, n = {1, 2, ..., N}, com a energia dos coeficientes de aproximação do último nível de resolução, N, com N ≤ Nmax. Matematicamente, temse que: kt x(k ) 2 k =1 kt N kt = aN (k ) + d n (k ) , 2 k =1 2 (7) n=1 k =1 sendo: kt x(k ) 2 - energia do sinal original, k =1 kt a (k ) - energia dos coeficientes de aproximação na escala N, 2 N k =1 N kt d (k ) n n =1 k =1 2 - energia dos coeficientes wavelet de todas as escalas, n = {1, 2, ..., N}. 2) Famílias Wavelet A análise de sinais utilizando a TW tem ganhado bastante espaço nos últimos anos. A TW possibilita uma análise compacta e flexível em tempo e frequência, permitindo diversos níveis de resolução, além de apresentar diversas funções de base (famílias wavelet), que possibilitam uma análise mais específica, de forma a adequar a análise ao comportamento do sinal e com isso obter os melhores resultados possíveis [27 – 31], [36]. Existem diversas famílias wavelet como Morlet, Biorthogonal, Mexican Hat, Harr, Daubechies, Meyer, Coiflets, Symlets, e diversas outras, tanto no domínio dos números Reais quanto dos números Complexos [27 – 31], [36]. Neste trabalho foi utilizada a família Daubechies com 4 coeficientes, a wavelet mãe db(4), com base em resultados encontrados em [40 – 45], que mostraram a eficácia desta wavelet mãe. III. METODOLOGIA Atualmente, existem diversos algoritmos propostos para detecção do complexo QRS [9 – 18]. Neste trabalho é apresentada uma técnica de detecção utilizando a wavelet mãe db(4), transformada wavelet da família Daubechies. Para validação do algoritmo são utilizados sinais de ECG do banco de dados do MIT (Massachusetts Institute of Technology), o MIT-BIH Arrhythmia Database [47], [48]. Então, os dados são analisados utilizando a db(4) de forma a encontrar características que levem à detecção rápida e confiável do complexo QRS. Para análise são utilizados tanto os coeficientes de aproximação quanto os wavelet, assim como as energias dos coeficientes wavelet. A. Complexo QRS O complexo QRS é resultado da despolarização do ventrículo [3], [7]. O complexo QRS tem aspectos dominantes em relação aos outros componentes do sinal ECG, como pode ser observado na Fig 1. Assim, a sua identificação em condições normais não é tão difícil, uma vez que a sua amplitude e formato são bem característicos em relação às ondas P e T. Contudo, um dos inconvenientes para sua detecção automática é a existência de diversas morfologias, requerendo uma certa adaptação por parte do sistema para diferentes análises [3], [7], [18], [48 – 50]. Grande parte da energia do complexo QRS situa-se na faixa de 3 Hz – 40 Hz, sendo que cerca de 50 % desta energia está concentrada na faixa de 10 Hz – 20 Hz [51]. Em condições normais, a amplitude do complexo é de aproximadamente 1 mV, apresentando valores maiores em casos de hipertrofia ventricular [7], [18]. A duração normal do ECG está na faixa de 0.08 – 0.09 s [7], [18], [48 – 50]. A onda P apresenta normalmente uma amplitude de aproximadamente 0.1 mV e duração de 0.1 s. Já a onda T apresenta normalmente amplitude de 0.2 mV e duração de 0.2 s [7], [18], [48 – 50]. A onda P ela antecede o complexo QRS e onda T ela aparece logo após o complexo, aproximadamente depois de 0.2 s [7], [18], [48 – 50]. B. MIT-BIH Arrhythmia Database O MIT-BIH (Massachusetts Institute of Technology - Beth Israel Hospital) possui um banco de dados de sinais ECG com diversas patologias cardíacas, entre eles um banco de dados com possíveis arritmias cardíacas, o MIT-BIH Arrhythmia Database [47], [48], o qual está entre os mais utilizados para validação de algoritmos de detecção e análise de ECG [8], [18], [38]. O MIT-BIH Arrhythmia Database possui 48 gravações de aproximadamente 30 min cada, sendo os sinais provenientes de aferições em homens com idade entre 32 e 89 anos, e mulheres com idade entre 23 e 89 anos. Os sinais foram digitalizados utilizando uma frequência de amostragem de 360 amostras/s, sendo que cada gravação apresenta dois sinais de derivações diferentes, geralmente MLII para os sinais mais elevados e V1 para baixos sinais (ocasionalmente V2 ou V5, e em uma ocorrência V4). C. Análise do sinal ECG: Detecção do Complexo QRS Neste trabalhado foi utilizada a wavelet mãe db(4) (família Daubechies com 4 coeficientes). A escolha da db(4) foi devido à resultados encontrados em [40 – 45], se mostrando uma boa família e wavelet mãe para a detecção do complexo QRS. O algoritmo wavelet implementado apresenta 5 escalas (níveis de resolução) wavelet para uma melhor acurácia na análise do sinal, uma vez que mais níveis de resolução podem ser analisados. Os sinais ECG do banco de dados MIT-BIH Arrhythmia Database apresentam uma frequência de amostragem de 360 Hz, porém os sinais analisados neste trabalho foram reamostrados para uma frequência de 350 Hz, de forma a dividir de uma maneira mais otimizada as bandas de frequência das ondas do sinal ECG. A Tabela I mostra as faixas de frequência para cada escala wavelet. TABELA I. FAIXAS DE FREQUÊNCIA PARA CADA ESCALA (NÍVEL DE RESOLUÇÃO) WAVELET. ESCALA 1 2 3 4 5 FAIXA DE FREQUÊNCIA 87.5 ~ 175 43.75 ~ 87.5 21.875 ~ 43.75 10.9375 ~ 21.875 5.4688 ~ 10.9375 Pode-se observar, com base na Tabela I, que grande parte da energia do complexo QRS está distribuída entre as escalas 3 e 4, uma vez que esta parcela de energia está situada na faixa de 3 Hz – 40 Hz [51]. Contudo, é possível detectar a presença do complexo nas demais escalas. Já as energias das ondas P e T estão praticamente situadas na faixa de 3 Hz – 10 Hz [51], logo podem ser observadas com maior facilidade na escala 5. Então, com base nas energias dos coeficientes wavelet pode-se observar o comportamento no domínio do tempo das componentes do sinal ECG em diversas escalas de frequência, sendo esta uma das grandes vantagens da transformada Wavelet, análise em tempo e frequência. Outra vantagem da utilização da TW é a filtragem de ruídos de alta frequência que estão contidos nos sinais ECG, além de outros ruídos, amenizando o efeito destes sobre a análise do sinal. Os coeficientes de aproximação são resultados de filtros passa-baixas e os coeficientes wavelet de filtros passa-altas. Neste trabalho é tomado como sinal para análise os coeficientes de aproximação na primeira escala, que apresentam comportamento semelhante ao sinal original, porém sem grandes influências dos ruídos de alta frequência, como os de origem muscular e respiratória, por exemplo. Estes ruídos podem acrescentar alguns milivolts ao sinal original, além de ruído gaussiano [5]. A detecção do complexo QRS é feita com base nos coeficientes wavelet, utilizando métodos threshold, ou melhor, baseando-se em valores limiares para a detecção. Esta técnica é utilizada por diversos pesquisadores [2], [8], [38], [40], [52], e apresenta resultados satisfatórios. A ideia de utilizar os coeficientes wavelet é devido ao fato de os mesmos apresentarem características apropriadas à detecção e localização de mudanças abruptas ocorridas ao longo do sinal em análise: a passagem pelo zero dos coeficientes wavelet representa a localização de um ponto de variação acentuada do sinal [53]. Então, com base na passagem por zero dos coeficientes wavelet e nos métodos baseados em threshold pode-se detectar a posição do complexo QRS, fundamentando-se na análise de energia dos coeficientes wavelet, que mostra a posição do complexo QRS no sinal ECG. Neste trabalho serão utilizadas para a detecção do complexo QRS as escalas 1 e 2, uma vez que o algoritmo proposto visa um detecção rápida em tempo real, logo se faz necessária a detecção já nos primeiros níveis de resolução para evitar atrasos consideráveis no processamento. IV. RESULTADOS E DISCUSSÕES Este trabalho apresenta um algoritmo de detecção em tempo real do complexo QRS baseado na TWDR. São utilizados para análise os coeficientes wavelet, escala e as energias dos coeficientes wavelet. A Fig. 3 mostra a distribuição da energia nos 5 (cinco) níveis de resolução wavelet para o sinal ECG 100 do banco de dados do MIT (MIT-BIH Arrhythmia Database). Pode-se observar que o nível que apresenta a maior concentração de energia é a 4ª (quarta) escala, uma vez que uma grande parcela da energia do complexo QRS está situada nesta escala. Contudo, pode-se verificar a ocorrência do complexo nas 1ª e 2ª escalas, sendo estas utilizadas neste trabalho para uma rápida detecção do complexo QRS. Figura 3. Energia dos coeficientes wavelet do sinal ECG 100 (MIT-BIH Arrhythmia Database) nos diferentes níveis de resolução wavelet. O sinal cardíaco utilizado para análise é o resultado da TWDR na 1ª (primeira) escala, sendo utilizados os coeficientes de aproximação, os quais apresentam comportamento semelhante ao sinal original, porém sem grandes influências de ruídos de alta frequência, uma vez que os coeficientes escala são resultados de uma filtragem passabaixa. A Fig. 4 apresenta os coeficientes de aproximação na 1ª escala para o sinal ECG 100 (MIT-BIH Arrhythmia Database). Pode-se observar que existe um pequeno atraso entre o sinal original e os coeficientes escala, contudo o comportamento do sinal destes é semelhante ao sinal original, não implicando em problemas para com a análise do sinal ECG. O atraso oriundo do processamento com a TWDR é de aproximadamente 2j, sendo j o nível (escala) de resolução. A Fig. 5 apresenta os coeficientes wavelet do sinal ECG 100 (MIT-BIH Arrhythmia Database) nos 5 (cinco) níveis de resolução. Pode-se observar que os coeficientes apresentam valores próximos do zero quando não ocorrem grandes variações no sinal, exibindo picos mais elevados conforme os pontos de inflexão presentes no comportamento do sinal cardíaco. A ocorrência de um cruzamento pelo zero indica que houve uma variação acentuada no comportamento do sinal, um ponto de inflexão, com base no qual pode-se detectar o pico R no complexo QRS, uma vez que este, normalmente, é o que apresenta o maior ponto de inflexão em um sinal ECG. Então, com base no pico R pode-se encontrar os picos Q e S e assim a posição do complexo QRS. Figura 4. Sinal ECG 100 (MIT-BIH Arrhythmia Database) e seus respectivos coeficientes de aproximação na 1ª escala, a1. Então, através dos coeficientes wavelet e na energia destes coeficientes detecta-se o pico R. O método utilizado para a detecção é baseado em thresholds, sendo definidos dois thresholds baseados no módulo máximo do sinal ECG: threshold 1 e threshold 2. O primeiro é utilizado para os coeficientes wavelet na primeira escala, já o segundo é utilizado para os coeficientes wavelet na segunda escala. Então, caso o valor dos coeficientes ultrapasse o valor de threshold (limiar), esse ponto será um possível candidato para o pico R. A partir desse ponto o algoritmo busca o ponto de máxima, cuja localização representa o pico R, o qual equivale a um cruzamento por zero dos coeficientes wavelet. Contudo, a localização no domínio do tempo no instante do cruzamento por zero não é exatamente o pico R, pois a análise é em tempo real, ocorrendo um atraso da ordem de 2j. Os valores de threshold são encontrados com base no valor do módulo máximo do sinal ECG. Para inicializar a análise do sinal por parte do algoritmo se faz necessário o armazenamento do sinal equivalente a uma duração de 1 minuto, para que se tenha um valor base para cálculo dos thresholds. Assim, os threshold 1 e threshold 2 são calculados como segue abaixo, equações (8) e (9). As constantes presentes nestas equações foram encontradas através de testes, sendo que para esses valores o algoritmo apresentou os melhores resultados. threshold 1 = 0.35 × max(d1) (8) threshold 1 = 0.5 × max(d 2) Figura 5. Coeficientes wavelet do sinal ECG 100 (MIT-BIH Arrhythmia Database) nas 5 (cinco) escalas de resolução: d1, d2, d3, d4 e d5. As maiores variações nos coeficientes wavelet são oriundas da ocorrência do complexo QRS, o qual possui características dominantes no sinal ECG. Pode-se observar na Fig. 5 que as maiores variações de amplitude ocorrem na 4ª escala, como esperado, uma vez que a energia do complexo QRS apresenta maior valor nesta escala. A Fig. 6 exibe com mais detalhes o comportamento dos coeficientes wavelet na primeira e segunda escala. O algoritmo implementado utiliza os coeficientes nestas escalas para a detecção do complexo, a fim de proporcionar uma detecção rápida, já que escalas mais afastadas implicam em maiores atrasos na detecção. Figura 6. Coeficientes wavelet nas escalas 1 e 2 do sinal ECG 100 (MIT-BIH Arrhythmia Database). (9) Uma vez encontrada a posição do pico R pode-se detectar as posições dos picos Q e S. A duração normal do ECG está na faixa de 0.08 – 0.09 s, e conhecendo-se o pico R pode-se analisar os dados passados e os posteriores para detectar os picos das ondas Q e S, respectivamente. Com base na Fig. 6 pode-se observar que existem variações menores próximas à maior variação, que equivalem aos picos Q e S. A Fig. 7 mostra a detecção do complexo QRS para o sinal ECG 100. O início e o final do complexo QRS são encontrados com base na energia do sinal e na posição do pico R: quando a energia começa a aumentar implica que está ocorrendo o complexo QRS, além de os valores dos coeficientes serem próximos do zero, uma vez que não existem variações acentuadas. Figura 7. Resultado da detecção do complexo QRS utilizando o sinal ECG 100 (MIT-BIH Arrhythmia Database). As ondas P e T podem ser detectadas da mesma forma que as ondas Q e S, porém utilizando como referência todo o complexo QRS: as variações anteriores ao complexo são equivalentes à onda P e as variações posteriores ao complexo são equivalentes à onda T. Para validação do algoritmo foram utilizadas 18 gravações de sinal ECG do banco de dados do MIT-BIH. Na Tabela II estão mostrados os resultados obtidos, onde FP equivale aos falsos positivos e FN aos falsos negativos. O algoritmo de detecção baseado na TWDR apresentou uma taxa de acerto na detecção do complexo QRS de 99.3 %, sendo 202 falsos positivos (0.47 %) e 88 falsos negativos (0.21 %), resultado em um total de 290 falhas na detecção (0.68 %). TABELA II. RESULTADOS DA AVALIAÇÃO EM TEMPO REAL DO ALGORITMO DE DETECÇÃO DO COMPLEXO QRS UTILIZANDO O BANCO DE DADOS DO MIT-BIH (ARRITMIA). SINAL ECG 100 101 103 109 112 113 115 116 123 124 202 205 209 215 220 221 233 234 18 TOTAL BATIMENTOS 2274 1874 2091 2535 2550 1796 1962 2421 1519 1634 2146 2672 3052 3400 2068 2462 3152 2764 42372 FP FN 0 3 0 51 28 0 3 7 0 35 26 22 0 0 0 27 0 0 202 0 2 6 0 0 0 7 19 0 0 0 12 0 0 0 42 0 0 88 TOTAL FALHAS 0 5 6 51 28 0 10 26 0 42 26 34 0 0 0 69 0 0 290 TOTAL FALHAS (%) 0.00 0.27 0.29 2.01 1.10 0.00 0.51 1.07 0.00 2.57 1.21 1.27 0.00 0.00 0.00 2.80 0.00 0.00 0.68 AGRADECIMENTOS Os autores gostariam de agradecer ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) e à Universidade Federal do Rio Grande do Norte pelo suporte ao longo do trabalho. REFERÊNCIAS [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] V. CONCLUSÃO Neste trabalho foi apresentado um algoritmo de detecção em tempo real do complexo QRS baseado na Transformada Wavelet Discreta Redundante (TWDR). A utilização da TWDR oferece uma melhor acurácia ao sistema, devido as suas características próprias de filtragem do sinal, apresentando tanto filtros passa-baixas quanto filtros passaaltas. Assim, reduzindo a interferência de diversos tipos de ruídos presentes no sinal ECG, como ruídos de alta frequência e de linha de base, por exemplo. O algoritmo foi validado utilizando um banco de dados de sinais cardíacos do MIT, o MIT-BIH Arrhythmia Database. O algoritmo implementado utiliza 5 escalas wavelet (níveis de resolução) para análise do sinal, porém foram utilizados para detecção do complexo QRS apenas os dois primeiros níveis, com o intuito de prover uma detecção rápida em tempo real, uma vez que quanto mais distante a escala maior o atraso de processamento. O método de detecção se baseia na utilização de thresholds, resultando em um total de falhas de detecção de apenas 0.68 %, para um total de 18 gravações analisadas. [12] [13] [14] [15] [16] [17] [18] [19] World Health Organization. The top 10 causes of dead. Media centre; Fact sheet N°310; [Atualizado em 2014 May; citado em 2015 Sep 01]. Disponível em http://www.who.int/mediacentre/factsheets/fs310/en/# Kohler, B.-U.; Hennig, C.; Orglmeister, R., "The principles of software QRS detection," in Engineering in Medicine and Biology Magazine, IEEE , vol.21, no.1, pp.42-57, Jan.-Feb. 2002. Quero, J.M.; Elena, M.M.; Segovia, J.A.; Tarrida, C.L.; Santana, J.J.; Santana, C., "CardioSmart: Cardiological Monitoring Intelligent system using GPRS," in Latin America Transactions, IEEE (Revista IEEE America Latina) , vol.3, no.2, pp.152-158, April 2005. Cordoba, L.P.; De los Angeles Gomez Lopez, M.; Goy, C.B.; Herrera, M.C., "Design and evaluation of pressure and electrocardiographic modules embedded in a Cardiac Hemodynamic Monitor," in Latin America Transactions, IEEE (Revista IEEE America Latina) , vol.11, no.1, pp.101-107, Feb. 2013. Friesen, G.M.; Jannett, T.C.; Jadallah, M.A.; Yates, S.L.; Quint, S.R.; Nagle, H.T., "A comparison of the noise sensitivity of nine QRS detection algorithms," in Biomedical Engineering, IEEE Transactions on , vol.37, no.1, pp.85-98, Jan. 1990. Rodriguez, J.; Goñi, A.; Illarramendi, A., "Real-time classification of ECGs on a PDA," in Information Technology in Biomedicine, IEEE Transactions on , vol.9, no.1, pp.23-34, March 2005. Malmivuo, Jaakko, and Robert Plonsey. “Bioelectromagnetism: Principles and Applications of Bioelectric and Biomagnetic Fields”. New York: Oxford University Press, 1995. Pan, Jiapu; Tompkins, Willis J., "A Real-Time QRS Detection Algorithm," in Biomedical Engineering, IEEE Transactions on , vol.BME-32, no.3, pp.230-236, March 1985. Ahlstrom, Mark L.; Tompkins, Willis J., "Automated High-Speed Analysis of Holter Tapes with Microcomputers," in Biomedical Engineering, IEEE Transactions on , vol.BME-30, no.10, pp.651-657, Oct. 1983. Borjesson, P.O.; Pahlm, O.; Sornmo, L.; Nygards, Mats-Erik, "Adaptive QRS Detection Based on Maximum A Posteriori Estimation," in Biomedical Engineering, IEEE Transactions on , vol.BME-29, no.5, pp.341-351, May 1982. TANG, X.; SHU, L. Classification of Electrocardiogram Signals with RS and Quantum Neural Networks. Int’l J. of Multimedia and Ubiquitous Engineering, v. 9, n. 2, p. 363-372, 2014. Afonso, V.X.; Tompkins, Willis J.; Nguyen, T.Q.; Shen Luo, "ECG beat detection using filter banks," in Biomedical Engineering, IEEE Transactions on , vol.46, no.2, pp.192-202, Feb. 1999. A Kyrkos, E.A Giakoumakis, G Carayannis, QRS detection through time recursive prediction techniques, Signal Processing, Volume 15, Issue 4, December 1988. Zhou Song-Kai; Wang Jian-Tao; Xu Jun-Rong, "The real-time detection of QRS-complex using the envelope of ECG," in Engineering in Medicine and Biology Society, 1988. Proceedings of the Annual International Conference of the IEEE , vol., no., pp.38 vol.1-, 4-7 Nov. 1988. Andreao, R.V.; Dorizzi, B.; Boudy, J., "ECG signal analysis through hidden Markov models," in Biomedical Engineering, IEEE Transactions on , vol.53, no.8, pp.1541-1549, Aug. 2006. Poli, R.; Cagnoni, S.; Valli, G., "Genetic design of optimum linear and nonlinear QRS detectors," in Biomedical Engineering, IEEE Transactions on , vol.42, no.11, pp.1137-1141, Nov. 1995. Trahanias, P.E., "An approach to QRS complex detection using mathematical morphology," in Biomedical Engineering, IEEE Transactions on , vol.40, no.2, pp.201-205, Feb. 1993. Martinez, J.P.; Almeida, R.; Olmos, S.; Rocha, A.P.; Laguna, P., "A wavelet-based ECG delineator: evaluation on standard databases," in Biomedical Engineering, IEEE Transactions on , vol.51, no.4, pp.570-581, April 2004. Santoso, S.; Powers, E.J.; Grady, W.M.; Hofmann, P., "Power quality assessment via wavelet transform analysis," in Power Delivery, IEEE Transactions on , vol.11, no.2, pp.924-930, Apr 1996. [20] De Yong, D.; Reineri, C.; Magnago, F., "Educational Software for Power Quality Analysis," in Latin America Transactions, IEEE (Revista IEEE America Latina) , vol.11, no.1, pp.479-485, Feb. 2013. [21] de Andrade, L.; Ponce de Leao, M.T., "Fault Location for Transmission Lines Using Wavelet," in Latin America Transactions, IEEE (Revista IEEE America Latina) , vol.12, no.6, pp.1043-1048, Sept. 2014. [22] Arrais, E.; Roda, V.O.; Neto, C.M.S.; Ribeiro, R.L.A.; Costa, F.B., "FPGA versus DSP for Wavelet transform based Voltage Sags detection," in Instrumentation and Measurement Technology Conference (I2MTC) Proceedings, 2014 IEEE International , vol., no., pp.643-647, 12-15 May 2014. [23] Xuefeng Chen; Xiang Li; Shibin Wang; Zhibo Yang; Binqiang Chen; Zhengjia He, "Composite Damage Detection Based on Redundant Second-Generation Wavelet Transform and Fractal Dimension Tomography Algorithm of Lamb Wave," in Instrumentation and Measurement, IEEE Transactions on , vol.62, no.5, pp.1354-1363, May 2013. [24] Jiabai Xie; Xianxiang Chen; Bing Zhou; Xinyu Hu; Xiao Tan; Ren Ren; Yangmin Qian; Huaiyong Li; Lili Tian; Shanhong Xia, "A reconfigurable wireless health monitoring system with Undecimated Wavelet Transform implemented," in Electronics, Computer and Applications, 2014 IEEE Workshop on , vol., no., pp.848-851, 8-9 May 2014. [25] Si Chen; Huichang Zhao; Shuning Zhang; Yunxing Yang, "Study of ultra-wideband fuze signal processing method based on wavelet transform," in Radar, Sonar & Navigation, IET , vol.8, no.3, pp.167172, March 2014. [26] Bhatnagar, G.; Wu, Q.M.J.; Raman, B., "A New Fractional Random Wavelet Transform for Fingerprint Security," in Systems, Man and Cybernetics, Part A: Systems and Humans, IEEE Transactions on , vol.42, no.1, pp.262-275, Jan. 2012. [27] Mallat, Stephane G. Multiresolution approximations and wavelet orthonormal bases of ܮ² (ܴ). Transactions of the American Mathematical Society, v. 315, n. 1, p. 69-87, 1989. [28] Mallat, S.G., "A theory for multiresolution signal decomposition: the wavelet representation," in Pattern Analysis and Machine Intelligence, IEEE Transactions on , vol.11, no.7, pp.674-693, Jul 1989. [29] Grossman and J. Morlet, “Decomposition of hardy functions into square integrable wavelets of constant shape,” Society for Industrial and Applied Mathematics Journal on Mathematical Analysis, p. 155166, 1984. [30] I. Daubechies, “Ten lectures on wavelets,” CBMS-NSF Regional Conference Series, SIAM, 1992. [31] D. B. Percival and A. T. Walden, “Wavelet Methods for Time Series Analysis”. New York, USA: Cambridge University Press, 2000. [32] Cattani, Carlo et al. “Biomedical signal processing and modeling complexity of living systems”. Computational and Mathematical Methods in Medicine, v. 2012, 2012. [33] Rangayyan, R., “Biomedical Signal Analysis: A Case-Study Approach [Book Review]," in Signal Processing Magazine, IEEE , vol.19, no.4, pp.86-86, July 2002. [34] Bruce, Eugene N., “Biomedical Signal Processing and Signal Modeling”. USA: John Wiley & Sons, 2001. [35] Akay, Metin. “Time Frequency and Wavelets in Biomedical Signal Processing”. IEEE press series in Biomedical Engineering, 1998. [36] C. S. Burrus, A. G. Ramesh, and H. Guo, Introduction to Wavelets and Wavelet Transforms. New Jersey, USA: Prentice Hall, 1998. [37] Addison, Paul S. “Wavelet transforms and the ECG: a review”. Physiological measurement, v. 26, n. 5, p. R155, 2005. [38] Cuiwei Li; Chongxun Zheng; Changfeng Tai, "Detection of ECG characteristic points using wavelet transforms," in Biomedical Engineering, IEEE Transactions on , vol.42, no.1, pp.21-28, Jan. 1995. [39] Haddad, Sandro Augusto Pavlik; Serdijn, Wouter A. “Ultra low-power biomedical signal processing: an analog wavelet filter approach for pacemakers”. Springer Science & Business Media, 2009. [40] Sasikala, P.; wahidabanu, R. S. D. “Robust R peak and QRS detection in electrocardiogram using wavelet transform”. International Journal of Advanced Computer Science and Applications-IJACSA, v. 1, n. 6, p. 48-53, 2010. [41] Alves, D.K.; Neto, C.M.S.; Costa, F.B.; Ribeiro, R.L.A., "Power measurement using the maximal overlap discrete wavelet transform," in Industry Applications (INDUSCON), 2014 11th IEEE/IAS International Conference on , vol., no., pp.1-7, 7-10 Dec. 2014. [42] Costa, F.B.; Driesen, J., "Assessment of Voltage Sag Indices Based on Scaling and Wavelet Coefficient Energy Analysis," in Power Delivery, IEEE Transactions on , vol.28, no.1, pp.336-346, Jan. 2013. [43] Haddadi, R.; Abdelmounim, E.; El hanine, M.; Belaguid, A., "Discrete Wavelet Transform based algorithm for recognition of QRS complexes," in Multimedia Computing and Systems (ICMCS), 2014. [44] Mahmoodabadi, S. Z.; Ahmadian, A.; Abolhasani, M. D. “ECG feature extraction using Daubechies wavelets”. In: Proceedings of the fifth IASTED International conference on Visualization, Imaging and Image Processing, p. 343-348. 2005. [45] E. M. Tamil, N. H. Kamarudin, R. Salleh, M. Yamani Idna Idris, M. N. Noorzaily, and A. M. Tamil. “Heartbeat electrocardiogram (ECG) signal feature extraction using discrete wavelet transforms (DWT)”. In Proceedings of CSPA, 1112–1117. 2008. [46] Moody GB, Mark RG. The impact of the MIT-BIH Arrhythmia Database. IEEE Eng in Med and Biol 20(3):45-50 (May-June 2001). (PMID: 11446209). [47] Goldberger AL, Amaral LAN, Glass L, Hausdorff JM, Ivanov PCh, Mark RG, Mietus JE, Moody GB, Peng C-K, Stanley HE. PhysioBank, PhysioToolkit, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals. Circulation 101(23):e215e220 [Circulation Electronic Pages; http://circ.ahajournals.org/cgi/content/full/101/23/e215]; 2000 (June 13) [48] Natale, Andrea. “Handbook of Cardiac Electrophysiology”. CRC Press, 2007. [49] De Luna, Antoni Bayés. “Basic electrocardiography: normal and abnormal ECG patterns”. John Wiley & Sons, 2008. [50] Clifford, G.D., Azuaje, F., McSharry, P.E. “Advanced methods and tools for ECGdata analysis”. Library of Congress, 2006. [51] Thakor, N.V.; Webster, J.G.; Tompkins, Willis J., "Estimation of QRS Complex Power Spectra for Design of a QRS Filter," in Biomedical Engineering, IEEE Transactions on , vol.BME-31, no.11, pp.702-706, Nov. 1984. [52] Martis, Roshan Joy; Acharya, U. Rajendra; Adeli, Hojjat. “Current methods in electrocardiogram characterization”. Computers in biology and medicine, v. 48, p. 133-149, 2014. [53] Mallat, S., "Zero-crossings of a wavelet transform," in Information Theory, IEEE Transactions on , vol.37, no.4, pp.1019-1033, Jul 1991. Ernano Arrais Junior é graduado em Engenharia Elétrica pela Universidade Federal do Rio Grande do Norte (UFRN), Natal, Rio Grande do Norte, Brasil, em 2011. Possui graduação em Engenharia Eletrônica pela École Nationale Supérieure d'Électronique, d'Électrotechnique, d'Informatique, d'Hydraulique et des Télécommunications (ENSEEIHT), Toulouse, França, em 2010. Obteve o título de mestre em Engenharia Elétrica e de Computação pela UFRN em 2014, e está em doutoramento em Engenharia Elétrica na UFRN. Atualmente é professor da Universidade Federal Rural do Semi-Árido (UFERSA) e suas pesquisas se concentram na área de processamento de sinais biomédicos, sistemas embarcados e energia eólica. Ricardo Alexsandro de Medeiros Valentim é doutor em Engenharia Elétrica e de Computação pela Universidade Federal do Rio Grande do Norte (UFRN). Professor Adjunto IV da UFRN lotado no Departamento de Engenharia Biomédica e Professor Permanente do Programa de Pósgraduação em Engenharia Elétrica e de Computação (PPgEEC/UFRN). Atua também como professor permanente no Mestrado Profissional em Ensino da Saúde no Departamento de Medicina. Gláucio Bezerra Brandão é Engenheiro Eletrônico (1992) e Mestre em Biofísica e Radiobiologia (1996) – UFPE/BR. Doutor em Engenharia Elétrica (2002) – UFCG/BR. Seus interesses de pesquisa são nas áreas de instrumentação eletrônica, sistemas embarcados e TRIZ – Teoria da Resolução Inventiva de Problemas.