Dentro de la detección de arritmias la interpretación de del electrocardiograma (EGC) tiene un papel primordial, aproximadamente en el mundo se toman 300 millones de ECG. Los datos digitales y los algoritmos necesarios para el entendimiento del EGC están altamente disponibles es por ello que se busca su mejoramiento por un ordenador, puesto que su interpretación se ha vuelto más importante en el flujo clínico. Es por eso que se investiga y propone crear un sistema que trabaje una red neuronal. En una investigación, se propuso detectar 12 clases de ritmo cardiaco ECG de una derivación sin procesar utilizando un conjunto de datos que consiste en 91,232 registros de ECG. El enfoque estándar para interpretación ECG automatizado emplea diversas técnicas a través de una serie de pasos que incluyen tratamiento de señales, extracción de características, la función de selección, reducción y clasificación[1]. Las señales obtenidas de un paciente, es decir, bioseñales se utilizan para analizar la salud de paciente. Una de las bioseñales de suma importancia es el electrocardiograma (ECG), representa el funcionamiento del corazón, si existe alguna señal fuera de lo normal nos indicaría que hay un mal funcionamiento en el corazón denominado condición de arritmia. En este proceso se trabaja con la monitorización a largo plazo basado en el diagnóstico asistido por computadora (CADiag), existen diversas técnicas de CADiag para el diagnóstico de arritmia con sus propios beneficios y limitaciones. Debido a los grandes retos que existen para diagnosticar arritmias de manera oportuna se hace énfasis a desarrollar un sistema de CADiag y su mejoramiento [2].
En otras investigaciones, se propuso un enfoque de aprendizaje automático basado en redes neuronales recurrentes (RNNs: recurrent neural networks) para diferenciar entre varios tipos de ritmos cardíacos con solo una derivación y registros cortos de ECG. Utilizaron un conjunto de datos anotados de 12,186 grabaciones de ECG de una sola derivación para construir un conjunto diverso de redes neuronales constantes que puede distinguir entre ritmos sinusales normales, fibrilación auricular, otros tipos de arritmia y otras señales que son demasiado ruidosas para interpretar [3]. Uno de los métodos novedosos es la máquina de Boltzmann restringida (RBM:Restricted Boltzmann Machine ) y las redes de creencias profundas o Inteligencia Artificial (DBN:deep belief networks) para la detección de latidos ventriculares y supraventriculares utilizando ECG de una sola derivación [4].
Por otro lado, es importante tener en cuenta que la base de datos MIT-BIH Arrythmia Database fue el primer conjunto de material de exámenes para la evaluación de arritmias, estandarizados y de acceso general. Continúa siendo empleada hasta la fecha junto a la American Heart Asociation Database. Ha servido para promover el desarrollo de analizadores de arritmia, al ofrecer tener muestras de verificación que permitan la medición objetiva sus desempeños. Hasta entonces los desarrolladores tenían que incurrir en gastos para realizar sus propias bases de datos, que podían asimismo contener sesgos y errores, así como estar basados en muestras pequeñas [5].
[1] Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network [Internet]. 2019 [cited 18 September 2019]. Available from: https://www.nature.com/articles/s41591-018-0268-3
[2] Computer-Aided Arrhythmia Diagnosis with Bio-signal Processing: A Survey of Trends and Techniques [Internet]. 2019 [cited 18 September 2019]. Available from: https://dl.acm.org/citation.cfm?id=3297711
[3] Schwab P, C Scebba G, Zhang J, Delai M, Karlen W. Beat by beat: Classifying cardiac arrhythmias with recurrent neural networks - IEEE Conference Publication [Internet]. Ieeexplore.ieee.org. 2019 [cited 19 September 2019]. Available from: https://ieeexplore.ieee.org/abstract/document/8331750/keywords#keywords
[4] Mathews, S. M., Kambhamettu, C., & Barner, K. E. (2018). A novel application of deep learning for single-lead ECG classification. Computers in biology and medicine, 99, 53-62. Available from: https://www.sciencedirect.com/science/article/pii/S0010482518301264
[5] Moody, G. B., & Mark, R. G. (2001). The impact of the MIT-BIH arrhythmia database. IEEE Engineering in Medicine and Biology Magazine, 20(3), 45-50.
La mayor dificultad es que no se pueden diagnosticar en las primeras etapas. La investigación corrobora la creación de un dispoditivo de diagnóstico económico. Por ello, proponen que el dispositivo que tenga énfasis en la detección de arritmia,un electrocardiógrafo portátil, económico y que envíe información en tiempo real con un énfasis en la detección de arritmia y clasificación. Para el funcionamiento del equipo se ve conveniente usar Raspberry Pi 3 (RasPi), pues se el RasPi cuenta con capacidades de procesamiento de señal y transferencia inalámbrica pues actúa como un adaptador entre los sensores y un teléfono móvil que cuente con una aplicación personalizada, a la cual se le enviará el informe del (EGC). Para esto se utilizan algoritmos de detección que puedan extraer características de las señales enviadas a tiempo real, para la validación de este dispositivo se hizo una prueba en la base de datos estándar de arritmia MITBIH y se obtuvo una precisión superior al 95%. Validando el enfoque hacia el monitoreo y la detección de arritmias con amplias aplicaciones en sistemas de salud móviles[1].
Massachusetts Institute of Technology Media Lab ha desarrollado una aplicación móvil que utiliza una cámara de teléfono inteligente para detectar signos faciales de una arritmia cardíaca asociada con accidentes cerebrovasculares, llamada Cardiio Rhythm; esto es posible debido a que mide y analiza pequeños cambios de luz reflejados en la piel como resultado del pulso. Cardiio funciona porque cada latido aumenta el volumen de sangre en los vasos del usuario, la hemoglobina de la sangre absorbe la luz, lo que disminuye la luz reflejada por la piel, haciendo posible así, que la aplicación Cardiio rastree esos pequeños cambios en la luz reflejada, no visible para el ojo humano, para calcular con precisión un latido. Esos datos permiten que la aplicación pueda detectar patrones irregulares de latidos cardíacos de fibrilación auricular (FA). En un futuro cercano, se espera que Cardiio Rhythm esté disponible para los consumidores para la detección temprana de arritmia cardíaca.[2]
Ejemplos:
ECG check : ECG Check consiste en un detector ligeramente más grande con dos electrodos metálicos. Un usuario coloca un solo dedo en cada uno de los electrodos durante 30 segundos y luego el detector envía los datos por Bluetooth al teléfono inteligente del usuario [3].
EPI Mini : EPI Mini (EPI Mobile Health Solutions, Paragon, Singapur) es un dispositivo independiente que consiste en una unidad portátil con tres sensores que generan un seguimiento de ECG de una sola derivación de 30 s. A diferencia de otros dispositivos, este dispositivo tiene una pantalla de visualización en la unidad del detector para visualizar el trazado del ECG. Esta unidad también puede transmitir los datos a través de Bluetooth al teléfono inteligente de un usuario [3].
D-Heart : D-Heart (D-Heart®, Génova, Italia) consiste en un dispositivo de recolección con cinco derivaciones de ECG, que se conectan al pecho del paciente a través de electrodos adhesivos, similares a los utilizados por el ECG convencional de 12 derivaciones. Los datos son enviados por el dispositivo de recolección y luego transmitidos por Bluetooth a un teléfono inteligente. [3]
En otro trabajo, se presenta un nuevo sistema de monitoreo de señal electrocardiográfico (ECG) inalámbrico basado en un teléfono inteligente. Este sistema tiene dos secciones principales. La primera sección consiste en un sensor que recibe señales de ECG a través de un amplificador, luego filtra y digitaliza la señal, y la prepara para su transmisión. Las señales se almacenan, procesan y luego se muestran en una aplicación móvil [4]. La aplicación alarma en situaciones peligrosas y envía la ubicación del paciente cardíaco a la familia o al personal de atención médica. Los resultados obtenidos del análisis de las señales de electrocardiograma en 20 personas diferentes han sido comparados con el ECG tradicional en el hospital por un cardiólogo. Se obtiene una precisión de rendimiento del 91,62% del sistema de ECG inalámbrico. Se ajusta al sistema estándar de diagnóstico del hospital al tiempo que proporciona un monitoreo portátil en cualquier lugar y en cualquier momento.
[1] A Portable Real Time ECG Device for Arrhythmia Detection Using Raspberry Pi. (2017). 6th ed. [ebook] milan, italia: springer, pp.177-184. Available at: https://link.springer.com/content/pdf/10.1007%2F978-3-319-58877-3.pdf [Accessed 19 Sep. 2019].
[2] Matheson R. App screens for arrhythmia using smartphone camera [Internet]. MIT News. 2019 [cited19September2019]. Available from: http://news.mit.edu/2017/cardiio-app-screens-arrhythmia-smartphone-camera-0329
[3] Walker A, Muhlestein J. Smartphone electrocardiogram monitoring: current perspectives [Internet]. 2019 [cited 19 September 2019]. Available from: https://www.dovepress.com/smartphone-electrocardiogram-monitoring-current-perspectives-peer-reviewed-fulltext-article-AHCT
[4] Golzar M, Fotouhi-Ghazvini F, Rabbani H, Sadat Zakeri F. 8. Mobile Cardiac Health-care Monitoring and Notification with Real Time Tachycardia and Bradycardia Arrhythmia Detection [cited 19 September 2019]. Availablefrom: https://www.researchgate.net/profile/Hossein_Rabbani2/publication/321157849_Mobile_Cardiac_Health-care_Monitoring_and_Notification_with_Real_Time_Tachycardia_and_Bradycardia_Arrhythmia_Detection/links/5a50af060f7e9bbc1054032b/Mobile-Cardiac-Health-care-Monitoring-and-Notification-with-Real-Time-Tachycardia-and-Bradycardia-Arrhythmia-Detection.pdf
[5] Cheung, C. C., Krahn, A. D., & Andrade, J. G. (2018). The emerging role of wearable technologies in arrhythmia detection. Can J Cardiol.]
El electrocardiógrafo (ECG) es el método más común en monitoreo de signos vitales, ampliamente usado en el sistema de salud. Cuenta con diferentes diseños, estos se centran principalmente en la portabilidad y la conveniencia del usuario, al tiempo que mantienen la integridad de la señal y reducen el consumo de energía. Es por ello que el diseño que se presenta en esta investigación, muestra los electrodos secos con acoplamiento capacitivo capaces de poder medir señales de ECG a través de un material de interfaz textil entre la piel y los electrodos. Los electrodos están conectados a un sistema de adquisición de datos que recibe las señales de ECG sin procesar de los electrodos y transmite los datos usando Bluetooth a una computadora. se planea tener un software desarrollado para procesar, almacenar y mostrar la señal de ECG en tiempo real. El objetivo principal de los sistemas ambulatorios de ECG es facilitar el monitoreo de la actividad del corazón fuera de la clínica y la vez un monitoreo continuo de la salud cardiovascular de esta manera permitiendo así la detección y diagnóstico de cualquier problema relacionado con el corazón en su inicio. uno de los principales problemas que se afrontan con este sistema es la contaminación de la señal, es decir que pueden ocurrir interferencia al momento de enviar la información por contacto con algún otro artefacto o por el movimiento del cuerpo, es por ello que se busca la mejora de los electrodos teniendo como base principal que sean flexibles, analogicos y mejorados con la técnica de procesamiento de señales por chip [1].
Para las mediciones de ECG, los electrodos de bio-potencial más utilizados son los electrodos "húmedos" de plata o cloruro de plata que están soportados por una capa adhesiva y una capa de gel para mejorar el contacto con la piel. Sin embargo, el uso de electrodos "húmedos" en aplicaciones de monitoreo portátiles a largo plazo a menudo no son preferibles debido a la irritación de la piel y las molestias causadas por el gel; y los posibles errores de medición debido a la disminución del rendimiento del electrodo y la conductividad a medida que el gel se seca con el tiempo [2] . Por ello se intenta abordar los desafíos en la integración de nivel de sistema y la portabilidad informando el desarrollo de un brazalete de ECG de un solo brazo incrustado con textiles flexibles de grafeno como electrodos de detección de sequedad y circuitos de lectura para adquisición de datos. Para abordar los requisitos de las aplicaciones de monitorización de la salud a largo plazo, ha habido un interés creciente en desarrollar electrodos de bio-potencial "secos" compatibles con la piel, que se puedan usar, que disminuyen la irritación, la incomodidad y los problemas con el gel seco en los electrodos comerciales. Debido a su textura suave, sensación cómoda y capacidad de ser tejidas directamente en la ropa; los tejidos textiles pueden ser ventajosos para construir dispositivos portátiles, flexibles, secos y sin gel, incluidos electrodos de potencial biológico y sensores para el monitoreo del electrocardiograma [2].
Para mayor robustez, está equipado con capacidades de análisis; por ejemplo, detección de latidos en tiempo real y un algoritmo de filtro para ignorar las distracciones de los movimientos corporales o el ruido del entorno. Una aplicación de Android también fue creada a la par para lograr un sistema de salud móvil,el cual puede mostrar una señal de ECG en tiempo real en un gráfico y luego el análisis de los datos para tomar decisiones inteligentes. Los resultados indican que la tasa de error de cálculo de la frecuencia cardíaca propuesta es menor del 10% en comparación con un sistema estándar y que el sistema propuesto aún puede funcionar incluso con diferentes grosores de ropa entre sensores y la piel, también pueden funcionar cuando el usuario realiza diversas actividades de la vida diaria [3].
Para usar un ECG como dispositivo portátil, las posiciones de los electrodos deben cumplir con la colocación clínica, por ello se propone una nueva colocación de electrodos biomédicos para cumplir con la practicidad de un dispositivo de estilo de vida físico [4]. El ECG utiliza electrodos pasivos que son unidos a nuestra piel en el pecho y el brazo. Lo beneficioso de la colocación de los sensores alrededor del pecho en forma de collar es que puede adquirir señales claras sin ruido porque cuanto más cerca del corazón este, mayor será la señal de ECG recuperada. La colocación de los electrodos en la parte posterior del cuello tiene varias ventajas en el aspecto diario que otros dispositivos no poseen porque al medir la señal de ECG es posible moverse alrededor del vector cardíaco de Triángulo de Einthoven con una distancia uniforme y no interfiere en las actividades o movimientos diarios. Para comenzar la monitorización del corazón, se utiliza una la consola serie Bluetooth en el teléfono inteligente para comenzar a grabar. Luego, los registros de datos se almacenarán en la memoria y en la microSD. Los datos se transfieren a la PC desde microSD para analizar las señales. El dispositivo tiene un extremo frontal analógico de ECG de una sola derivación y utiliza una tarjeta de memoria de 4 GB, una batería recargable y Bluetooth Low Energy 4.0 para comunicarse con un teléfono inteligente Android 4.3. [4].
[1] Noncontact Wearable Wireless ECG Systems for Long-Term Monitoring. (2018). [ebook] IEEE. Available at: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8368254 [Accessed 19 Sep. 2019].
[2] Acar G, Ozturk O, Kaya Yapici M. Wearable Graphene Nanotextile Embedded Smart Armband for Cardiac Monitoring - IEEE Conference Publication [Internet]. Ieeexplore.ieee.org. 2019 [cited 19 September 2019]. Available from: https://ieeexplore.ieee.org/abstract/document/8589800
[3] Rachim, V. P., & Chung, W. Y. (2016). Wearable noncontact armband for mobile ECG monitoring system. IEEE transactions on biomedical circuits and systems, 10(6), 1112-1118. https://ieeexplore.ieee.org/abstract/document/7471436
[4] 7. A. Iskandar A, Kolla R, Schilling K, Voelker W. A wearable 1-lead necklace ECG for continuous heart rate monitoring - IEEE Conference Publication [Internet]. Ieeexplore.ieee.org. 2019 [cited 19 September 2019]. Available from: https://ieeexplore.ieee.org/abstract/document/7749480
[5] Zhao, J. F., Chen, X. M., Liang, B. D., & Chen, Q. X. (2017). A review on human body communication: signal propagation model, communication performance, and experimental Issues. Wireless Communications and Mobile Computing, 2017.
