Sistema de diagnóstico aplicado a la detección de la apnea obstructiva del sueño mediante poligrafía
Abstract
ETSIT
Full text
UNIVERSIDAD DE LAS PALMAS DE GRAN CANARIA ESCUELA DE INGENIERÍA DE TELECOMUNICACIÓN Y ELECTRÓNICA PROYECTO FIN DE CARRERA SISTEMA DE DIAGNÓSTICO APLICADO A LA DETECCIÓN DE LA APNEA OBSTRUCTIVA DEL SUEÑO MEDIANTE POLIGRAFÍA Autor: Tutores: Fecha: Ubay Casanova Blancas Antonio G. Ravelo García Juan Luis Navarro Mesa Julio de 2014
UNIVERSIDAD DE LAS PALMAS DE GRAN CANARIA ESCUELA DE INGENIERÍA DE TELECOMUNICACIÓN Y ELECTRÓNICA PROYECTO FIN DE CARRERA HOJA DE FIRMAS Alumno/a Fdo.: Ubay Casanova Blancas Tutor/a Tutor/a Fdo.: Antonio G. Ravelo García Fdo.: Juan Luis Navarro Mesa Fecha: Julio de 2014 SISTEMA DE DIAGNÓSTICO APLICADO A LA DETECCIÓN DE LA APNEA OBSTRUCTIVA DEL SUEÑO MEDIANTE POLIGRAFÍA
UNIVERSIDAD DE LAS PALMAS DE GRAN CANARIA ESCUELA DE INGENIERÍA DE TELECOMUNICACIÓN Y ELECTRÓNICA PROYECTO FIN DE CARRERA HOJA DE EVALUACIÓN Calificación: ___________________________ Presidente Fdo.: Vocal Secretario/a Fdo.: Fdo.: Fecha: Julio de 2014 SISTEMA DE DIAGNÓSTICO APLICADO A LA DETECCIÓN DE LA APNEA OBSTRUCTIVA DEL SUEÑO MEDIANTE POLIGRAFÍA
Quiero agradecer a todos los que me han ayudado y animado durante todos estos años de estudio. En primer lugar, agradecer a mis padres y familia el apoyo incondicional que me han brindado y que han hecho posible que pueda acabar esta primera etapa de mi vida. Gracias por conar siempre en mí. También quiero dedicar unas palabras a todos mis compañeros de la Escuela, porque gracias a ellos ir a clase día tras día dejaba de ser una rutina. No sé qué hubiera sido de mí sin estos compañeros. Y un agradecimiento muy especial para mi tutor, Antonio Ravelo, porque me ha transmitido la pasión por aprender y de conocer nuevos campos de este gran mundo que es la Ingeniería. Gracias. i
ii
We are drowning in information and starving for knowledge. - Rutherford D. Roger iii
x ÍNDICE GENERAL
Índice de guras 1.1. Vía respiratoria abierta y obstruida . . . . . . . . . . . . . . . . . . . . . . 4 2.1. Unidaddelsueño................................ 12 2.2. Registro de señales mediante polisomnograa . . . . . . . . . . . . . . . . . 15 2.3. CPAP ...................................... 17 2.4. DAM....................................... 18 3.1. Visualización de señales en Polyman . . . . . . . . . . . . . . . . . . . . . 20 3.2. PulsodeunECG................................ 21 3.3. Señal de SaO2 con y sin apnea . . . . . . . . . . . . . . . . . . . . . . . . . 22 3.4. Obtención serie RR a partir del ECG . . . . . . . . . . . . . . . . . . . . . 23 3.5. EjemplodeserieRR .............................. 23 3.6. GeneraciónseñalEDR ............................. 26 3.7. Obtención señal PP a partir de la señal de pulso . . . . . . . . . . . . . . . 27 3.8. Segmentación de las señales en 1 minuto . . . . . . . . . . . . . . . . . . . 28 3.9. Segmentación de la señal en 5 minutos . . . . . . . . . . . . . . . . . . . . 28 4.1. Apneasegúnpaciente.............................. 33 5.1. Ejemplo de codicación para el cálculo de la PE . . . . . . . . . . . . . . 38 5.2. Procedimiento para calcular DFA con polinomio lineal . . . . . . . . . . . 40 5.3. Procedimiento para calcular DFA con polinomio cuadrático . . . . . . . . . 40 5.4. Diagrama de bloques de un banco de ltros . . . . . . . . . . . . . . . . . . 42 5.5. Diagramadecaja................................ 45 xi
xii ÍNDICE DE FIGURAS 6.1. Distribución de clases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 6.2. Selección de características . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 6.3. Ejemplo de selección de características . . . . . . . . . . . . . . . . . . . . 51 6.4. Tasas de una validación cruzada . . . . . . . . . . . . . . . . . . . . . . . . 52 6.5. CurvaROC ................................... 52 7.1. Diagrama de caja del parámetro PE . . . . . . . . . . . . . . . . . . . . . . 57 7.2. Diagrama de caja del parámetro DFA1 . . . . . . . . . . . . . . . . . . . . 57 7.3. Diagrama de caja del parámetro DFA2 . . . . . . . . . . . . . . . . . . . . 58 7.4. Comparación del periodograma de un momento apneico y no apneico . . . 58 7.5. DatosdeIMCporgrupo............................ 59 7.6. Datos de edad por grupo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 7.7. Datos de número de apneas por grupo . . . . . . . . . . . . . . . . . . . . 61 7.8. Datos de número de hipoapneas por grupo . . . . . . . . . . . . . . . . . . 62 7.9. Resultados por paciente con EDR (PhysioNet) . . . . . . . . . . . . . . . . 64 7.10. Resultados por paciente con RR (PhysioNet) . . . . . . . . . . . . . . . . . 66 7.11. Resultados por paciente con EDR+RR (PhysioNet) . . . . . . . . . . . . . 67 7.12. Resultados por paciente con EDR (HuGCDN2014) . . . . . . . . . . . . . 69 7.13. Resultados por paciente con RR (HuGCDN2014) . . . . . . . . . . . . . . 71 7.14. Resultados por paciente con EDR+RR (HuGCDN2014) . . . . . . . . . . . 72 7.15. Resultados por paciente con SaO2 (HuGCDN2014) . . . . . . . . . . . . . 73 7.16. Comparativa SaO2 y SaO2+RR para pacientes que no desaturan . . . . . 76 8.1. Componentes utilizados para el sistema de recolección . . . . . . . . . . . . 79 8.2. Arduino Uno con el shield Wireless SD . . . . . . . . . . . . . . . . . . . . 81 8.3. Shield e-Health con el pulsioxímetro . . . . . . . . . . . . . . . . . . . . . . 82 8.4. Conguración del cableado para conectar el shield e-Health con el Wireless SDShield .................................... 83 8.5. InterfazArduinoIDE.............................. 84 8.6. Cambios en el código de la libreria eHealth.h . . . . . . . . . . . . . . . . . 85
ÍNDICE DE FIGURAS xiii 8.7. SketchparaArduino .............................. 86 8.8. Conguración para programar la placa . . . . . . . . . . . . . . . . . . . . 87 8.9. Puesta en funcionamiento del sistema . . . . . . . . . . . . . . . . . . . . . 87 D.1. Diagrama de funciones y jerarquía . . . . . . . . . . . . . . . . . . . . . . . 105 D.2.InterfazSAOSvision ..............................116 D.3. Selección de paciente en SAOSvision . . . . . . . . . . . . . . . . . . . . . 117 D.4. Señales en SAOSvision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 D.5. Botón Épocas en SAOSvision . . . . . . . . . . . . . . . . . . . . . . . . . 119 D.6.Etiquetadomanual ...............................120 D.7. Clasicación paciente de una base de datos en SAOSvision . . . . . . . . . 121 D.8. Diagnóstico a partir de un chero de texto en SAOSvision . . . . . . . . . 122 D.9. Guardar grácas en SAOSvision . . . . . . . . . . . . . . . . . . . . . . . . 122
xiv ÍNDICE DE FIGURAS
Índice de tablas 1.1. Datos de prevalencia del SAOS. Fuente. Apnea del Sueño en Atención Primaria.SEPAR.................................. 4 4.1. Pacientes de la base de datos de PhysioNet . . . . . . . . . . . . . . . . . . 31 4.2. Composición base de datos HuGCDN2014 . . . . . . . . . . . . . . . . . . 32 4.3. Pacientes de la base de datos de HuGCDN2014 . . . . . . . . . . . . . . . 34 5.1. Ejemplo de la prueba de Mann-Whitney-Wilcoxon . . . . . . . . . . . . . . 44 7.1. Signicación de grupos respecto a su IMC . . . . . . . . . . . . . . . . . . 59 7.2. Signicación de grupos respecto a su edad . . . . . . . . . . . . . . . . . . 60 7.3. Signicación de grupos respecto al número de apneas . . . . . . . . . . . . 61 7.4. Signicación de grupos respecto al número de hipoapneas . . . . . . . . . . 62 7.5. Resultados con EDR (PhysioNet) . . . . . . . . . . . . . . . . . . . . . . . 64 7.6. Resultados con RR (PhysioNet) . . . . . . . . . . . . . . . . . . . . . . . . 65 7.7. Resultados con EDR+RR (PhysioNet) . . . . . . . . . . . . . . . . . . . . 67 7.8. Resultados con EDR (HuGCDN2014) . . . . . . . . . . . . . . . . . . . . . 69 7.9. Resultados con RR (HuGCDN2014) . . . . . . . . . . . . . . . . . . . . . . 70 7.10. Resultados con EDR+RR (HuGCDN2014) . . . . . . . . . . . . . . . . . . 72 7.11. Resultados con SaO2 (HuGCDN2014) . . . . . . . . . . . . . . . . . . . . 73 7.12. Resultados con SaO2 y SaO2+RR (HuGCDN2014) . . . . . . . . . . . . . 75 xv
xvi ÍNDICE DE TABLAS
Acrónimos AASM American Academy of Sleep Medicine AUC Área bajo la curva BBDD Base de datos CON Control CPAP Presión continua en la vía aérea DAM Dispositivo de avance mandibular DES Desaturadores DFA Detrended uctuation analysis EDF European Data Format EDR Señal respiratoria derivada del ECG EEG Electroencefalograma EMG Electromiograma EOG Electrooculograma FBANK Banco de ltros IAH Índice de apneas-hipoapneas durante hora de sueño IEEE Institute of Electrical and Electronic Engineers IMC Índice de masa corporal NDES No desaturadores PFC Proyecto de nal de carrera xvii
xviii ÍNDICE DE TABLAS PO Pulsioximetría PR Poligrafía respiratoria PSG Polisomnografía PWM Pulse-Width Modulation ROC Característica operativa del receptor SAOS Síndrome de apnea obstructiva del sueño VAS Vía aérea superior
Parte I Memoria 1
8 CAPÍTULO 1. INTRODUCCIÓN el diagnóstico de apneas, puesto que no se puede conar toda la carga del sistema en una única señal. La señal RR, derivada del electrocardiograma, ofrece también buenas prestaciones. El estudio de la variabilidad del RR durante mucho tiempo estuvo connado a los laboratorios, sin embargo con los recientes avances en la tecnología de los microprocesadores, este análisis puede llevarse a cabo clínicamente. Es utilizada para analizar la variabilidad de la frecuencia cardíaca, por lo que aporta información sobre el comportamiento del corazón. 1.6. Objetivos El objetivo fundamental de este proyecto es desarrollar un sistema automático que ayude al especialista en su labor de clasicación de estados de apnea a partir de la poligrafía. Así como determinar si un paciente sufre o no la patología a nivel global. Obviamente, es deseable que el sistema sea robusto e independiente de la base de datos a utilizar. Para ello, se utilizarán varias bases de datos con las que comparar resultados y comprobar que, efectivamente, el sistema propuesto en este proyecto es totalmente independiente de las bases de datos y de la calidad de las señales que se pueden obtener de ellas. Enumerando los objetivos de este proyecto se podrían considerar los siguientes: Base de datos. Recopilar y adaptar diferentes bases de datos. En la actualidad existen varias bases de datos públicas en Internet que son ampliamente utilizadas para este tipo de estudios. También sería interesante poder obtener una base de datos única para este proyecto. Reducir lo máximo posible el número de electrodos que debe soportar el paciente durante el estudio de la patología. De esta manera, se logrará un sistema más cómodo y simple. Nuevas técnicas de extracción de variables de las señales. La detección de rasgos o patrones es muy dependiente de la aplicación concreta que se tenga entre manos. Se trata más de un arte que de una ciencia y ha sido, en ocasiones, la intuición y la experiencia los que han guiado a los investigadores en su elección. La señal de saturación de oxígeno en sangre (SaO2). Esta señal es muy signicativa para la detección de apneas, pues los especialistas se guían especialmente de esta señal para decidir si se está produciendo una apnea o no. Se espera trasladar esta experiencia a un sistema automático que ayude a diagnosticar mejor la patología. La serie RR. Se intentará conseguir características de esta señal que aporten información signicativa para separar los momentos de apnea y no apnea. De esta señal se espera, además, que pueda encontrar información relevante en el caso de pacientes que no son correctamente diagnosticados utilizando la señal SaO2.
1.7. ORGANIZACIÓN DE LA MEMORIA 9 Clasicación. Se espera conseguir un clasicador que aporte una calidad de predicción notable, con tasas de acierto elevada. De esta manera, más pacientes podrán ser bien diagnosticados y el sistema global obtendrá una gran precisión. Implementación. Conseguir un sistema físico, a partir del cual se puedan extraer las señales poligrácas y procesarlas, ya sea en el mismo sistema, o posteriormente en un ordenador. Como conclusión, y como objetivo principal de este Proyecto de Fin de Carrera (PFC), se plantea lograr un sistema que simplique el diagnóstico de la enfermedad usando el menor número de señales poligrácas posibles, y así evitar el traslado del paciente a un centro hospitalario, permitiéndole incluso autodiagnosticarse de forma able en casa gracias a un sistema automático y portable. 1.7. Organización de la memoria La presente memoria está compuesta por 7 capítulos y 4 anexos, así como los apartados de Planos y Programas, Pliego de Condiciones y Presupuesto. A continuación, se describe brevemente el contenido de cada uno de ellos: Capítulo 1 . Introducción. Introducción al problema planteado, conocimientos generales del problema y los estudios precedentes para resolverlo. Se describen los objetivos principales del proyecto. Capítulo 2 . Diagnóstico y tratamiento del SAOS. Se explican los distintos procedimientos utilizados actualmente para diagnosticar el SAOS, así como sus posibles tratamientos. Capítulo 3 . Señales poligrácas utilizadas. Se explica el método de obtención de señales derivadas de otras. Se describe la forma de segmentar la señal para utilizarla en el software. Capítulo 4 . Bases de datos. Descripción y características de las señales utilizadas para el presente proyecto. Capítulo 5 . Extracción de características. Descripción de los tipos de variables que se van a utilizar. También se explican los diferentes tests de hipótesis que se utilizarán en los parámetros clínicos. Capítulo 6 . Clasicador. Introducción al clasicador empleado en el proyecto. Se explica la metodología de entrenamiento seguida y cómo se seleccionan las variables más signicativas del proceso. Capítulo 7 . Detección automática de SAOS. Presentación de resultados obtenidos por todo el sistema. Capítulo 8 . Sistema físico para recolección de datos. Descripción del sistema hardware diseñado para registrar diferentes señales siológicas.
10 CAPÍTULO 1. INTRODUCCIÓN Anexo A . Tabla de distribución normal. Anexo B . Tabla de distribución chi-cuadrado. Anexo C . Regresión Logística. Se analiza en profundidad cómo funciona el clasicador empleado. Anexo D . Contenido del formato digital. Se describe la forma de presentar los archivos dentro de los CD-ROM aportados junto a esta memoria. Planos y Programas . Se exponen las diferentes funciones utilizadas con sus parámetros de entrada y salida. Pliego de Condiciones . Es el documento contractual, de carácter exhaustivo y obligatorio en el cual se establecen las condiciones del proyecto. También se especica el procedimiento para utilizar la interfaz SAOSvision. Presupuesto . Se detalla el presupuesto necesario para la realización de este Proyecto de Fin de Carrera.
Capítulo 2 Diagnóstico y tratamiento del SAOS 2.1. Introducción El SAOS se diagnostica y se trata en las unidades de sueño, donde se realiza una historia clínica dirigida a los trastornos del sueño y una exploración de la vía respiratoria superior. Se debe hacer un diagnóstico diferencial adecuado, ya que hay multitud de trastornos del sueño, muchos de los cuales presentan una sintomatología clara de somnolencia diurna. 2.2. Unidad del sueño El laboratorio de sueño[6] es un área de estudios electrosiológicos (como lo puede ser un área para realizarse un electroencefalograma, un electrocardiograma o una prueba de esfuerzo) en donde al paciente le es colocado una serie de sensores (electrodos, bandas y micrófonos) para poder monitorear sus funciones corporales durante el sueño. Para ello el área que se acondiciona para atender al paciente es similar a una habitación de hotel, con comodidades como: cama matrimonial, mesa de noche,lámpara, baño, televisor (en algunos casos) entre otros aditamentos. La razón primordial de esto es que como se evaluaran las funciones corporales durante el sueño, el paciente debe dormir y permanecer en la habitación durante la noche. El estudio de sueño se realiza mediante una técnica llamada polisomnografía. Dicho estudio debe ser realizado en un ambiente adecuado para el mismo, y lo debe ejecutar un personal técnico entrenado y capacitado y solo debe ser indicado estrictamente por un médico. Adicionalmente, el paciente debe ser preparado apropiadamente para la realización del mismo. No debe ingerir bebidas alcohólicas ni café desde el día previo al estudio, debe acudir con el cabello lavado y seco y dormir menos de los habitual el día anterior. Al paciente se le deja solo aproximadamente una hora y media para que se coloque su ropa de cama y se relaje en el cuarto y así progresivamente sienta la habitación propia y menos extraña. Luego, el técnico le realiza un cuestionario clínico, llena la historia técnica 11
12 CAPÍTULO 2. DIAGNÓSTICO Y TRATAMIENTO DEL SAOS Figura 2.1: Unidad del sueño y se le toman las constantes vitales. Posteriormente, inicia la fase de conexión en la cual le son colocados electrodos en la cabeza, rostro y piernas para medir la actividad eléctrica cerebral, los movimientos de los ojos, los latidos del corazón y los movimientos de piernas respectivamente. Estos electrodos se colocan sobre la piel y el cuero cabelludo con una pasta especial de forma completamente indolora (no se utilizan electrodos de aguja y ninguno de los dispositivos colocados transmiten descargas eléctricas). Adicionalmente, se coloca una cánula de plástico ligera en la nariz para medir la respiración, un micrófono para medir ronquidos, unos cinturones en tórax y abdomen para medir la expansión del torso con la respiración y un medidor de la oxigenación de la sangre en uno de sus dedos (como los utilizados en las unidades de terapia intensiva, los cuales funcionan a través de una luz, de igual forma, absolutamente indoloros). Una vez conectado, el paciente se acuesta en la cama, se realizan unas pequeñas pruebas para asegurarse que todos los electrodos funcionan bien, y el paciente es dejado a solas para dormir. Durante toda la noche, el técnico polisomnograsta está vigilando las variables del paciente a través de la computadora, y en caso de requerir algún tipo de asistencia, el paciente dispone de un timbre, con el que puede llamar al técnico en cualquier momento. 2.3. Diagnóstico Los estudios diagnósticos en el abordaje del SAOS pueden dividirse en dos tipos: aquellos realizados mediante predicción clínica y los realizados objetivamente mediante polisomnografía. 2.3.1. Modelos de predicción clínica La primera evaluación que un médico realiza para llegar al diagnóstico de una enfermedad es la anamnesis 1 y la exploración física. Desde un punto de vista práctico, la enfermedad ideal es aquella en la que se puede realizar un diagnóstico clínico con abilidad, evitando 1 Conjunto de los datos clínicos relevantes y otros del historial de un paciente.
2.3. DIAGNÓSTICO 13 la realización de pruebas complementarias. Con ello, se consigue disminuir el tiempo y los recursos empleados en el diagnóstico, además de establecer de una forma más rápida el tratamiento adecuado. Un test que hace posible calcular un índice es la prueba de sueño de Epworth, la cual fue desarrollada por investigadores en Australia y es ampliamente usada por profesionales del sueño alrededor del mundo para medir problemas de falta de sueña. Esta escala tiene como objetivo diferenciar las personas sanas de pacientes con ciertas patologías del sueño. Se considera que una puntuación entre 11 y 15, indicaría una sospecha de SAOS de tipo moderado y una puntuación ≥ 16 es indicativa de apnea severa. La redacción del cuestionario es sencilla y evita el uso de términos médicos. Las preguntas son contestadas mediante una escala de cuatro valores: 'nunca', 'rara vez', 'a veces' y 'a menudo'. Otros modelos utilizan otras variables para determinar la probabilidad de que un paciente sufra el SAOS. Casi todos ellos utilizan medidas antropométricas, como el índice de masa corporal o el perímetro del cuello, así como alteraciones del sueño referidas, tales como ronquidos, pausas de apnea o despertares asfícticos. A modo de ejemplo, se incluyen algunos de los modelos utilizados para determinar la probabilidad de padecer SAOS. El modelo desarrollado por Crocker utiliza la siguiente fórmula para establecer la probabilidad de SAOS: Probabilidad SAOS (Crocker) = 1 1 + e−(−13,9+0,06∗edad+2,98∗a+0,23∗IMC+1,35∗b) Siendo a= 1 si existen apneas referidas o a= 0 si no, y b= 1 si existe hipertensión arterial o b= 0 , si no. Otro modelo que tiene en cuenta otras variables está denido por Vinner mediante la siguiente ecuación: ProbabilidadSAOS (V inner) = e(−10,5132+0,9164∗sexo+0,047∗edad+0,1869∗IMC+1,932∗ronquido) (1 + e(−10,5132+0,9164∗sexo+0,047∗edad+0,1869∗IMC+1,932∗ronquido)) Donde sexo = 1 para hombres y 0 para mujeres, y ronquido = 1 para presente y 0 para ausente. Otros modelos establecen una puntuación a partir de la cual denen un punto de corte que determina si ese paciente padece SAOS. Es el caso del modelo de Flemons: Punt.cl´ınicaSAOS(Flemons) = (10−2,132+0,069∗PC+0,31∗a+0,206∗b+0,224∗c)+1 Siendo PC el perímetro del cuello. La otras tres variables tendrán el valor 1 en caso de padecerlas y 0 en caso contrario, siendo 'a' equivalente a hipertensión, 'b' a ronquido y 'c'
14 CAPÍTULO 2. DIAGNÓSTICO Y TRATAMIENTO DEL SAOS a despertares asfícticos. Una puntuación < 5 tiene una probabilidad post-test del 17%, y una puntuación > 15 tiene una probabilidad post-test del 81%. En el modelo de Sharma la fórmula utilizada es la siguiente: Punt. cl´ınica SAOS (Sharma)=1,378 ∗g´enero + 0,064 ∗WHR + 0,21 ∗NC En donde g´enero = 0 en mujeres o 1 en hombres; WHR: porcentaje del índice cintura cadera normal (tomado este como 0.85); NC perímetro del cuello. El valor de 16.62 se establece como punto de corte. A pesar de la limitación en los modelos, varias son las lecturas positivas que se pueden extraer analizando estos resultados: El hecho de basarse en hallazgos clínicos los hace poseer un alcance potencialmente universal. Son modelos muy sensibles, es decir, funcionan muy bien para descartar el SAOS, ya que un resultado negativo hace poco probable la presencia de la enfermedad. Pueden usarse como herramientas de priorización de unos recursos relativamente escasos como son los laboratorios del sueño, ya que se podría dar prioridad a los pacientes con puntuaciones más elevadas y de esta forma intentar disminuir el plazo para instaurar un tratamiento adecuado en aquellos que tienen más probabilidad clínica de tener un SAOS y además tener un grado de mayor severidad. 2.3.2. Modelos de predicción objetiva: la polisomnografía El diagnóstico del SAOS requiere la presencia de clínica compatible y la demostración de alteraciones respiratorias durante el sueño. El método objetivo y que no da lugar a dudas para el diagnóstico del SAOS es la polisomnografía (PSG). Se trata del registro simultáneo, realizado en el laboratorio del sueño de forma vigilada por un técnico, de las variables neurosiológicas: electroencefalograma (EEG), electrooculograma (EOG) y electromiograma (EMG) mentoniano, y de las variables respiratorias: ujo oronasal, esfuerzo respiratorio y saturación de oxígeno en la sangre arterial. La monitorización de las variables neurosiológicas permite separar el sueño de la vigilia, identicar las fases 1, 2, 3 y 4 de sueño NREM y el sueño REM y detectar los arousals corticales, que son cambios bruscos en la frecuencia del EEG, con una duración mínima de 3 segundos y en caso de ocurrir durante el sueño REM, han de acompañarse de un aumento del tono del EMG, aunque hay discrepancias sobre estos aspectos. Los criterios para establecer el diagnóstico de SAOS, así como su gravedad, se basan en el número promedio de eventos respiratorios por hora de sueño en la PSG. Se expresa con el índice de apneas-hipoapneas durante el sueño (IAH). Para clasicar a los pacientes según su IAH existen unos valores establecidos por la American Academy of Sleep Medicine (AASM) que indican si una persona sufre o no la patología.
2.3. DIAGNÓSTICO 15 Figura 2.2: Registro de señales mediante polisomnograa IAH < 5. Se considera un paciente sano. IAH > 5. Paciente que padece la patología y que debe seguir un tratamiento. En los últimos años se ha hecho una clasicación más rigurosa en la que se separa a aquellos pacientes con IAH menor a 30 y a los que tienen un IAH mayor a 30. Aquellos que están entre esos valores intermedios de 5 y 30 se les denomina borderline, y se considera que sufren la patología de manera leve, mientras que los que superan los 30 son considerados casos graves. 2.3.3. Modelos de predicción intermedios Los estudios diagnósticos en el abordaje del SAOS pueden dividirse en varios tipos, según la complejidad técnica, los recursos empleados y los resultados obtenidos. En las secciones anteriores se explicaron dos métodos: uno basado en observaciones del paciente sin realizar un estudio del sueño; y el 'gold standard', que es la polisomnograa, el cual es el método más completo y efectivo para el diagnóstico del SAOS. Se puede considerar que son los métodos extremos para diagnosticar la patología. Existen variantes intermedias que permiten, también, determinar si un paciente está enfermo o no. Para ello, se debe conocer los elementos constituyentes de cada uno de estas variantes, para así poder alcanzar un equilibrio coste-efectividad adecuado. Variante 1. Dispositivos con canales limitados (entre 4 y 7 canales). Se incluyen en este nivel las poligrafías respiratorias (PR). La PR puede realizarse en el laboratorio de sueño o en el domicilio y consiste en el análisis de las variables respiratorias y cardíacas sin evaluar las variables neurosiológicas. Generalmente se evalúa el ujo nasal, movimientos toracoabdominales, posición corporal, saturación de oxihemoglobina y también puede registrarse frecuencia cardíaca y ronquido Variante 2. uno o dos canales, siendo uno de ellos habitualmente la pulsioximetría (PO). La PO es un método empleado en el diagnóstico del SAOS y presenta la ventaja que puede ser domiciliaria. Aunque la PO es una prueba simplicada útil
16 CAPÍTULO 2. DIAGNÓSTICO Y TRATAMIENTO DEL SAOS para identicar la presencia de apneas e hipopneas de una manera indirecta, a través de las consecuencias que los eventos respiratorios tienen sobre la curva de SaO2 nocturna, hay que tener en cuenta que puede proporcionar resultados falsos negativos, sobre todo en pacientes jóvenes, no obesos y sin otras patologías, en los que las apneas pueden no dar lugar a desaturaciones. 2.4. Tratamiento El tratamiento del SAOS debe ir encaminado a resolver los síntomas asociados, normalizar la estructura del sueño, el IAH y la desaturación de hemoglobina, así como a reducir el riesgo de complicaciones sistémicas. Desde el punto de vista de salud pública será importante disminuir los costes directos e indirectos generados por la enfermedad. La elección del tratamiento más adecuado para cada paciente con SAOS es motivo continuo de debate ya que no se conoce con exactitud la historia natural de la enfermedad y tiene importantes implicaciones económicas derivadas. Las alternativas abarcan desde una serie de medidas generales que disminuyen el colapso de la vía aérea superior, distintas técnicas quirúrgicas, fármacos y dispositivos que estabilizan la vía aérea superior y evitan también su colapso. Con mucho, la administración de presión positiva continua en la vía aérea (CPAP) es el tratamiento más ecaz para el SAOS. 2.4.1. CPAP La causa del SAOS es la obstrucción mecánica de las vías respiratorias altas. Cuando las paredes de la vía aérea no tienen una consistencia suciente o están inamadas o comprimidas, la disminución de la presión o succión que se produce al inspirar puede generar una obstrucción total o parcial. Hasta hace unos años, el único tratamiento ecaz parar evitar la obstrucción de la vía aérea era la realización de una traqueotomía, pero dada la agresividad de este tratamiento, se efectuaba sólo en casos muy graves. Esto cambió radicalmente a raíz de los trabajos del Dr. Sullivan, médico australiano que desarrolló un tratamiento sencillo, ecaz y poco agresivo. Sullivan pensó, que si la presión negativa de succión producía el cierre de las vías respiratorias, logrando una presión positiva interna suciente se podría evitar este cierre. El sistema que logra este objetivo es el CPAP y esencialmente consiste en producir un ujo de aire que aumenta la presión por medio de un compresor o turbina. Este aire ambiental (no es oxígeno) se aplica por medio de una mascarilla, que en la mayoría de los casos es sólo nasal, lo que mejora la tolerancia y facilita su aplicación. La CPAP corrige las apneas obstructivas, mixtas y, frecuentemente las centrales, y también suprime el ronquido. Evita desaturaciones de oxígeno, los despertares electroencefalográcos (arousals) secundarios a los eventos respiratorios y normaliza la arquitectura del sueño. Como consecuencia de ello, la CPAP produce la remisión de los
2.4. TRATAMIENTO 17 Figura 2.3: CPAP síntomas, disminución y/o eliminación de la somnolencia diurna (evaluada subjetiva y objetivamente), desaparición del cansancio y mejoría de la calidad de vida. 2.4.2. Dispositivos intraorales Un lugar importante de obstrucción es la orofaringe y en concreto la base de la lengua. En un principio, se propusieron dispositivos dentales que sujetasen, incluso traccionasen, hacia delante la mandíbula. Entre estos dispositivos, los más usados son los dispositivos de avance mandibular (DAM). Los DAM en sus versiones de avance jo y avance regulable, son los realmente ecaces en el manejo de los problemas obstructivos de la VAS. Los DAM son dispositivos que se introducen en la boca modicando la posición de la mandíbula, lengua y otras estructuras de soporte de la VAS para el tratamiento del ronquido y/o el SAOS. Son considerados como una alternativa válida de primera elección, para roncadores simples, pacientes con SAOS leve y SAOS leve-moderado con bajo índice de masa corporal, y como segunda elección en pacientes que no responden o rechazan las CPAP. Estos dispositivos consisten en dos moldes de las arcadas dentales superior e inferior unidos entre si. Los DAM variables suelen llevar unos tornillos reguladores que modican la posición relativa de la arcada inferior y que permite un adelantamiento progresivo, son mas grandes e incómodos que los jos, cuyo diseño más simplicado, consiste en unos moldes nos pegados con resina en una posición determinada de avance.
24 CAPÍTULO 3. SEÑALES POLIGRÁFICAS UTILIZADAS Filtrar con un ltro paso bajo para realizar el interpolado entre punto con un ltro de Butterworth [8] a la frecuencia de 0.4 Hz y orden 5. Eliminar la media. 3.3.5. Señal o serie PP Otra señal estudiada es la denominada serie PP, y es denida básicamente como la señal RR del apartado 3.3.3, pero obtenida a partir de la señal de pulso, en lugar del ECG. La señal de pulso es muy inestable y en muchas ocasiones se satura en sus máximos y mínimos, por lo que para hallar la secuencia de valores PP se ha procedido a trabajar con su derivada. Como se sabe, la derivada presenta máximos donde la pendiente es máxima, por lo que esta será una forma útil de no tener que trabajar con los picos propios de la señal de pulso ya que suelen saturarse, sino con sus pendientes. Por lo tanto, el procedimiento seguido para la obtención de la serie PP es el siguiente: Importar señal de pulso. Derivar la señal. Filtrar con un ltro paso bajo para suavizar la señal con un ltro de Butterworth a la frecuencia de 0.35 Hz y orden 5. Cálculo del retardo entre picos consecutivos de la señal derivada. La forma de obtener la serie PP paso a paso se puede ver en la Figura 3.7. 3.4. Segmentación de las señales Tras haber obtenido cada una de las señales, es necesario adaptarlas al etiquetado proporcionado por los especialistas. Normalmente se suelen hacer etiquetados de 30 o 60 segundos contabilizando si en ese tiempo se ha producido o no una apnea. En el caso de este PFC, todos los etiquetados están realizados en épocas de 60 segundos. Por ello, hay que segmentar las señales en períodos de 60 segundos, es decir, crear un vector de MatLab con tantos elementos como minutos tenga cada paciente. En cada elemento de este vector se incluirá el minuto que corresponda con el índice del vector. Grácamente se puede en la Figura 3.8 En la práctica, para cumplir con la condición de estacionariedad por un lado y buena resolución espectral por el otro, en cada elemento del vector se disponen 5 minutos de la señal con el minuto correspondiente al índice en el medio. Esto se hace para poder realizar posteriormente un análisis o extracción de parámetros frecuenciales de manera apropiada. Este tipo de segmentación se realiza a las señales que necesiten mayor resolución espectral. En este PFC, se han segmentado en 5 minutos la siguientes señales: Serie RR
3.4. SEGMENTACIÓN DE LAS SEÑALES 25 SaO2 Serie PP Mientras que se ha mantenido con la segmentación de 60 segundos la señal EDR. La forma de segmentar en 5 minutos se puede ver en la Figura 3.9.
26 CAPÍTULO 3. SEÑALES POLIGRÁFICAS UTILIZADAS 0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 −1000 −500 0 500 1000 1500 2000 muestra amplitud (a) Parte de un ECG 0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 −1000 −500 0 500 1000 1500 2000 muestra amplitud (b) ECG tras pasar por el ltro paso alto 0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 0 200 400 600 800 1000 1200 1400 1600 1800 2000 muestra amplitud (c) Detección de picos 0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 −0.5 0 0.5 1 1.5 2 2.5 3 3.5 4 muestra amplitud (d) Señal EDR generada tras el ltro paso bajo Figura 3.6: Generación señal EDR
3.4. SEGMENTACIÓN DE LAS SEÑALES 27 0 100 200 300 400 500 600 700 800 900 1000 85 90 95 100 105 110 115 120 125 muestra amplitud (a) Señal de pulso 0 100 200 300 400 500 600 700 800 900 1000 −3 −2 −1 0 1 2 3 4 muestra amplitud (b) Señal de pulso derivada 0 100 200 300 400 500 600 700 800 900 1000 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1 1.2 muestra amplitud (c) Señal derivada tras pasar por el ltro paso bajo 0 100 200 300 400 500 600 700 800 900 1000 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1 1.2 muestra amplitud PPP P − P P − P 1 12 2 2 3 3 (d) Cálculo del retardo entre picos Como se conoce la frecuencia de muestreo de la señal de pulso (250 muestras/segundo), y la posición de cada pico P, se procede como en la generación de la serie RR. Para el caso de la Figura adjunta, x(P1) = 131 , x(P2) = 398 , x(P3) = 668 . Haciendo cálculos: t(P1−P2) = (398−131)∗muestras 250∗muestras/s = 1,068s , t(P2−P3) = (668−398)∗muestras 250∗muestras/s = 1,08s . La frecuencia cardíaca en reposo se encuentra en torno a las 60 pulsaciones/minuto, o lo que es lo mismo, 1 pulsación/segundo, como se puede observar con estos cálculos. Figura 3.7: Obtención señal PP a partir de la señal de pulso
28 CAPÍTULO 3. SEÑALES POLIGRÁFICAS UTILIZADAS Figura 3.8: Segmentación de las señales en 1 minuto Figura 3.9: Segmentación de la señal en 5 minutos
Capítulo 4 Bases de datos 4.1. Introducción La importancia de obtener un sistema robusto e independiente, fuerza la necesidad de poder contar con varias bases de datos para la realización de diferentes pruebas. Como en los últimos tiempos se ha incrementado de manera notable la investigación para detectar la patología del SAOS mediante sistemas automáticos, existen en Internet varias bases de datos públicas para este propósito. El problema de estas BBDD es que muchas veces los investigadores conducen sus algoritmos para que obtengan buenos resultados con las mismas, pero dejan de lado el propósito principal, que es el de obtener un sistema que pueda cubrir a cualquier paciente, y no solo a los de estas bases de datos, que en muchas ocasiones están formadas por registros de pacientes que favorecen el uso de según qué señal o según que parámetros. Por ello, para este PFC se ha podido contar con una base de datos propia gracias al Hospital Universitario de Gran Canaria Doctor Negrín, que ha aportado más de 80 pacientes con diferentes características para poder comprobar la robustez del sistema automático de detección que se ha realizado. Algunas bases de datos públicas son las de PhysioNet [9] o la de St. Vincent's University Hospital / University College Dublin Sleep Apnea Database [16]. Para este PFC se ha utilizado la base de datos de PhysioNet para comparar resultados junto a la proporcionada por el Hospital Doctor Negrín, denominada HuGCDN2014. 4.2. Composición de las bases de datos (BBDD) En este apartado se hace un análisis individual de cada una de las BBDD utilizadas en este PFC. Cada base de datos cuenta con varios grupos de pacientes, dependiendo de si tienen o no la patología o de alguna otra característica por la que se crea oportuno separar diferentes grupos. Cada base de datos tiene su propio registro de señales y cada una ha sido obtenida de manera diferente, por lo que, en un principio, no se podrían mezclar ambas. 29
30 CAPÍTULO 4. BASES DE DATOS En algunos casos las señales están muestreadas a una frecuencia de muestreo diferente que el resto, y esto hay que tenerlo muy presente para su posterior tratamiento. 4.2.1. PhysioNet Consta de un total de 70 registros de electrocardiograma seleccionados de dos estudios. Uno entre 1993 y 1995 y otro entre 1998 y 1999. Los ECG están digitalizados a una frecuencia de muestreo de 100 Hz. La duración media de los 70 registros varía entre 401 y 578 minutos. Basándose en el tiempo de apneas de cada paciente, se han denido tres grupos de señales: Registros con una duración por debajo de 5 minutos de apnea, se encuentran agrupados en el grupo C (de control). Un total de 10 grabaciones cumplen este requisito y provienen de seis hombres y cuatro mujeres con una edad media de 33 años. El grupo A (de apnea) agrupa aquellos registros que contienen 100 minutos o más de apnea. En total 20 procedentes de 20 hombres con una edad media de 50 años. Por último, el grupo B (de borderline) recoge 5 registros con períodos de apnea de entre 10 y 96 minutos. Se extrajeron de 4 hombres y una mujer con edad media de 46 años. Para la fase de test, se dispone de otro grupo de señales denominadas x, el cual está formado por 35 señales. De ellas, 20 contienen más de 100 minutos de apnea, 5 son consideradas borderline y 10 provienen de pacientes sin patología. Para el etiquetado de la base de datos se siguió un criterio estándar. Para ello, los registros de ECG se realizaron junto a una polisomnografía y analizados por un experto, indicando el comienzo y el nal de las apneas o hipoapneas, sin diferenciarlas. Estas marcas fueron trasladadas al tiempo con una resolución de un minuto. El etiquetado nal consiste en una información binaria por cada minuto de señal codicado como respiración normal 'N' o desorden respiratorio 'A'. La diversidad de las señales presentes en la base de datos favorecerá en gran medida la fase de entrenamiento, ya que se tendrán mayor número de criterios para discriminar entre fases de apnea y de no apnea.
4.2. COMPOSICIÓN DE LAS BASES DE DATOS (BBDD) 31 Paciente IAH Minutos Apnea c01 0 484 0 c02 0 502 1 c03 0 454 0 c04 0 482 0 c05 0 466 3 c06 0.25 468 1 c07 0 429 4 c08 0 513 0 c09 0 468 2 c10 0 431 1 a01 69.6 489 470 a02 69.5 528 420 a03 39.1 519 246 a04 77.4 492 453 a05 41 454 276 a06 24.7 510 206 a07 63 511 322 a08 42 501 189 a09 31.7 495 381 a10 21 517 100 a11 14 466 222 a12 80.2 577 534 a13 42 495 244 a14 54.7 509 383 a15 52 510 368 a16 41 482 320 a17 33 485 158 a18 82.4 489 438 a19 34 502 205 a20 41 510 315 b01 0.24 487 19 b02 19 517 93 b03 24 441 73 b04 0.7 429 10 b05 5 433 57 (a) Pacientes de entrenamiento Paciente IAH Minutos Apnea x01 63 523 375 x02 37.7 469 209 x03 0.13 465 12 x04 0 482 0 x05 34 505 316 x06 0 450 0 x07 21 509 240 x08 48 517 324 x09 18.5 508 167 x10 10 510 96 x11 5 457 13 x12 33 527 57 x13 18.7 506 292 x14 79.5 490 439 x15 15.9 498 200 x16 24 516 65 x17 0 401 1 x18 0 460 2 x19 56.2 488 407 x20 43 514 264 x21 19 511 120 x22 0 483 2 x23 14.3 528 119 x24 0 430 1 x25 48 511 291 x26 15.1 521 344 x27 75 499 487 x28 75 496 433 x29 0 471 0 x30 41 512 326 x31 93.5 558 516 x32 71.8 539 425 x33 0.13 474 3 x34 0.38 476 4 x35 0 484 0 (b) Pacientes de test Tabla 4.1: Pacientes de la base de datos de PhysioNet
32 CAPÍTULO 4. BASES DE DATOS 4.2.2. HuGCDN2014 Esta base de datos ha sido rigurosamente seleccionada por especialistas neumólogos del Hospital Universitario de Gran Canaria Doctor Negrín y consta de 88 pacientes. Los 88 registros han sido tomados y etiquetados en el laboratorio del sueño a partir de polisomnografía. De esta base de datos, al ser recopilada especialmente para este PFC, se han podido obtener otras señales como la saturación de oxígeno en sangre para su posterior estudio. Por lo tanto, por cada paciente tenemos tanto el ECG como la SaO2, así como su ujo de aire. En esta BBDD, se ha realizado una separación de grupos utilizando otro criterio, y no únicamente por el número de minutos con apnea de cada paciente. El criterio establecido se basa en el IAH y en la forma en la que se maniestan las apneas en la señal de SaO2 en cada pacientes. En general, a los momentos en los que se produce una apnea le acompaña una caída en los niveles de oxígeno en sangre que, medida en porcentaje, es de al menos un 3%. Sin embargo, algunos individuos no sufren desaturaciones en los momentos apneicos (véase Figura 4.1), por lo que es interesante comprobar si, aún sin este hecho, es posible clasicarlos correctamente con un sistema automático utilizando la señal de SPO2. Por lo tanto, para esta BBDD se ha decidido hacer una separación de grupos como se reeja en la Tabla 4.2. Control: pacientes que no presentan la patología. Son considerados pacientes sanos aquellos que tienen un índice de apneas (IAH) menor a 5. Hay 40 pacientes de control en esta base de datos. Desaturadores: son pacientes con un IAH mayor a 25 y cuya señal de saturación de oxígeno presenta caídas en los momentos en los que se produce una apnea. En esta base de datos se han registrado 37 pacientes con estas características. No desaturadores: son pacientes que, al igual que los desaturadores, tienen un IAH mayor a 25, pero en los que sus valores de saturación se mantienen estables y no presentan caídas en los momentos apneicos. De este grupo, hay 11 pacientes. Clasicación de grupos Pacientes sin SAOS (IAH < 25) Pacientes con SAOS (IAH > 25) grupo control (CON) grupo desaturadores (DES) grupo no desaturadores (NDES) Tabla 4.2: Composición base de datos HuGCDN2014 Las señales han sido muestreadas con diferentes frecuencias. Aquellas que, según su naturaleza, son más estables y no tienen grandes variaciones han sido muestreadas con una frecuencia inferior que aquellas que sufren rápidas variaciones y es interesante detectar los cambios en ellas. Las frecuencias de muestreo adoptadas son las que siguen: SaO2: 50 Hz. ECG: 200 Hz. Flujo de aire: 100 Hz.
4.2. COMPOSICIÓN DE LAS BASES DE DATOS (BBDD) 33 238.5 239 239.5 240 240.5 241 241.5 242 242.5 243 1.6 1.8 2 x 104 Época Flujo de aire (µV) 238.5 239 239.5 240 240.5 241 241.5 242 242.5 243 0.6 0.7 0.8 0.9 Época RR (s) 238.5 239 239.5 240 240.5 241 241.5 242 242.5 243 80 90 100 Época SaO2 (%) (a) Paciente desaturador 576.5 577 577.5 578 578.5 579 579.5 580 1.85 1.9 1.95 2 2.05 x 104 Época Flujo de aire (µV) 576.5 577 577.5 578 578.5 579 579.5 580 1 1.1 1.2 Época RR (s) 576.5 577 577.5 578 578.5 579 579.5 580 90 95 100 Época SaO2 (%) (b) Paciente no desaturador Figura 4.1: Apnea según paciente
40 CAPÍTULO 5. EXTRACCIÓN DE CARACTERÍSTICAS 10 20 30 40 50 60 70 80 90 100 0.84 0.86 0.88 0.9 0.92 0.94 0.96 0.98 1 1.02 Y(i) y pυ(i) [s] n Segmentos de 20 muestras Polinomio lineal (a) 10 20 30 40 50 60 70 80 90 100 0.84 0.86 0.88 0.9 0.92 0.94 0.96 0.98 1 1.02 Y(i) y pυ(i) [s] n Segmentos de 50 muestras Polinomio lineal (b) Figura 5.2: Procedimiento para calcular DFA con polinomio lineal 10 20 30 40 50 60 70 80 90 100 0.84 0.86 0.88 0.9 0.92 0.94 0.96 0.98 1 1.02 Y(i) y pυ(i) [s] n Segmentos de 20 muestras Polinomio cuadrático (a) 10 20 30 40 50 60 70 80 90 100 0.84 0.86 0.88 0.9 0.92 0.94 0.96 0.98 1 1.02 Y(i) y pυ(i) [s] n Segmentos de 50 muestras Polinomio cuadrático (b) Figura 5.3: Procedimiento para calcular DFA con polinomio cuadrático
5.3. VARIABLES EN DOMINIOS TRANSFORMADOS 41 5.3. Variables en dominios transformados Son aquellos que se obtienen en un dominio diferente al temporal. 5.3.1. Banco de ltros Los parámetros extraídos por un banco de ltros (o FBANK, por su nombre en inglés, Filter B ANK) se obtienen a partir del estudio en el dominio frecuencial de la señal de estudio. Para transformar la variable temporal en una variable frecuencial, es necesario realizar la transformada de Fourier [19] a la señal de estudio y calcular su periodograma. El periodograma se calcula mediante la expresión xn(n)DFT −→ X(k)→1 N|XN(k)|2=ˆ Sper(ej2πk /N) El periodograma es una buena forma de obtener información del espectro de la señal de forma no paramétrica y basta con utilizar una transformada rápida de Fourier. Tras realizar el periodograma de la señal, se pasa por M ltros (p.e., equiespaciados) a cuya salida tenemos una estimación de la potencia presente en cada banda. A la salida de cada ltro le corresponderá la potencia asociada a la banda de la señal que deja pasar. Por lo tanto, se obtendrán tantos parámetros como ltros equiespaciados se utilicen. Se puede ver un diagrama de bloques en la Figura 5.4 que ilustra este tipo de parametrización. A cada uno de los coecientes obtenidos a la salida del banco de ltros, es muy frecuente aplicarles logaritmos para desarrollar una compresión dinámica que hace al proceso de extracción de características menos sensible a las variaciones dinámicas. Así, las salidas quedan: P(M) = log[P0(m)] 5.3.2. Cepstrum El cepstrum de una señal es el resultado de calcular la transformada de Fourier del espectro de la señal estudiada en escala logarítmica (dB). El cepstrum es complejo y, por tanto, tiene su parte real y su parte imaginaria. Han sido ampliamente utilizados en el procesado digital de señales, ya que pueden ser vistos como una información del ritmo de cambio de las diferentes bandas de un espectro. Los cepstrum complejos de una secuencia discreta, cuya transformada de Fourier es X(ω) , se calculan como: Ccomplejo(n) = Re[F−1{log(|X(ω)|+j2πm) (5.9) donde F−1 denota la transformada inversa de Fourier, y m es el entero necesario para desenvolver ( unwrapping ) adecuadamente el ángulo o parte imaginaria de la función compleja del logaritmo.
42 CAPÍTULO 5. EXTRACCIÓN DE CARACTERÍSTICAS Figura 5.4: Diagrama de bloques de un banco de ltros Los cepstrum reales se denen como: C(n) = Re[F−1{log(|X(ω)|)}] (5.10) En este PFC se han utilizado los cepstrum reales, pues son los más idóneos para el propósito propuesto. Por medio de la representación cepstral es posible obtener información sobre la envolvente del espectro, la riqueza espectral e identicar las componentes armónicas y las componentes de ruido. Los primeros coecientes cepstrum representan la información de baja frecuencia del periodograma, esto es, el periodograma suavizado o con menor variabilidad. 5.4. Análisis estadistico de los parámetros Como se vio al inicio del Capítulo, es interesante buscar parámetros que puedan mostrar claramente una capacidad discriminante entre las distintas clases; en este caso, las dos clases son momentos de apnea y momentos de no apnea. Por lo tanto, antes de realizar una clasicación mediante alguno de los clasicadores matemáticos de la bibliografía, se realiza un estudio estadístico de los parámetros para comprobar si realmente pueden aportar información discriminante. Para ello, se han realizado diferentes tests de hipótesis que dan una idea de si los diferentes conjuntos de datos provienen o no de una misma población. Es decir, si hay una diferencia signicativa entre los momentos en los que existe una apnea y en los que no. En este estudio se han utilizado tests no paramétricos, debido a que no se conoce a priori
5.4. ANÁLISIS ESTADISTICO DE LOS PARÁMETROS 43 cómo se distribuyen los diferentes parámetros. El hecho de no ser parámetricos indica que no se hace ningún tipo de presunción de los datos. Se han utilizado dos tipos de tests: el U -test de Mann-Whitney-Wilcoxon y el H -test de Kruskal-Wallis [27]. El primero es utilizado para dos conjuntos de datos y el segundo se puede generalizar para k conjuntos de datos. Se considera que los grupos tienen una diferencia signicativa cuando el valor p obtenido al evaluar estos tests es menor a 0.05 o a 0.01, dependiendo de la aplicación. Otra herramienta utilizada para mostrar los datos es el diagrama de caja ( boxplot ), se trata de un tipo de representación de datos que permite apreciar dónde se encuentra situada la distribución de frecuencias, su grado de dispersión y su grado de asimetría en torno a la mediana. 5.4.1. U -test de Mann-Whitney-Wilcoxon Este test es utilizado para ver la signicación de dos grupos de muestras. El estadístico esta denido por Ua=NaNb+Na(Na+ 1) 2−Ra (5.11) para el grupo de muestra a . Para el grupo de muestra b el estadístico es el análogo. Se denota como Na al tamaño muestral del grupo a y como Nb al tamaño del grupo b . R1 y R2 es la suma de los rangos para cada grupo, una vez han sido ordenados todos los valores. En las Tablas 5.1 se puede ver un ejemplo para comprender mejor qué son las R y las N . La distribución muestral U es simétrica y tiene una media y una varianza dadas por µU=N1N2 2σ2 U=N1N2(N1+N2+ 1) 12 (5.12) Si N1 y N2 son al menos iguales a 8 muestras, resulta que la distribución de U es aproximadamente normal, de manera que z=U−µU σU (5.13) está normalmente distribuido con media 0 y varianza 1. Si se usa la tabla de áreas bajo la curva normal canónica (véase el Anexo I) entre 0 y z , se puede decidir si los grupos son estadísticamente diferentes. Cuando la hipótesis es que no hay diferencia entre los grupos, la condición que se debe dar para concluir que sí hay diferencia signicativa entre los grupos al nivel de signicación 0.05 es que −1,96 ≤z≤1,96 . Y para el nivel de 0.01 que −2,57 ≤z≤2,57 .
44 CAPÍTULO 5. EXTRACCIÓN DE CARACTERÍSTICAS Grupo a Grupo b 1.3 2.1 3.6 7 4 8.8 5.2 9.3 6.3 14 12 23.1 17.9 24.6 20.2 25.6 21 (a) Grupos de muestras Rango 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 Observación 1.3 2.1 3.6 4 5.2 6.3 7 8.8 9.3 12 14 17.9 20.2 21 23.1 24.6 25.6 Población a b a a a a b b b a b a a a b b b (b) Combinación de menor a mayor y asignación rangos Ra 68 Rb 85 Na 9 Nb 8 (c) Valores de R y N Tabla 5.1: Ejemplo de la prueba de Mann-Whitney-Wilcoxon 5.4.2. H -test de Kruskal-Wallis El U -test es un test no paramétrico para decidir si dos muestras provienen o no de la misma población. Una generalización para k muestras la da el H -test de Kruskal-Wallis, o simplemente H -test. Se puede denir de manera análoga al U -test: sean k muestras de tamaños N1 , N2 , ..., Nk , con tamaño suma total N=N1+N2+... +Nk , con suma de rangos R1 , R2 , ..., Rk , respectivamente. Si se dene el estadístico H=12 N(N+ 1) k X j=i R2 j Nj −3(N+ 1) (5.14) se puede demostrar que su distribución de muestreo es muy próxima a una distribución ji-cuadrado, con k−1 grados de libertad, suponiendo que N1 , N2 , ..., Nk son al menos 5 todos ellos. Usando la tabla de valores percentiles ( χ2 p ) para la distribución ji-cuadrado con υ grados de libertad (véase el Anexo II) se puede realizar la comparación para comprobar si existe un nivel de signicación entre los grupos. En caso de que H > χ2 0,95 para el nivel de 0.05 o de H > χ2 0,99 para el nivel de 0.01, se puede concluir que existe diferencia
5.4. ANÁLISIS ESTADISTICO DE LOS PARÁMETROS 45 signicativa entre grupos. 5.4.3. Diagrama de caja ( boxplot ) Consiste en un rectángulo de anchura arbitraria, y sus dos bases representan el primer y tercer cuartiles de la distribución. Dentro del rectángulo hay una línea de trazo grueso que representa la mediana. Además hay otros dos trazos horizontales (patillas) que representan los valores máximo y mínimo que no se consideran anómalos (valores adyacentes). Por último, por encima y por debajo de las patillas están representados de forma individual todos los valores anómalos de la distribución. −0.4 −0.2 0 0.2 0.4 0.6 0.8 1 1.2 1 valor anómalo Valor máximo Valor mínimo Percentil 25 (Q1) Percentil 75 (Q3) Mediana 50% de los datos Figura 5.5: Diagrama de caja
46 CAPÍTULO 5. EXTRACCIÓN DE CARACTERÍSTICAS
Capítulo 6 Clasicador 6.1. Introducción Clasicar (o reconocer) signica asociar a clases una serie de elementos (u objetos) de procedencia desconocida. Esta asociación se realiza en base a las características o propiedades de los objetos que, comparados con unos patrones ya establecidos en el clasicador y correctamente etiquetados, permite discernir qué patrones son más parecidos y, posteriormente, vincular a una de las clases establecidas. El objetivo nal de un sistema de reconocimiento de patrones es el etiquetar de forma automática elementos de los cuales se desconoce su clase. Todo clasicador tiene dos etapas, aprendizaje y clasicación. El aprendizaje consiste en enseñar al clasicador qué patrones corresponde a qué clases. Por lo tanto, cuanta más variedad de patrones distintos tenga una clase, más importante es realizar un aprendizaje completo, pues más difícil será que no sea reconocido por el clasicador. Así, el clasicador sabrá qué patrones corresponden a esas clases y más difícilmente podrá etiquetar de manera equivocada un elemento de procedencia desconocida. La etapa de clasicación consiste en proporcionar al clasicador nuevos elementos, independientes de los utilizados en el aprendizaje, para que este los etiquete a su clase correspondiente. Lo ideal en un clasicador matemático es que los patrones estén claramente diferenciados y puedan ser separados de forma clara, pues así la tasa de acierto será mayor por la simplicidad para discernir entre las diferentes clases. Para ello, es necesario extraer características o patrones discriminantes, como se ha se visto en el capítulo anterior. Los patrones de una misma clase presentan cierta variabilidad natural, no obstante, deben estar relativamente cercanos en el espacio de representación, y lejanos respecto a los patrones de otras clases. Esta situación, en un caso ideal, hace que se distingan diferentes agrupamientos en el espacio de representación (véase la Figura 6.1), uno por cada clase considerada y en estos casos es posible asociar regiones disjuntas a cada una de las clases representadas. A continuación, se introducirá el principal clasicador utilizado para el presente PFC, 47
48 CAPÍTULO 6. CLASIFICADOR 0 2 4 6 8 10 12 14 16 18 0 2 4 6 8 10 12 14 16 18 CLASE 2 CLASE 1 Figura 6.1: Distribución de clases intentando evitar en la medida de lo posible aquellos aspectos matemáticos que pudieran ser muy cargantes, teniendo en cuenta siempre que tras estos clasicadores hay un fondo estadístico muy complejo. Por ello, y para facilitar la compresión, se intentan describir las particularidades del clasicador de manera sencilla. También se comentará cómo se ha realizado la selección de características para el clasicador. La librería utilizada en este PFC para poder llevar a cabo la clasicación ha sido la librería PRTools [29]. 6.2. Introducción a la regresión logística Hay que encontrar un término medio entre la capacidad explicativa del modelo (claridad) y su poder de predicción. En general, conforme aumenta el poder de predicción del modelo baja su capacidad de interpretar el fenómeno objeto de estudio. Es decir, cuanta más precisión se busca en un clasicador, más difícil es interpretar la importancia de las variables en su predicción. Un modelo que aúna un buen poder de predicción con una magníca interpretación de los resultados es la regresión logística [10]. Un modelo de regresión lineal tiene la forma ˆ Y=ˆ β0+ p X j=1 Xjˆ βj (6.1) siendo ˆ Y la salida a predecir, X un vector de parámetros y ˆ β un vector de coecientes. Para simplicar la explicación del modelo, se tomará una única característica del vector X , por lo que los únicos coecientes ˆ β serán ˆ β0 y ˆ β1 , quedando de la forma y=β0+β1x (6.2) y se estiman los coecientes utilizando el criterio de máxima verosimilitud (para una explicación extensa, véase Anexo III). Si se toman esperanzas a ambos lados de la ecuación, y tras realizar algunas operaciones, se llega a que la probabilidad de pertenecer a una clase
6.3. SELECCIÓN DE CARACTERÍSTICAS 49 u otra (tener en cuenta que la clasicación se realiza de manera biclase: apnea o no apnea) se puede denir de la forma pi=β0+β1x (6.3) El inconveniente principal de esta formulacion es que la pi debe estar entre cero y uno, y no hay ninguna garantía de que la predicción 6.3 verique esta restricción, ya que el modelo puede prever probabilidades mayores que la unidad. Esto no es un problema insalvable para clasicar, pero lo es si se quiere interpretar el resultado de la regla de clasicación como una probabilidad de pertenencia a cada población. Si se quiere que el modelo proporcione directamente la probabilidad de pertenecer a cada uno de los grupos, debemos transformar la variable respuesta de algún modo para garantizar que la respuesta prevista esté entre cero y uno. Si se toma, pi=F(β0+β1x) (6.4) se garantiza que pi estará comprendido entre 0 y 1 si F cumple esa propiedad. Como se había comentado, el hecho de poder interpretar los resultados era uno de los puntos fuertes para el uso de este clasicador, y esto se puede ver analizando el peso de los coecientes β . En general, cuanto mayor es el peso, más importancia tendrá esa característica en la predicción. 6.3. Selección de características Un proceso básico para cualquier clasicador es la selección de características. Este proceso consiste en seleccionar aquellas variables más discriminantes para la clasicación y desechar aquellas que presenten altas correlaciones o no aporten información para el caso de estudio. Existen varias técnicas para este propósito. En este PFC, se ha decidido utilizar la técnica de sequential forward feature selection , que consiste en añadir a un vector de características, V , inicialmente vacío, aquellas características que, individualmente, obtienen una mejor tasa de detección. Para ejemplicar el proceso de selección de características, se puede ver la Figura 6.2. La función J(x) representa la tasa de mejora en el entrenamiento y las xi las características. Cada coeciente delante de las variables representa el peso de estas sobre la tasa, a mayor peso, mejor tasa proporciona esa variable. En la Figura 6.2 únicamente se ha realizado una iteración. Para una mayor precisión, es apropiado repetir este proceso varias veces y, una vez se hayan realizado varias iteraciones, se tendrá una matriz V , de orden N x p , siendo N el número de iteraciones y p el número de parámetros. Esta matriz hay que analizarla para ver los parámetros que más se repiten en las primeras posiciones (aportan mayor capacidad discriminante) para escogerlas para el proceso de clasicación y desechar aquellas que no están aportando información.
56 CAPÍTULO 7. DETECCIÓN AUTOMÁTICA DE SAOS Para subsanar este hecho, se decide diagnosticar como pacientes patológicos a aquellos pacientes que tienen apneas en más de un 8% de los minutos sobre el tiempo total registrado, y como pacientes sanos a aquellos que tienen menos de un 8% . Este valor no está escogido al azar, y se explica porque el 8% de los minutos de una hora son 4,8 minutos, que prácticamente corresponde a un IAH de 5. Este valor de IAH es el valor frontera por el cual se determina a un paciente como patológico o sano. También se presentan los resultados con el 16%, que corresponde con un IAH de 10. Una vez presentados cada una de los parámetros que se utilizarán para medir la calidad del sistema, se procede a la presentación de análisis y resultados de cada una de las bases de datos explicadas en el Capítulo 4. Finalmente, tras varias pruebas, se comprobó que la señal PP procedente del pulso no aportaba buenos resultados, por lo que no se muestran en el informe. 7.2. Evaluación de los parámetros extraídos Antes de realizar la clasicación automática, es interesante hacer un análisis de los parámetros extraídos a las señales para comprobar si son discriminantes. Para ello, se hará uso del diagrama de caja y de los tests expuestos en el Capítulo 5. Estos análisis están realizados a partir de los pacientes designados a entrenar al sistema, de los cuales tenemos su etiquetado minuto a minuto. En primer lugar, se analizan alguno de los parámetros temporales utilizados y después se hace una comparación del periodograma de la señal RR de dos momentos, uno en el que se produce una apnea y otro con un momento sin apnea. Por ejemplo, se observa en la Figura 7.1 que el parámetro PE para la base de datos de PhysioNet se comporta de manera más discriminante que para la HuGCDN2014, que aunque también aporta bastante información, no tiene una capacidad de diferenciación tan elevada. Otros parámetros, como la DFA1 y la DFA2 (mostrados en las Figura 7.2 y 7.3) aportan una gran información en ambas bases de datos, por lo que se espera que resulten útiles cuando se realice la clasicación automática. Recordar que en estos diagramas, lo que interesa es que las cajas de datos (donde se encuentra el 50% de los datos) estén separadas, esto es, que no se solapen, pues indicará que los datos están separados numéricamente. Mientras que también se espera que el periodograma ayude a la localización de apneas (Figura 7.4), ya que, por lo general, la presencia de apneas produce un movimiento arrítmico en el corazón que resulta en una componente espectral entre 0.01 y 0.1 Hz de mayor potencia.
7.2. EVALUACIÓN DE LOS PARÁMETROS EXTRAÍDOS 57 3.5 4 4.5 5 5.5 6 6.5 7 Apnea No apnea (a) Base de datos de PhysioNet 4.5 5 5.5 6 6.5 7 Apnea No apnea (b) Base de datos de HuGCDN2014 Figura 7.1: Diagrama de caja del parámetro PE 0 0.5 1 1.5 2 Apnea No apnea (a) Base de datos de PhysioNet 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 Apnea No apnea (b) Base de datos de HuGCDN2014 Figura 7.2: Diagrama de caja del parámetro DFA1
58 CAPÍTULO 7. DETECCIÓN AUTOMÁTICA DE SAOS 0 0.5 1 1.5 2 Apnea No apnea (a) Base de datos de PhysioNet 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 Apnea No apnea (b) Base de datos de HuGCDN2014 Figura 7.3: Diagrama de caja del parámetro DFA2 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5 −50 −40 −30 −20 −10 0 10 20 30 Frecuencia (Hz) Potencia (dB/Hz) Componente apneico (a) Momento con apnea 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5 −50 −40 −30 −20 −10 0 10 20 30 Frecuencia (Hz) Potencia (dB/Hz) (b) Momento sin apnea Figura 7.4: Comparación del periodograma de un momento apneico y no apneico
7.3. PARÁMETROS CLÍNICOS MÁS SIGNIFICATIVOS 59 7.3. Parámetros clínicos más signicativos Además del diagnóstico automático mediante procesado de señales y algoritmos de clasicación, en este PFC se han realizado otros estudios para intentar determinar qué factores pueden inuir en los pacientes para padecer el SAOS. En este caso se trabaja con otro tipo de variables, como son el peso, altura, edad... No son parámetros extraídos de señales siológicas, sino que son parámetros clínicos recogidos a través de la observación. Este estudio se ha realizado utilizando los diferentes tests de hipótesis explicados en el Capítulo 5, los cuales indican si una variable es o no signicativa. Los parámetros clínicos han sido proporcionados por el Hospital Universitario Doctor Negrín para la base de datos HuGCDN2014, donde se recogen diferentes datos de los pacientes diagnosticados. Se han realizado dos tests por cada variable clínica, uno para diferenciar entre los pacientes desaturadores y no desaturadores y otro para diferenciar entre los tres grupos. 7.3.1. Índice de masa corporal (IMC) En los estudios de prevalencia del SAOS [2, 15], el IMC es uno de los factores de riesgo para padecer SAOS. p Grupos analizados U -test H -test Desaturadores/No desaturadores 0,2782 − Desaturadores/No desaturadores/Controles −0,0159 Tabla 7.1: Signicación de grupos respecto a su IMC Desaturadores No desaturadores Controles 20 25 30 35 40 45 Figura 7.5: Datos de IMC por grupo Se considera que existe una diferencia signicativa entre los grupos en valores de p < 0,05 . En el caso del IMC, se observa que la diferencia signicativa existe cuando incorporamos
60 CAPÍTULO 7. DETECCIÓN AUTOMÁTICA DE SAOS el grupo de control al estudio, lo que se podía esperar con los estudios precedentes. De esta forma, se ha podido corroborar que un IMC mayor es un factor de riesgo para padecer el síndrome de apnea obstructiva del sueño. 7.3.2. Edad Se cree que los individuos de mayor edad son más propensos a padecer SAOS debido a que la fuerza de los músculos de la garganta es menor y, por lo tanto, el esfuerzo para respirar es mayor, lo que produce más apneas. p Grupos analizados U -test H -test Desaturadores/No desaturadores 0,8178 − Desaturadores/No desaturadores/Controles −0,2551 Tabla 7.2: Signicación de grupos respecto a su edad Desaturadores No desaturadores Controles 20 30 40 50 60 70 Figura 7.6: Datos de edad por grupo En la base de datos aportada por el Hospital Doctor Negrín, no se ven diferencias entre los grupos.
7.3. PARÁMETROS CLÍNICOS MÁS SIGNIFICATIVOS 61 7.3.3. Número de apneas durante el sueño Desde un principio, para el objetivo de este proyecto, se ha tratado a las apneas de igual forma que a las hipoapneas para el diagnóstico automático, pero es interesante ver cómo se maniestan estos desórdenes en función de los pacientes. De esta manera, se intenta averiguar si el número de apneas es una variable que determina la relación entre ser un paciente desaturador o uno no desaturador. Y, como obviamente se va a demostrar, que el número de apneas en los pacientes controles es signicativo, pues es el principio básico de la separación de grupos. p Grupos analizados U -test H -test Desaturadores/No desaturadores 0,7928 − Desaturadores/No desaturadores/Controles −0,00002789 Tabla 7.3: Signicación de grupos respecto al número de apneas Desaturadores No desaturadores Controles 0 50 100 150 200 250 Figura 7.7: Datos de número de apneas por grupo Esta variable no muestra una diferencia clara entre poblaciones de desaturadores y no desaturadores, mientras que con el grupo de control, como era de esperar, sí existe una signicancia.
62 CAPÍTULO 7. DETECCIÓN AUTOMÁTICA DE SAOS 7.3.4. Número de hipoapneas durante el sueño Al igual que con las apneas, se ha realizado un estudio para comprobar si las hipoapneas son una variable que pueda diferenciar los grupos. p Grupos analizados U -test H -test Desaturadores/No desaturadores 0,8695 − Desaturadores/No desaturadores/Controles −0,00002677 Tabla 7.4: Signicación de grupos respecto al número de hipoapneas Desaturadores No desaturadores Controles 0 50 100 150 200 250 Figura 7.8: Datos de número de hipoapneas por grupo Al igual que con la variable de apneas, las hipoapneas no aportan una diferencia clara entre los distintos grupos.
7.4. RESULTADOS DEL SISTEMA 63 7.4. Resultados del sistema Una vez se ha realizado la extracción de características y la selección de los parámetros más signicativos, se procede a validar el sistema con nuevos pacientes. Para comprobar la eciencia del sistema, es necesario conocer el etiquetado de estos pacientes de validación, que se utilizará para comprobar si los resultados dados por el clasicador propuesto son correctos. Como se comentó en capítulos anteriores, el objetivo principal de este PFC es conseguir un sistema estable que funcione para cualquier base de datos, por lo que para la presentación de resultados se ha procedido de la siguiente forma: Resultados con la base de datos de PhysioNet Resultados con la base de datos de EURO2014 Comparativa del sistema entre ambas bases de datos
64 CAPÍTULO 7. DETECCIÓN AUTOMÁTICA DE SAOS 7.4.1. Base de datos de PhysioNet 7.4.1.1. EDR La primera prueba se ha realizado a partir de la señal EDR, aplicándole un banco de 20 ltros equiespaciados y estimando la potencia en cada uno de ellos. Los resultados obtenidos se representan en la Tabla 7.5. BBDD PhysioNet Número de pacientes validación 35 Número de características 20 Número de características seleccionadas 6 Sensibilidad (%) 64.334 Especicidad (%) 86.465 Tasa de cuanticación (%) 78.047 Tasa global (%)* 88.571 Correlación 0,83723 * Umbral de decisión = 8% de apneas por hora (a) Tabla Características seleccionadas 1 ª Filtro 2 2 ª Filtro 1 3 ª Filtro 4 4 ª Filtro 12 5 ª Filtro 8 6 ª Filtro 3 (b) Características seleccionadas Tabla 7.5: Resultados con EDR (PhysioNet) 0 10 20 30 40 50 60 70 80 90 100 x01 x02 x03 x04 x05 x06 x07 x08 x09 x10 x11 x12 x13 x14 x15 x16 x17 x18 x19 x20 x21 x22 x23 x24 x25 x26 x27 x28 x29 x30 x31 x32 x33 x34 x35 MANUAL EDR Línea del 8% Línea del 16% Figura 7.9: Resultados por paciente con EDR (PhysioNet)
7.4. RESULTADOS DEL SISTEMA 65 7.4.1.2. RR En este caso, para esta señal se han realizado varias pruebas con distintos parámetros. Se presentan tres tablas (Tablas 7.6a, 7.6c y 7.6e) en las que se muestran los resultados del sistema. Para la primera tabla se ha parametrizado la serie RR con un banco de 20 ltros, para la segunda se han utilizado los 20 primeros parámetros cepstrales y en la tercera se han juntado las dos parametrizaciones anteriores más la PE y dos variables más utilizando el mecanismo de la DFA (ambos parámetros explicados detalladamente en el Capítulo 5). BBDD PhysioNet Número de pacientes validación 35 Número de características 20 Número de características seleccionadas 10 Sensibilidad (%) 70.291 Especicidad (%) 87.151 Tasa de cuanticación (%) 80.696 Tasa global (%)* 88.571 Correlación 0.8529 (a) Con FBANK Características seleccionadas 1 ª Filtro 2 2 ª Filtro 3 3 ª Filtro 6 4 ª Filtro 14 5 ª Filtro 4 6 ª Filtro 7 7 ª Filtro 1 8 ª 9 ª 10 ª Filtros 33, 10 y 22 (b) BBDD PhysioNet Número de pacientes validación 35 Número de características 20 Número de características seleccionadas 20 Sensibilidad (%) 63.788 Especicidad (%) 89.653 Tasa de cuanticación (%) 79.75 Tasa global (%)* 80 Correlación 0.79459 (c) Con cepstrum Características seleccionadas Todas, con un peso mayor de los parámetros cepstrum 4, 16, 15 y 3, como era de esperar analizando los estudios [24, 23]. (d) BBDD PhysioNet Número de pacientes validación 35 Número de características 56 Número de características seleccionadas 56 Sensibilidad (%) 73.976 Especicidad (%) 92.096 Tasa de cuanticación (%) 85.157 Tasa global (%)* 91.429 Correlación 0.9015 (e) Con FBANK+cepstrum+PE+DFA1+DFA2 Características seleccionadas Todas (f) * Umbral de decisión = 8% de apneas por hora Tabla 7.6: Resultados con RR (PhysioNet)
72 CAPÍTULO 7. DETECCIÓN AUTOMÁTICA DE SAOS 7.4.2.3. EDR+RR Los parámetros utilizados para este caso han sido un banco de 20 ltros para la señal EDR y la serie RR con 57 parámetros repartidos de la siguiente manera: banco de 34 ltros, la PE, dos parámetros DFA y los 20 parámetros cepstrales (Figura 7.14). BBDD HuGCDN2014 Número de pacientes validación 39 Número de características 77 Número de características seleccionadas 9 Sensibilidad (%) 55.719 Especicidad (%) 94.025 Tasa de cuanticación (%) 84.771 Tasa global (%)* 92.308 Correlación 0.82187 * Umbral de decisión = 8% de apneas por hora (a) Características seleccionadas 1 ª Filtro 3 (RR) 2 ª Filtro 2 (EDR) 3 ª Cepstrum 1 4 ª DFA1 5 ª Filtro 1 (RR) 6 ª Filtro 2 (RR) 7 ª Filtro 5 (RR) 8 ª Filtro 13 (RR) 9 ª Filtro 4 (EDR) (b) Tabla 7.10: Resultados con EDR+RR (HuGCDN2014) 0 10 20 30 40 50 60 70 80 90 100 MANUAL EDR+RR Línea del 8% Línea del 16% Figura 7.14: Resultados por paciente con EDR+RR (HuGCDN2014)
7.4. RESULTADOS DEL SISTEMA 73 7.4.2.4. SaO2 En este caso, al ser una base de datos recopilada especialmente para este PFC, se ha podido extraer la señal de saturación de oxígeno en sangre de los pacientes durante la noche de estudio. Esta señal se ha parametrizado de forma que se han obtenido 22 variables: la varianza en el minuto de interés, la varianza en la ventana de 5 minutos centrado en el minuto de interés y 20 ltros equiespaciados (Figura 7.11). BBDD HuGCDN2014 Número de pacientes validación 39 Número de características 22 Número de características seleccionadas 9 Sensibilidad (%) 84.062 Especicidad (%) 94.192 Tasa de cuanticación (%) 91.743 Tasa global (%)* 100 Correlación 0.98284 * Umbral de decisión = 8% de apneas por hora (a) Características seleccionadas 1 ª varianza en 1 minuto 2 ª Filtro 4 3 ª Filtro 14 4 ª Filtro 5 5 ª Filtro 10 6 ª Filtro 6 7 ª Filtro 9 8 ª Filtro 16 9 ª Filtro 7 (b) Tabla 7.11: Resultados con SaO2 (HuGCDN2014) 0 10 20 30 40 50 60 70 80 90 100 MANUAL SAO2 Línea del 8% Línea del 16% Figura 7.15: Resultados por paciente con SaO2 (HuGCDN2014)
74 CAPÍTULO 7. DETECCIÓN AUTOMÁTICA DE SAOS 7.4.2.5. Aportación de la señal RR a los pacientes no desaturadores Como se ha visto hasta ahora (Figura 7.15), los pacientes que presentan caídas de sus valores de saturación de oxígeno en los momentos de apnea, son correctamente diagnosticados utilizando únicamente la señal de SaO2, pues se consigue una tasa del 100% con este tipo de individuos. Aunque cabría pensar que no es necesario utilizar otras señales para el diagnóstico del SAOS, en la Figura 7.16a se presentan los resultados que da esta señal para pacientes que no desaturan y, como se observa, hay algunos que no son correctamente diagnosticados (los pacientes NDES02, NDES03, NDES13 y NDES29 se encuentran por debajo del umbral del 8%). Este hecho era esperable, ya que su señal de saturación no presenta caídas en los momentos apneicos y la SaO2 no aporta información suciente. Como se introdujo en el Capítulo 3, la señal RR suele tener un comportamiento anómalo en los momentos apneicos, debido a la aceleración y desaceleración del corazón en esos momentos. Por lo tanto, se espera que esta señal sea capaz de mejorar la sensibilidad del sistema y permita diagnosticar correctamente a algunos de los pacientes que, utilizando únicamente la SaO2, no es posible. La parametrización utilizada para la serie RR es un banco de 34 ltros equespaciados. Tras analizar los resultados con este nuevo grupo de señales, se observa (Figura 7.16) que 2 de los 4 pacientes que antes eran diagnosticados incorrectamente, ahora son considerados patológicos. El paciente NDES13 pasa de un 2% a casi un 20%, y el paciente NDES29 pasa de un 5,8% a un 9,3%. Además, se observa una mejoría en la correlación de los resultados, pasando de un 0.8907 con la señal de SaO2 a un 0.8997 cuando se aporta la información de la señal RR. De esta forma, se conrma que la señal RR ayuda a mejorar la sensibilidad del sistema, ya que proporciona información que la SaO2 no puede aportar para la clasicación automática en ciertos pacientes.
7.4. RESULTADOS DEL SISTEMA 75 BBDD HuGCDN2014 Número de pacientes validación 11 Número de características 22 Número de características seleccionadas 9 Sensibilidad (%) 32.61 Especicidad (%) 94.91 Tasa de cuanticación (%) 73.64 Tasa global (%)* 66.67 Correlación 0.8907 * Umbral de decisión = 8% de apneas por hora (b) Características seleccionadas 1 ª varianza en 1 minuto 2 ª Filtro 4 3 ª Filtro 14 4 ª Filtro 5 5 ª Filtro 10 6 ª Filtro 6 7 ª Filtro 9 8 ª Filtro 16 9 ª Filtro 7 (c) (c) Con SaO2 BBDD HuGCDN2014 Número de pacientes validación 11 Número de características 56 Número de características seleccionadas 9 Sensibilidad (%) 44.14 Especicidad (%) 93.44 Tasa de cuanticación (%) 76.608 Tasa global (%)* 81.81 Correlación 0.8997 * Umbral de decisión = 8% de apneas por hora (e) Características seleccionadas 1 ª varianza en 1 minuto 2 ª Filtro 3 (RR) 3 ª Filtro 2 (RR) 4 ª Filtro 9 (SaO2) 5 ª Filtro 4 (SaO2) 6 ª Filtro 8 (SaO2) 7 ª Filtro 5 (RR) 8 ª Filtro 12 (SaO2) 9 ª Filtro 5 (SaO2) (f) (f) Con SaO2+RR Tabla 7.12: Resultados con SaO2 y SaO2+RR (HuGCDN2014)
76 CAPÍTULO 7. DETECCIÓN AUTOMÁTICA DE SAOS 0 10 20 30 40 50 60 70 NDES02 NDES03 NDES05 NDES06 NDES13 NDES25 NDES27 NDES29 NDES30 NDES35 NDES38 MANUAL SAO2 Línea del 8% Línea del 16% (a) SaO2 0 10 20 30 40 50 60 70 NDES02 NDES03 NDES05 NDES06 NDES13 NDES25 NDES27 NDES29 NDES30 NDES35 NDES38 MANUAL SAO2+RR Línea del 8% Línea del 16% (b) SaO2+RR Figura 7.16: Comparativa SaO2 y SaO2+RR para pacientes que no desaturan
7.4. RESULTADOS DEL SISTEMA 77 7.4.2.6. Conclusiones sobre los resultados con la base de datos de HuGCDN2014 Los resultados con esta base de datos demuestran que los algoritmos implementados para la base de datos de PhysioNet funcionan de manera notable. Al usar el mismo tipo de señales para ambas bases de datos, se pueden encontrar las correlaciones entre las variables más signicativas, de modo que se pueda hacer un análisis global del estudio. En el primer estudio, analizando la EDR, se observa que las características seleccionadas están muy correladas entre ambas bases de datos. Al igual que con la base de datos de PhysioNet, en este estudio se vuelven a seleccionar 3 variables como las más signicativas, siendo en los dos casos los primeros ltros de la EDR. La tasa de cuanticación es superior a la de base de datos de PhysioNet, pero la sensibilidad es signicativamente menor, así como su tasa global. Esto se debe a que el umbral tomado para la clasicación es aquel que optimiza la cuanticación. Por eso, aunque la tasa de cuanticación sea mayor, los resultados son ligeramente mejores con la BBDD de PhysioNet. La serie RR (utilizando parámetros FBANK) también tiene resultados similares en ambos casos, e incluso se consigue seleccionar menos características. Otra vez los primeros ltros (concretamente el 1 º , el 2 º , el 3 º y el 7 º ) de la serie RR son los más signicativos. La señal RR de los pacientes recogidos por el Hospital Doctor Negrín aporta algo menos de información en los procesos apneicos que las mismas señales de la BBDD de PhysioNet, pero aún así se observa que siguen unos determinados patrones. Hay que destacar la diferencia entre los resultados con parámetros cepstrales conseguidos entre las dos bases de datos. Mientras que en PhysioNet parecen funcionar bastante bien, en la base de datos recogida para este PFC, no se observan buenos resultados, a tenor de lo observado en su valor de correlación, inferior al 60%. Aunque el resto de tasas no presentan malos resultados en este experimento, la correlación indica que no hay un buen paralelismo entre los porcentajes de apnea manuales y los porcentajes de apnea automáticos. En el experimento en el que se utilizan las señales EDR y las RR, se observa una mejoría cuantitativa respecto al aporte individual de cada una de ellas. En esta base de datos, la unión de señales aporta mucha más información que en el caso de PhysioNet. Además, otra vez aparece la variable DFA1 como variable signicativa, lo que otorga un gran valor a este parámetro. Como conclusión general sobre estas dos señales, se puede observar que las señales derivadas del ECG para el diagnóstico de apneas tienen sus limitaciones, pues se comprueba que ciertos pacientes sufren braquicardias y taquicardias más pronunciadas que otros, y el sistema en ocasiones no puede determinar correctamente si se está produciendo una apnea. La BBDD de PhysioNet parece presentar una disposición más optimista. Los estudios con SaO2 demuestran que esta señal es muy importante en aquellos pacientes que sufren desaturaciones cuando padecen una apnea. Una tasa signicativa en este experimento es el de la correlación, de 0.98284, que indica la alta precisión del sistema. Se consigue diagnosticar a todos los pacientes correctamente. Además, como indica el valor de correlación, las tasas de diagnóstico automáticas son muy parecidas a los
78 CAPÍTULO 7. DETECCIÓN AUTOMÁTICA DE SAOS porcentajes de apneas etiquetados manualmente por el especialista. Sin embargo, este estudio está realizado utilizando únicamente los pacientes que desaturan, por lo que era esperable que esta señal aportara la cantidad de información suciente para poder clasicar correctamente. Los estudios con SaO2 en pacientes no desaturadores demuestran que, a veces, esta señal no puede aportar toda la información necesaria para diagnosticar a todos los pacientes, pues las apneas se maniestan de diferente forma en cada sujeto. Algunos de los pacientes que no desaturan de manera tan abrupta en sus momentos apneicos, no son posibles de diagnosticar utilizando únicamente la señal de SaO2. Por ello, se combina el uso de la señal RR con la señal de SaO2, obteniendo mejores resultados. Se consigue aumentar la sensibilidad del sistema en casi un 12%, lo que permite que dos de los pacientes que antes no se diagnosticaban correctamente, ahora sí se evalúen correctamente. El aumento, por tanto, de la sensibilidad es signicativa.
Capítulo 8 Sistema físico para recolección de datos 8.1. Introducción En los estudios realizados se han utilizados las dos bases de datos descritas en el Capítulo 4. Otro de los objetivos planteados en este PFC era conseguir un sistema que pudiera encargarse de la recolección de las señales siológicas, y de este modo, generar bases de datos propias. Para construirlo se ha intentado recurrir lo máximo posible a un sistema de hardware libre 1 , lo que permite hacer modicaciones sobre el mismo. En este caso, se ha optado por un sistema Arduino [3], basado en esta losofía, junto a algunos componentes diseñados por la empresa española Libelium, en su sección de Cooking-Hacks [13]. El entorno de desarrollo para Arduino es gratis, libre y multiplataforma (funciona en Linux, MacOS y Windows) y permite escribir, vericar y guardar en la memoria del microcontrolador el conjunto de instrucciones que se desea que se ejecuten. El lenguaje de programación es también libre, y está inspirado en otro lenguaje llamado Processing, aunque el lenguaje Arduino se basa internamente en código C/C++. (a) Arduino Uno y Wireless SD Shield (b) Componentes diseñados por Libelium Figura 8.1: Componentes utilizados para el sistema de recolección 1 Se llama hardware libre o electrónica libre a aquellos dispositivos de hardware cuyas especicaciones y diagramas esquemáticos son de acceso público, ya sea bajo algún tipo de pago o de forma gratuita. 79
80 CAPÍTULO 8. SISTEMA FÍSICO PARA RECOLECCIÓN DE DATOS 8.2. Objetivo del sistema El objetivo principal de este sistema es extraer los valores de ciertas señales siológicas (en este PFC se ha utilizado un pulsioxímetro, aunque el sistema se puede ampliar fácilmente para registrar ECG, ujo de aire...) y guardarlos en una memoria ash que se encuentre incrustada en el sistema. De esta forma, al encender el dispositivo se irán guardando automáticamente los valores provenientes del sensor de oxímetría en una tarjeta microSD y, al apagar el dispositivo, se detendrá el almacenamiento. Posteriormente, estos datos que se han guardado en la memoria se introducirán en un ordenador con los algoritmos matemáticos necesarios para el diagnóstico. 8.3. Hardware 8.3.1. Arduino UNO El Arduino Uno es una placa microcontroladora basada en el chip ATmega328. Tiene 14 pines digitales de entrada/salida, 6 entradas analógicas, un resonador cerámico a 16 MHz, se puede alimentar mediante batería o con un cable USB, y se programa a través de un ordenador. La comunicación entre el microcontrolador y el ordenador se realiza a través del puerto serie, que en el Arduino Uno corresponde con los pines digitales 0 y 1. Un resumen de las características de esta placa es: Microcontrador: ATmega328. Tensión para ser programado: 5V. Tensión de entrada (recomendada): 7-12V. Tensión de entrada (límites): 6-20V. 14 pines digitales de entrada/salida [de los cuales 6 proporcionan a su salida PulseWidth Modulation (PWM) si se desea]. 6 pines analógicos de entrada. Corriente continua por pin de entrada/salida: 40 mA. Corriente continua por pin de 3.3V: 50 mA. Memoria ash de 32 KB (ATmega328) de la cual 0.5 KB es usada para el gestor de arranque. SRAM 2 KB (ATmega328) EEPROM 1 KB (ATmega328) Velocidad del reloj: 16 MHz
8.3. HARDWARE 81 Además, existen varios fabricantes (ociales y no ociales) que han diseñado placas que se conectan directamente al Arduino utilizando todos o parte de sus pines para añadirle más funcionalidades a los sistemas. A estas placas que se conectan directamente al Arduino se las denomina como shields. Para este PFC, se ha utilizado una de estas shields, la Wireless SD Shield, que permite conectarle una tarjeta microSD al sistema, asi como un módulo inalámbrico (protocolo WiFi, ZigBee, Bluetooth...) para el envío de datos sin cables. 8.3.2. Wireless SD Shield Aunque esta shield permite también conectividad inalámbrica, para este PFC se ha decidido utilizar únicamente la parte dedicada al módulo SD. Mediante el zócalo incorporado, se puede introducir una tarjeta microSD de hasta 2 GB, suciente para la cantidad de datos que se quiere recolectar. Para poder comunicarse con esta tarjeta, la placa Arduino Uno utiliza el protocolo SPI, empleando para ello como pin SS el número 4, además de los pines 11, 12 y 13, todos ellos digitales. Además, para el manejo de la tarjeta es necesaria una librería de programación (denominada SD.h ) que necesita el pin digital 10. Esto se traduce en que se pierden 5 pines entrada/salida para cualquier otro propósito. La forma de conectar este shield es muy sencillo, pues sólo hay que colocarlo encima de la placa Arduino Uno y jar los pines, como se muestra en la Figura 8.1. Figura 8.2: Arduino Uno con el shield Wireless SD 8.3.3. Shield e-Health y pulsioxímetro Estos componentes son los que permiten recoger los valores de SaO2 y transmitírselos a la Wireless SD Shield. Son productos adquiridos a la empresa Libelium y están diseñados para acoplarse entre sí, como se muestra en la Figura 8.3. El pulsioxímetro utiliza 8 pines digitales de la placa e-Health, desde el 6 al 13. Esto nos restringirá las posibilidades de
88 CAPÍTULO 8. SISTEMA FÍSICO PARA RECOLECCIÓN DE DATOS
Bibliografía [1] Especicaciones del formato edf. http://www.edfplus.info/. [2] Consenso nacional sobre el síndrome de apneas-hipopneas del sueño (sahs) - resumen. Archivos de Bronconeumologia , 41, 2005. http://www.archbronconeumol.org/es/consenso-nacional-sobre-elsindrome/articulo/13084320/. [3] Arduino. Web ocial del proyecto arduino, Mayo. http://arduino.cc/. [4] Óscar Torrente Artero. Arduino: curso práctico de formación . RC Libros, 2013. [5] Gamaldo CE Harding SM Marcus CL Vaughn BV Berry RB, Brooks R and Tangredi MM. The AASM Manual for the Scoring of Sleep and Associated Events: Rules, Terminology and Technical Specications, Version 2.0. www.aasmnet.org, Darien, Illinois: American Academy of Sleep Medicine, 2012. [6] Doctor Claudio César Cárdenas. ¾en qué consiste una unidad del sueño? http://durmiendomejor.com/2011/12/blog/ [7] P De Chazal, C Heneghan, E Sheridan, R Reilly, P Nolan, and M O'Malley. Automatic classication of sleep apnea epochs using the electrocardiogram. In Computers in Cardiology 2000 , pages 745748. IEEE, 2000. [8] MA Ferrer-Ballester, CM Travieso-González, and JB Alonso-Hernández. Tratamiento Digital de la Señal. Fundamentos y aplicaciones. 2005. [9] Ary L Goldberger, Luis AN Amaral, Leon Glass, Jerey M Hausdor, Plamen Ch Ivanov, Roger G Mark, Joseph E Mietus, George B Moody, Chung-Kang Peng, and H Eugene Stanley. Physiobank, physiotoolkit, and physionet components of a new research resource for complex physiologic signals. Circulation , 101(23):e215e220, 2000. [10] T Hastie, J Friedman, and R Tibshirani. The elements of statistical learning , volume 2. Springer, 2009. [11] The MathWorks Inc. Matlab and statistics toolbox release 2012a. [12] Iikka Korhonen. Methods for the analysis of short-term variability of heart rate and blood pressure in frequency domain . Technical Research Centre of Finland, 1997. 89
90 BIBLIOGRAFÍA [13] Libelium. Web de cooking-hacks. http://www.cooking-hacks.com/. [14] C Maier, M Bauch, and H Dickhaus. Recognition and quantication of sleep apnea by analysis of heart rate variability parameters. In Computers in Cardiology 2000 , pages 741744. IEEE, 2000. [15] MÁ Martínez-García and J Durán-Cantolla. Apnea del sueño en atención primaria . SEPAR, 2009. [16] W McNicholas, L Doherty, S Ryan, J Garvey, P Boyle, and E. Chua. Base de datos de st. vincent's university hospital / university college dublin sleep apnea database, 2011. http://physionet.org/physiobank/database/ucddb/. [17] George B Moody, Roger G Mark, Andrea Zoccola, and Sara Mantero. Derivation of respiratory signals from multi-lead ecgs. Computers in cardiology , 12:113116, 1985. [18] Ciara O'Brien and Conor Heneghan. A comparison of algorithms for estimation of a respiratory signal from the surface electrocardiogram. Computers in biology and medicine , 37(3):305314, 2007. [19] Alan V Oppenheim, Alan S Willsky, and S Nawab. Signals and systems. 1997. Massachusetts Institute Technology, Boston University , 1997. [20] C-K Peng, Shlomo Havlin, H Eugene Stanley, and Ary L Goldberger. Quantication of scaling exponents and crossover phenomena in nonstationary heartbeat time series. Chaos: An Interdisciplinary Journal of Nonlinear Science , 5(1):8287, 1995. [21] Thomas Penzel, Jan W Kantelhardt, Ludger Grote, Jörg-Hermann Peter, and Armin Bunde. Comparison of detrended uctuation analysis and spectral analysis for heart rate variability in sleep and sleep apnea. Biomedical Engineering, IEEE Transactions on , 50(10):11431151, 2003. [22] AG Ravelo, CM Travieso, FD Lorenzo, JL Navarro, S Martín, JB Alonso, and M Ferrer. Application of support vector machines and gaussian mixture models for the detection of obstructive sleep apnoea based on the rr series. WSEAS Transactions on Computers , 5(1):121124, 2006. [23] AG Ravelo-García, JL Navarro-Mesa, E Hernández-Pérez, S Martín-González, P Quintana-Morales, I Guerra-Moreno, and G Juliá-Serdá. Cepstrum feature selection for the classication of sleep apnea-hypopnea syndrome based on heart rate variability. In Computing in Cardiology Conference (CinC), 2013 , pages 959962. IEEE, 2013. [24] AG Ravelo-García, JL Navarro-Mesa, E Hernández-Pérez, S Martín-González, P Quintana-Morales, I Guerra-Moreno, G Juliá-Serdá, and J. Navarro-Esteva. Obstructive sleep apnea detection based on cepstrum coecients from the rr series. In International Conference on Computer Aided Systems Theory (EUROCAST) , 2013. [25] M Riedl, A Müller, and N Wessel. Practical considerations of permutation entropy. The European Physical Journal Special Topics , 222(2):249262, 2013. [26] M Schrader, C Zywietz, V Von Einem, B Widiger, and G Joseph. Detection of sleep
BIBLIOGRAFÍA 91 apnea in single channel ecgs from the physionet data base. In Computers in Cardiology 2000 , pages 263266. IEEE, 2000. [27] Murray R Spiegel. Estadística . McGraw-Hill, 1984. [28] Carlos M Travieso, Jesús B Alonso, Marcos del Pozo-Baños, Jaime R Ticay-Rivas, and Karmele Lopez-de Ipiña. Automatic apnea identication by transformation of the cepstral domain. Cognitive Computation , 5(4):558565, 2013. [29] Ferdinand Van Der Heijden, Robert Duin, Dick De Ridder, and David MJ Tax. Classication, parameter estimation and state estimation: an engineering approach using MATLAB . John Wiley & Sons, 2005.
92 BIBLIOGRAFÍA
94 APÉNDICE A. TABLA DE DISTRIBUCIÓN NORMAL Apéndice A Tabla de distribución normal TABLA DISTRIBUCION NORMAL ESTANDAR ACUMULADA z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09 - .0 .5000 .4960 .4920 .4880 .4840 .4801 .4761 .4721 .4681 .4641 - .1 .4602 .4562 .4522 .4483 .4443 .4404 .4364 .4325 .4286 .4247 - .2 .4207 .4168 .4129 .4090 .4052 .4013 .3974 .3936 .3897 .3859 - .3 .3821 .3783 .3745 .3707 .3669 .3632 .3594 .3557 .3520 .3483 - .4 .3446 .3409 .3372 .3336 .3300 .3264 .3228 .3192 .3156 .3121 - .5 .3085 .3050 .3015 .2981 .2946 .2912 .2877 .2843 .2810 .2776 - .6 .2743 .2709 .2676 .2643 .2611 .2578 .2546 .2514 .2483 .2451 - .7 .2420 .2389 .2358 .2327 .2297 .2266 .2236 .2206 .2177 .2148 - .8 .2119 .2090 .2061 .2033 .2005 .1977 .1949 .1922 .1894 .1867 - .9 .1841 .1814 .1788 .1762 .1736 .1711 .1685 .1660 .1635 .1611 - 1.0 .1587 .1562 .1539 .1515 .1492 .1469 .1446 .1423 .1401 .1379 - 1.1 .1357 .1335 .1314 .1292 .1271 .1251 .1230 .1210 .1190 .1170 - 1.2 .1151 .1131 .1112 .1093 .1075 .1056 .1038 .1020 .1003 .09853 - 1.3 .09680 .09510 .09342 .09176 .09012 .08851 .08691 .08534 .08379 .08226 - 1.4 .08076 .07927 .07780 .07636 .07493 .07353 .07215 .07078 .06944 .06811 - 1.5 .06681 .06552 .06426 .06301 .06178 .06057 .05938 .05821 .05705 .05592 - 1.6 .05480 .05370 .05262 .05 155 .05050 .04947 .04846 .04746 .04648 .04551 - 1.7 .04457 .04363 .04272 .04182 .04093 .04006 .03920 .03836 .03754 .03673 - 1.8 .03593 .03515 .03438 .03362 .03288 .03216 .03144 .03074 .03005 .02938 - 1.9 .02872 .02807 .02743 .02680 .02619 .02559 .02500 .02442 .02385 .02330 - 2.0 .02275 .02222 .02169 .02118 .02068 .02018 .01970 .01923 .01876 .01831 - 2.1 .01786 .01743 .01700 .01659 .01618 .01578 .01539 .01500 .01463 .01426 - 2.2 .01390 .01355 .01321 .01287 .01255 .01222 .01191 .01160 .01130 .01101 - 2.3 .01072 .01044 .01017 .029903 .029642 .029387 .029137 .028894 .028656 .028424 - 2.4 .028198 .027976 .027760 .027549 .027344 .027143 .026947 .026756 .026569 .026387 - 2.5 .026210 .026037 .025868 .025703 .025543 .025386 .025234 .025085 .024940 .024799 - 2.6 .024661 .024527 .024396 .024269 .024145 .024025 .023907 .023793 .023681 .023573 - 2.7 .023467 .023364 .023264 .023167 .023072 .022980 .022890 .022803 .022718 .022035 - 2.8 .022555 .022477 .022401 .022327 .022256 .022186 .022118 .022052 .021988 .021926 - 2.9 .021866 .021807 .021750 .021695 .021641 .021589 .021538 .021489 .021441 .021395 - 3.0 .021350 .021306 .021264 .021223 .021183 .021144 .021107 .021070 .021035 .021001 - 3.1 .039676 .039354 .039043 .038740 .038447 .038164 .037888 .037622 .037364 .037114 - 3.2 .036871 .036637 .036410 .036190 .035976 .035770 .035571 .035377 .035190 .035009 - 3.3 .034834 .034665 .034501 .034342 .034189 .034041 .033897 .033758 .033624 .033495 - 3.4 .033369 .033248 .033131 .033018 .032909 .032803 .032701 .032602 .032507 .032415 - 3.5 .032326 .032241 .032158 .032078 .032001 .031926 .031854 .031785 .031718 .031653 - 3.6 .031591 .031531 .031473 .031417 .031363 .031311 .031261 .031213 .031166 .031121 - 3.7 .031078 .031036 .049961 .049574 .049201 .048842 .048496 .048I62 .047841 .047532 - 3.8 .047235 .046948 .046673 .046407 .046152 .045906 .045669 .045442 .045223 .045012 - 3.9 .044810 .044615 .044427 .044247 .044074 .043908 .043747 .043594 .043446 .043304 - 4.0 .043167 .043036 .042910 .042789 .042673 .042561 .042454 .042351 .042252 .042157 - 4.1 .042066 .041978 .041894 .041814 .041737 .041662 .041591 .041523 .041458 .041395 - 4.2 .041335 .041277 .041222 .041168 .041118 .041069 .041022 .059774 .059345 .058934 - 4.3 .058540 .058I63 .057801 .057455 .057124 .056807 .056503 .056212 .055934 .055668 - 4.4 .055413 .055169 .054935 .054712 .054498 .054294 .054098 .053911 .053732 .053561 - 4.5 .053398 .053241 .053092 .052949 .052813 .052682 .052558 .052439 .052325 .052216 - 4.6 .052112 .052013 .051919 .051828 .051742 .051660 .051581 .051506 .051434 .051366 - 4.7 .051301 .051239 .051179 .051123 .051069 .051017 .069680 .069211 .068765 .067228 - 4.8 .067933 .067547 .067178 .066827 .066492 .066173 .065869 .065580 .065304 .065042 - 4.9 .064792 .064554 .064327 .064111 .063906 .063711 .063525 .063348 .063179 .063019 Fuente: Hald, A., 1952, Statistical Tables and Formulas z Áreas bajo la curva normal canónica entre -∞ y z
95
96 APÉNDICE B. TABLA DE DISTRIBUCIÓN CHI-CUADRADO Apéndice B Tabla de distribución chi-cuadrado TABLA DISTRIBUCION CHI-CUADRADO Valores percentiles (χ2p) para la distribución Chi-cuadrado con ν grados de libertad ν χ2.995 χ2.99 χ2.975 χ2.95 χ2.90 χ2.75 χ2.50 χ2.25 χ2.10 χ2.05 χ2.025 χ2.01 χ2.005 1 7.88 6.63 5.02 3.84 2.71 1.32 .455 .102 .0158 .0039 .0010 .0002 .0000 2 10.6 9.21 7.38 5.99 4.61 2.77 1.39 .575 .211 .103 .0506 .0201 .0100 3 12.8 11.3 9.35 7.81 6.25 4.11 2.37 1.21 .584 .352 .216 .115 .072 4 14.9 13.3 11.1 9.49 7.78 5.39 3.36 1.92 1.06 .711 .484 .297 .207 5 16.7 15.1 12.8 11.1 9.24 6.63 4.35 2.67 1.61 1.15 .831 .554 .412 6 18.5 16.8 14.4 12.6 10.6 7.84 5.35 3.45 2.20 1.64 1.24 .872 .676 7 20.3 18.5 16.0 14.1 12.0 9.04 6.35 4.25 2.83 2.17 1.69 1.24 .989 8 22.0 20.1 17.5 15.5 13.4 10.2 7.34 5.07 3.49 2.73 2.18 1.65 1.34 9 23.6 21.7 19.0 16.9 14.7 11.4 8.34 5.90 4.17 3.33 2.70 2.09 1.73 10 25.2 23.2 20.5 18.3 16.0 12.5 9.34 6.74 4.87 3.94 3.25 2.56 2.16 11 26.8 24.7 21.9 19.7 17.3 13.7 10.3 7.58 5.58 4.57 3.82 3.05 2.60 12 28.3 26.2 23.3 21.0 18.5 14.8 11.3 8.44 6.30 5.23 4.40 3.57 3.07 13 29.8 27.7 24.7 22.4 19.8 16.0 12.3 9.30 7.04 5.89 5.01 4.11 3.57 14 31.3 29.1 26.1 23.7 21.1 17.1 13.3 10.2 7.79 6.57 5.63 4.66 4.07 15 32.8 30.6 27.5 25.0 22.3 18.2 14.3 11.0 8.55 7.26 6.26 5.23 4.60 16 34.3 32.0 28.8 26.3 23.5 19.4 15.3 11.9 9.31 7.96 6.91 5.81 5.14 17 35.7 33.4 30.2 27.6 24.8 20.5 16.3 12.8 10.1 8.67 7.56 6.41 5.70 18 37.2 34.8 31.5 28.9 26.0 21.6 17.3 13.7 10.9 9.39 8.23 7.01 6.26 19 38.6 36.2 32.9 30.1 27.2 22.7 18.3 14.6 11.7 10.1 8.91 7.63 6.84 20 40.0 37.6 34.2 31.4 28.4 23.8 19.3 15.5 12.4 10.9 9.59 8.26 7.43 21 41.4 38.9 35.5 32.7 29.6 24.9 20.3 16.3 13.2 11.6 10.3 8.90 8.03 22 42.8 40.3 36.8 33.9 30.8 26.0 21.3 17.2 14.0 12.3 11.0 9.54 8.64 23 44.2 41.6 38.1 35.2 32.0 27.1 22.3 18.1 14.3 13.1 11.7 10.2 9.26 24 45.6 43.0 39.4 36.4 33.2 28.2 23.3 19.0 15.7 13.8 12.4 10.9 9.89 25 46.9 44.3 40.6 37.7 34.4 29.3 24.3 19.9 16.5 14.6 13.1 11.5 10.5 26 48.3 45.6 41.9 38.9 35.6 30.4 25.3 20.8 17.3 15.4 13.8 12.2 11.2 27 49.6 47.0 43.2 40.1 36.7 31.5 26.3 21.7 18.1 16.2 14.6 12.9 11.8 28 51.0 48.3 44.5 41.3 37.9 32.6 27.3 22.7 18.9 16.9 15.3 13.6 12.5 29 52.3 49.6 45.7 42.6 39.1 33.7 28.3 23.6 19.8 17.7 16.0 14.3 13.1 30 53.7 50.9 47.0 43.8 40.3 34.8 29.3 24.5 20.6 18.5 16.8 15.0 13.8 40 66.8 63.7 59.3 55.8 51.8 45.6 29.3 33.7 29.1 26.5 24.4 22.2 20.7 50 79.5 76.2 71.4 67.5 63.2 56.3 49.3 42.9 37.7 34.8 32.4 29.7 28.0 60 92.0 88.4 83.3 79.1 74.4 67.0 59.3 52.3 46.5 43.2 40.5 37.5 35.5 70 104.2 100.4 95.0 90.5 85.5 77.6 69.3 61.7 55.3 51.7 48.8 45.4 43.3 80 116.3 112.3 106.6 101.9 96.6 88.1 79.3 71.1 64.3 60.4 57.2 53.5 51.2 90 128.3 124.1 118.1 113.1 107.6 98.6 89.3 80.6 73.3 69.1 65.6 61.8 59.2 100 140.2 135.8 129.6 124.3 118.5 109.1 99.3 90.1 82.4 77.9 74.2 70.1 67.3 Fuente: Spiegel Murray R., 1991, Estadística (2º ed.), Schaum, adaptada a partir de Catherine M. Thompson. Table of percentage points of the χ2 distribution. Biometrika. Vol. 32 (1941). χ 2 p
93
Apéndice C Regresión Logística La regresión logística es un tipo de análisis de regresión utilizado para predecir el resultado de una variable de etiqueta desconocida, en una de las clases denidas previamente por el supervisor, en función de las variables independientes o predictoras. Es un modelo lineal que usa como función de enlace la función logit. Las probabilidades que describen el posible resultado de un único ensayo se modelan, como una función de variables explicativas, utilizando una función logística. C.1. La función logística (logit) Para obtener la probabilidad entre 0 y 1 de que un elemento desconocido se encuentre en una u otra población, se debe hacer una transformación de la variable respuesta para garantizar que se encuentra entre estos valores. pi=F(β0+β0 1xi) (C.1) La clase de funciones no decrecientes, acotadas entre cero y uno, es la clase de las funciones de distribución, por lo que el problema se resuelve tomando como F cualquier función de distribución. Habitualmente se toma como F la función de distribución logística, dada por: pi=1 1 + e−(β0+β0 1xi) (C.2) Esta función tiene la ventaja de ser continua. Además, como 1−pi=e−(β0+β0 1xi) 1 + e−(β0+β0 1xi) (C.3) 97
105 En esta sección, se realiza una descripción básica de cada función, así como un esquema de las dependencias entre funciones. Además, se pueden ver los diferentes parámetros de entrada que necesita cada función. Debido a la gran cantidad de funciones desarrolladas, se ha decidido mostrar aquellas que son más relevantes para el objetivo del proyecto, intentando evitar funciones que, aunque necesarias, no aportan gran información a la estructura del algoritmo implementado. Asimismo, se muestran los principales parámetros de entrada y salida, ya que muchos de los parámetros se utilizan en todas las funciones porque son parámetros de información para el nombre de los archivos generados. Diagrama de funciones y jerarquía En la Figura D.1 se muestran los principales pasos del algoritmo desarrollado: preprocesado, donde se crean los vectores de datos de MatLab a partir de las señales obtenidas por poligrafías; procesado, donde se realiza la extracción de características de cada señal y clasicación, donde emplean complejos algoritmos matemáticos para determinar a qué clase pertenece una muestra dada. Tras realizar estos tres pasos, se genera un informe con el resultado del diagnóstico. Figura D.1: Diagrama de funciones y jerarquía Preprocesado En la parte de preprocesado existen dos tipos de funciones: aquellas creadas para generar nuevas señales a partir de otras (como la RR o la EDR) y aquellas que segmentan la señal
106 en ventanas de diferente tamaño. function generar_EDR(directorio,pacientes_EDR,vfsedr) Función que genera la señal EDR a partir del ECG. Está creada para generar todas las EDR de un listado de pacientes que se encuentre escrito en un .txt. Parámetros de entrada: directorio: indica la subcarpeta donde se encuentran el chero .txt con los nombres de los pacientes pacientes_RR: indica el nombre del chero .txt vfsedr: frecuencia de muestreo de salida con la que se quiere generar la EDR. function ecg2rr(directorio,pacientes_RR,fs,ventana,delta,ppm) Función que generar las serie RR a partir del ECG. Está creada para generar todas las RR de un listado de pacientes que se encuentre escrito en un .txt. También segmenta la señal con el tamaño de ventana determinado por un parámetro de entrada. Parámetros de entrada: directorio: indica la subcarpeta donde se encuentran el chero .txt con los nombres de los pacientes pacientes_RR: indica el nombre del chero .txt fs: frecuencia de muestreo del ECG. ventana: tamaño de la ventana deseado para la segmentación de la señal (en segundos). delta: desplazamiento de la ventana deseado. ppm: tamaño mínimo de pulsaciones por minuto aceptado en cada ventana. function sat2ventana(directorio,pacientes_sao2,fs,ventana,delta) Función que segmenta la señal de saturación en ventanas de tantos segundos como indique un parámetro de entrada. Parámetros de entrada: directorio: indica la subcarpeta donde se encuentran el chero .txt con los nombres de los pacientes pacientes_RR: indica el nombre del chero .txt fs: frecuencia de muestreo de la SaO2. ventana: tamaño de la ventana deseado para la segmentación de la señal (en segundos). delta: desplazamiento de la ventana deseado. function edr2ventana(directorio,pacientes_edr,fsedr,ventana) Función que segmenta la señal EDR en ventanas de tantos segundos como indique un parámetro de entrada. Parámetros de entrada: directorio: indica la subcarpeta donde se encuentran el chero .txt con los nombres de los pacientes pacientes_RR: indica el nombre del chero .txt fsedr: frecuencia de muestreo de la EDR. ventana: tamaño de la ventana deseado para la segmentación de la señal (en segundos).
107 Procesado En el procesado se realiza la parametrización, por lo que es una parte del algoritmo en el que existen muchos condicionales. Existe una función general para cada base de datos, que a su vez realiza una llamada a algunas (o todas) de las funciones que se explican a continuación, dependiendo de las señales que se vayan a utilizar, los parámetros que se quieran extraer, etc. function [caracteristica,rechazar_minutos] = parametriza_RR(x,coecientes,ltros,... parametrizacion,env,rp) Función que parametriza la señal RR. Parámetros de entrada: x: señal RR del paciente coecientes: para el caso que se quiera parametrizar con banco de ltros, indica el número de coecientes que se quieran escoger. ltros: para el caso que se quiera parametrizar con banco de ltros, indica el número de ltros equiespaciados a utilizar. parametrizacion: indica la parametrización que se quiere realizar. env: si se quiere realizar un enventanado especial, tipo 'Hamming', 'Hanning' o 'Blackman'. Por defecto, se utiliza un enventanado rectangular. rp: dependiendo de su valor, añade parámetros extras como la varianza u otro tipo de parámetros. Parámetros de salida: caracteristica: matriz con tantas las como minutos tenga el paciente registrados y con tantas columnas como parámetros han sido extraídos. Cada la es un vector con la parametrización correspondiente a ese minuto. rechazar_minutos: vector que indica la ausencia de datos en alguno de los minutos. Utilizado como vector bandera para posteriormente eliminar este minuto del registro total. Tiene valores binarios, con 0 si el minuto es correcto y 1 si no lo es.
108 function [caracteristica,rechazar_minutos] = parametriza_SAT(x,coecientes,ltros,... parametrizacion,env,rp) Función que parametriza la señal SaO2. Parámetros de entrada: x: señal SaO2 del paciente coecientes: para el caso que se quiera parametrizar con banco de ltros, indica el número de coecientes que se quieran escoger. ltros: para el caso que se quiera parametrizar con banco de ltros, indica el número de ltros equiespaciados a utilizar. parametrizacion: indica la parametrización que se quiere realizar env: si se quiere realizar un enventanado especial, tipo 'Hamming', 'Hanning' o 'Blackman'. Por defecto, se utiliza un enventanado rectangular. rp: dependiendo de su valor, añade parámetros extras como la varianza u otro tipo de parámetros. Parámetros de salida: caracteristica: matriz con tantas las como minutos tenga el paciente registrados y con tantas columnas como parámetros han sido extraídos. Cada la es un vector con la parametrización correspondiente a ese minuto. rechazar_minutos: vector que indica la ausencia de datos en alguno de los minutos. Utilizado como vector bandera para posteriormente eliminar este minuto del registro total. Tiene valores binarios, con 0 si el minuto es correcto y 1 si no lo es. function [caracteristica,rechazar_minutos] = parametriza_EDR(edr, fsedr,rp) Función que parametriza la señal EDR. La parametrización por defecto de la EDR es un banco de 20 ltros. Parámetros de entrada: edr: señal EDR del paciente fsedr: frecuencia de muestreo de la señal EDR dada. rp: utilizado para añadirle algún parámetro más. Parámetros de salida: caracteristica: matriz con tantas las como minutos tenga el paciente registrados y con tantas columnas como parámetros han sido extraídos. Cada la es un vector con la parametrización correspondiente a ese minuto. rechazar_minutos: vector que indica la ausencia de datos en alguno de los minutos. Utilizado como vector bandera para posteriormente eliminar este minuto del registro total. Tiene valores binarios, con 0 si el minuto es correcto y 1 si no lo es. Clasicador Como parte nal del sistema, se ha creado una función que es la encargada de modelar el sistema.
109 function modela_y_clasica(MODELP, MODELM) Función que recoge los parámetros de entrenamiento y de clasicación para modelar el sistema y para clasicar. También genera un informe con los resultados obtenidos. Parámetros de entrada: MODELP: nombre del archivo donde se encuentran los parámetros de entrenamiento. MODELM: nombre del archivo donde se encuentran los parámetros de clasicación
110
Parte III Pliego de condiciones 111
113 El presente Proyecto Fin de Carrera comprende toda una serie de métodos y aplicaciones de procesado de señal encaminados a estudiar el sueño humano y determina el desarrollo de un prototipo consistente en un sistema de clasicación de patologías del sueño y de un sistema de ayuda al diagnóstico y cuanticación de apnea denominado SAOSvision. También se indican tanto las herramientas software como hardware necesarias para la realización del presente proyecto. Condiciones legales y administrativas A continuación se exponen los aspectos de tipo legal y administrativo que habrán de ser tenidos en cuenta por los futuros usuarios. Estas condiciones establecen las obligaciones, derechos y deberes que los autores adquieren con los usuarios del sistema implementado en este proyecto, y a su vez de los usuarios con los autores. Derechos de explotación y restricciones de uso La Universidad de Las Palmas de Gran Canaria es quien ostenta los derechos de explotación y cualquier usuario debe estar de acuerdo en obligarse por los términos y condiciones establecidas en este Pliego de Condiciones, aceptando todos sus términos y estipulaciones. El uso de los programas y base de datos o de una copia en ordenador personal de los mismos, será bajo la autorización expresa del autor, el director del proyecto y la Escuela de Ingeniería de Telecomunicación y Electrónica de la Universidad de Las Palmas de Gran Canaria. El usuario no podrá realizar ingeniería inversa, decompilación o desamblado de los programas. El usuario podrá transferir los programas y bases de datos a un tercero, siempre que no tenga copias de los mismos, incluyendo posibles actualizaciones o retener material escrito adicional que acompañe a los programas y la base de datos. Garantías y consideraciones adicionales El autor y el director del proyecto garantizan que los programas y la base de datos funcionarán correctamente en el momento de la correcta instalación. También se garantiza que el soporte en el cual está grabado el programa no contendrá defectos en el momento de la adquisición del mismo. Con la única excepción de lo expresamente expuesto en el párrafo anterior, los programas y bases de datos han sido creados sin garantías de ningún tipo. No se asegura, garantiza, o realiza ninguna declaración respecto al uso o los resultados derivados de la utilización de los programas o la base de datos. Tampoco se garantiza que la operación de los programas sea ininterrumpida o sin errores.
120 Figura D.6: Etiquetado manual texto, y seguidamente realizar la segmentación de la señal en ventanas de 5 minutos. Para ello, es necesario conocer la frecuencia de muestreo de la señal que, al ser la señal de SaO2, se conoce que es 50 muestras por segundo. Todo este proceso es realizado internamente en el programa, el usuario no interviene en ninguna parte, facilitando de esta forma su uso. La forma de diagnosticar a un paciente desde un chero de texto es muy sencilla desde el punto de vista del usuario. Una vez los datos han sido guardados y se ha generado el .txt, se pulsa el botón Abrir..., el cual permitirá elegir el archivo. En este caso, no se tiene el etiquetado manual del paciente, pues ha sido un estudio realizado directamente a partir del sistema hardware diseñado. Tras elegir el archivo, el nombre del chero se escribirá en el cuadro de texto FICHERO A DIAGNOSTICAR. El sistema ya está preparado para realizar el diagnóstico al presionar el botón DIAGNOSTICAR, el cual escribirá en el cuadro de texto AUTÓMATICO el porcentaje de apneas detectado a partir de la señal de SaO2. Además, se puede mostrar la señal de SaO2 en su totalidad en el último plot (Figura D.8). Guardar imágenes de las señales Se ha añadido también la posibilidad de guardar las grácas generadas en diferentes formatos para su presentación en informes, artículos, etc. Para ello, una vez se han ploteado las diferentes señales, se activa en el menú de Herramientas la opción SALVAR GRÁFICAS, con todas las opciones disponibles (Figura D.9). En caso de que este el etiquetado manual y/o automático pintado hay que marcarlo a mano. También está la
121 Figura D.7: Clasicación paciente de una base de datos en SAOSvision opción de guardar las guras en inglés marcando el botón SACAR EN INGLÉS.
122 Figura D.8: Diagnóstico a partir de un chero de texto en SAOSvision (a) (b) Figura D.9: Guardar grácas en SAOSvision
Parte IV Presupuesto 123
Presupuesto Don Ubay Casanova Blancas, autor del presente Proyecto Fin de Carrera, declara que: El Proyecto Fin de Carrera con título SISTEMA DE DIAGNÓSTICO APLICADO A LA DETECCIÓN DE LA APNEA OBSTRUCTIVA DEL SUEÑO MEDIANTE POLIGRAFÍA, desarrollado en la Escuela de Ingeniería de Telecomunicación y Electrónica, de la Universidad de Las Palmas de Gran Canaria, en el período de 10 meses, tiene un coste de desarrollo total de 53.860,26 ¿ , correspondiente a la suma de las cantidades consignadas a los apartados considerados a continuación. El autor del proyecto Ubay Casanova Blancas Las Palmas de Gran Canaria, a 27 de junio de 2014. 125
126 Presupuesto previo En el cálculo del presupuesto se tiene en cuenta, primero, el coste del presupuesto según lo establecido por el Colegio Ocial de Ingenieros de Telecomunicación (COIT), y, segundo, los costes debidos a las tasas (tramitación y envío) y los impuestos. El presupuesto total ha sido calculado en base a la versión más reciente del documento Baremos de Honorarios Orientativos para Trabajos Profesionales , publicado por el Colegio Ocial de Ingenieros de Telecomunicación (COIT). Siguiendo las recomendaciones del COIT, los conceptos que han de tenerse en cuenta a la hora de elaborar el presupuesto son los siguientes: Trabajo tarifado por tiempo empleado. Amortización del inmovilizado material. Redacción del proyecto. Derechos de visado del COIT. Gastos de tramitación y envío. Trabajo tarifado por tiempo empleado El importe de las horas de trabajo empleadas para la realización del proyecto se calcula siguiendo las recomendaciones del COIT: H=C∗74,88 ∗Hn+C∗96,72 ∗He (D.1) donde: H son los honorarios totales por el tiempo dedicado. H n son las horas normales trabajadas (dentro de la jornada laboral). H e son las horas especiales. C es un factor de corrección en función del número de horas trabajadas. Teniendo en cuenta que el tiempo destinado para la formación y documentación no se incluye en el cálculo debido a que estas tareas son necesarias y benecian sólo al alumno, para la realización de este proyecto han sido necesarias 1600 horas, realizadas en jornadas
127 de una media de 8 horas al día, 5 días a la semana y 4 semanas al mes durante 10 meses. No se aplica la existencia de horas especiales en la realización del trabajo. Según el COIT, el coeciente tiene un valor variable en función del número de horas empleadas de acuerdo con la siguiente tabla: Horas empleadas Factor de corrección C Hasta 36 horas 1,00 De 36 a 72 horas 0,90 De 72 a 108 horas 0,80 De 108 a 144 horas 0,70 De 144 a 180 horas 0,65 De 180 a 360 horas 0,60 De 360 a 540 horas 0,55 De 540 a 720 horas 0,50 De 720 a 1080 horas 0,45 Más de 1080 horas 0,40 Como se puede observar, el número de horas es superior a 1080, y según la tabla anterior, C = 0.40 . Por lo que según la ecuación del importe de horas de trabajo: H=C∗74,88 ∗1600 + C∗96,72 ∗0 = 47,923,20 ¿ (D.2) Los honorarios totales por tiempo dedicado libres de impuestos ascienden a cuarenta y siete mil novecientos veintitrés euros y veinte céntimos ( 47.923,20 ¿ ) . Amortización del inmovilizado material Entre los recursos materiales utilizados para la realización de este proyecto se incluyen las herramientas software de desarrollo de los algoritmos del sistema, los paquetes software usados para la redacción de la memoria, y el sistema operativo bajo el que se ejecutó el trabajo. Asimismo, se incluyen los equipos hardware usados para dar soporte a estas herramientas. Se estipula el coste de amortización para un período de 3 años. Para ello, se utilizará un sistema de amortización lineal o constante, en el que se supone que el inmovilizado material se deprecia de forma constante a lo largo de su vida útil. La cuota de amortización anual se calcula usando la siguiente fórmula: Cuota anual =V alor adquisici´on −V alor residual N´umero de a˜nos de vida ´util (D.3)
128 El valor residual es el valor teórico que se supone que tendrá el elemento después de su vida útil. Amortización del Hardware Teniendo en cuenta que la duración del proyecto ha sido inferior a un año y el cálculo del coste de amortización se establece en un período de 3 años, los costes de amortización se calcularán para los 10 primeros meses. En la siguiente tabla, se presentan los costes de amortización del material hardware empleado en el proyecto: Concepto Coste total Valor residual (3 años) Amortización 10 meses PC Intel Core i7 2,4 GHZ, 16GB de RAM 800 ¿ 200 ¿ 166.66 ¿ 1000 GB de disco duro Arduino Uno 20 ¿ 6,66 ¿ 5,55 ¿ Wireless SD Shield 23,60 ¿ 7,86 ¿ 6,55 ¿ Tarjeta microSD 2GB 3 ¿ 1 ¿ 0,83 ¿ e-Health Shield 75 ¿ 25 ¿ 20,93 ¿ Pulsioxímetro 55 ¿ 18,33 ¿ 15,28 ¿ Total Hardware 215,80 ¿ Por lo tanto, el coste total del material hardware asciende a doscientos quince euros y ochenta céntimos (215.80 ¿ ). Amortización del Software Para el cálculo del coste de amortización del software se manejan las mismas premisas que en el caso anterior. En la tabla se presentan los costes de amortización del material software: Concepto Coste total Valor residual (3 años) Amortización 10 meses Microsoft Windows ® 8 120 ¿ 40 ¿ 22,22 ¿ Matlab ® R2009 2000 ¿ 666,66 ¿ 370,38 ¿ Total Software 392,60 ¿ La redacción del proyecto se ha llevado a cabo bajo el software libre y gratuito Lyx. Por lo que no se recoge ningún gasto respecto a este concepto.
129 El coste total del material software empleado en el desarrollo del proyecto asciende a trescientos noventa y dos euros y sesenta céntimos (392.60 ¿ ) . Redacción del proyecto El importe de la redacción del proyecto se calcula haciendo uso de la siguiente fórmula: R= 0,07 ∗P∗Ch (D.4) donde: P es el presupuesto del proyecto. C h es el coeciente de ponderación en función del presupuesto. El presupuesto calculado hasta el momento asciende a 48.531,6 ¿ . Como el coeciente de ponderación para presupuestos de más de 42.070,70 ¿ , y menos de 63.106,05 ¿ viene denido por el COIT con un valor de 0,45, el coste derivado de la redacción del proyecto es de: R= 0,07 ∗48,531,6∗0,45 = 1,528,75 ¿ (D.5) Por tanto, el coste libre de impuestos derivado de la redacción del proyecto es de mil quinientos veintiocho euros y setenta y cinco céntimos (1.528,75 ¿ ). Derechos de visado del COIT Los gastos de visado del COIT se tarican mediante la siguiente expresión: V= 0,006 ∗P∗Cv (D.6) donde: P es el presupuesto del proyecto. C v es el coeciente reductor en función del presupuesto del proyecto.