1 INTRODUCAO

foreheadsobstinacyΛογισμικό & κατασκευή λογ/κού

15 Αυγ 2012 (πριν από 4 χρόνια και 10 μήνες)

512 εμφανίσεις

FACULDADE RUY BARBOSA

HENRIQUE RODRIGUES DOURADO

JUMÁRIO DE OLIVEIRA SOUZA

ORLANDO VICENTE DE OLIVEIRA FILHO














ANÁLISE DE ECG PARA

DETECÇÃO DE INFARTO
ANTERIOR

COM A UTILIZAÇÃO DE
WAVELET














SALVADOR

2008



FACULDADE RUY BARBOSA

HENRIQ
UE RODRIGUES DOURADO

JUMÁRIO DE OLIVEIRA SOUZA

ORLANDO VICENTE DE OLIVEIRA FILHO









ANÁLISE DE ECG PARA

DETECÇÃO DE INFARTO
ANTERIOR

COM A UTILIZAÇÃO DE
WAVELET









Projeto de pesquisa apresentado para a disciplina
Ênfase em Conhecimento Optativo
III, curso de
graduação em Ciências da Computação da Faculdade
Ruy Barbosa, sob a orientação do Prof. Hércules de
Souza, turma 2008.2, turno noturno.











SALVADOR

2008
RESUMO



Este trabalho dedica
-
se ao desenvolvimento de um
software

para detecção d
e infarto anterior,
uma das cardiopatias que mais matam no mundo e compromete os movimentos do coração
responsáveis pela distribuição sangüínea no corpo.

Utilizando uma abordagem matemática
denominada
Wavelets,

que
permite a filtragem de sinais de ondas co
m o intuito de efetuar
uma redução significativa da quantidade de dados que representam o
espectro (Freqüência) e
o Tempo. O aplicativo denominado WaveECG constitui na leitura de um Eletrocardiograma
(ECG) em formato txt,
com o intuito de efetuar a detecçã
o da cardiopatia definida como
infarto agudo do miocárdio localizado na parede anterior. A análise é feita a partir da captura
e decomposição das derivações V3 e V4,
seguido da filtragem via
Wavelet

para realização do
diagnóstico por meio de análises compu
tacionais e, finalmente, informado ao usuário o
diagnóstico do exame.
























SUMÁRIO



1 INTRODUÇÃO

................................
................................
................................
..................


4

2
PROCESSOS AUTÔNOMOS PARA DETECÇÕES DE ANGINA A PARTIR DA
ANÁLISE DO ECG

................................
................................
................................
...............


7

2.1
Funcionamento do Coração

................................
................................
..............................


7

2.2 ECG

................................
................................
................................
................................
..


8

2.2.1
Interpret
ação do ECG na detecção do Infarto Anterior

................................
...............


10

2.3
Wavelet


................................
................................
................................
...........................


11


2.4
Ferramentas Relacionadas à Detecção de Cardiopatias

................................
.................


14

2.4.1 Comparações

................................
................................
................................
...............


19

3
DESENVOLVIMENTO DA FERRAMENTA

................................
.............................


20

3.1 Requisitos Funcionais

................................
................................
................................
.....


21

3.2 Menus do Sistema

................................
................................
................................
...........


22

3.3 A Análi
se

................................
................................
................................
........................


25

3.4 Testes

................................
................................
................................
..............................


29

3.4.1 Descrição da primeira fase de testes

................................
................................
............


32

3.4.2 Descrição da segunda fase de testes

................................
................................
............


33

3.4.3 Descrição da terceira fase de testes

................................
................................
.............


34

4 CONCLUSÃO
.

................................
................................
................................
.................


36

REFERÊNCIAS BIBLIOGRÁFICAS

................................
................................
.............


37





1 INTRODUÇÃO



O eletrocardiogram
a (ECG) é um dos exames mais utilizados na medicina para
análise precisa da situação cardíaca de um determinado paciente. Consiste em um exame
médico em que é avaliada a variação dos potenciais elétricos gerados no coração. Seus
resultados são relativament
e fidedignos e, por ser pouco oneroso, acredita
-
se que um bom
acompanhamento cardiológico e um eletrocardiograma bem interpretado pode diagnosticar
precocemente mais de 90% dos problemas cardíacos (cardiopatias), o que indica o primeiro
passo para a cura (
PASTORE, 2005).

O Infarto Agudo do Miocárdio é uma das cardiopatias que mais matam no
mundo e caracteriza
-
se por morte (necrose) de determinada área do coração, comprometendo
a sua capacidade de contração e dilatação, movimentos responsáveis pela distrib
uição
sangüínea no corpo. Está dividido de acordo com a área lesionada no coração de forma que
quando ocorre na parede anterior do músculo cardíaco é caracterizado por infarto anterior

(DUBIN, 1976).

De acordo com Araújo (2002), a análise da relação existe
nte entre o
comportamento elétrico do coração e possíveis cardiopatias data de 1903, quando Willem
Einthoven descreveu as subdivisões das principais ondas que compõem os sinais elétricos
provenientes do coração (P, Q, R, S, T). Isto lhe rendeu o prêmio Nob
el de Fisiologia em
1924 (MELCO,
2007
).

A análise de um ECG feita de forma automática e por

meio de ferramentas
computacionais para a detecção do infarto tem sua importância na precisão com que estas
ferramentas detectam e analisam os dados apresentados.
Em contraponto, acredita
-
se que,
quando esta patologia ocorre de forma leve, suas características podem apresentar
-
se de
forma branda e passarem despercebidas pelo profissional de saúde (PASTORE, 2005).

Muitas vezes, as análises do ECG ocorrem nos mais v
ariados ambientes e sob
diversas formas de pressão, como em emergência de hospitais ou outras situações nas quais
um grande número de pacientes é atendido em intervalo curto de tempo (SOCIEDADE
BRASILEIRA DE CARDIOLOGIA, 2003). Desta forma, a automatização

de processos
facilita o amplo atendimento sem comprometer a eficácia da análise.

Embora se entenda que, até o presente momento, o computador não consiga
substituir o profissional de medicina, é evidente uma eficácia e rapidez utilizando
-
se deste
para uma

análise com exatidão, pois

utiliza cálculos matemáticos precisos, os quais lhe
permitem detectar uma pequena variação do sinal analisado, coisa que seria muito difícil de
perceber por uma simples observação do ser

humano


(SEKIGUCHI,
1999, apud
SOCIEDADE
BRASILEIRA DE CARDIOLOGIA, 2003).

Estudos acadêmicos
estão

surgindo, com a finalidade de definir um algoritmo de
reconhecimento de padrões, visando auxiliar ao profissional de medicina na interpretação de
ECG (SÁ,
2000)
. Para isso, modelagens matemáticas e

a matemática computacional estão
sendo utilizadas para promover uma solução capaz de analisar um exame e diagnosticar
possíveis patologias com precisão e eficiência.

Modelagens matemáticas se utilizam de funções matemáticas para representar
padrões físic
os a partir de equações algébricas. Porém, processos físicos normalmente
exigem representações contínuas, ou seja, entre um estado observado e outro ocorrem
infinitas variações, o que impossibilita a análise através de um computador digital
(ARAÚJO, 2002;
GOMES; VELHO;
GOLDENSTEIN
, 1997
).

Transformadas
Wavelet

(WT
Wavelets Transform
) são exemplos de abordagens
matemáticas que permitem a interpretação de sinais de ondas por meio de um computador
digital
. Estas abordagens podem servir como ferramentas para t
écnicas computacionais.
(ARAÚJO, 2002; MELCO,
2007
; MANZAN,
BARBAR e KANAAN

2004).

Este trabalho tem por finalidade desenvolver uma ferramenta de auxílio médico,
que permita uma análise de um ECG e detecte a patologia conhecida como Infarto Anterior,
a pa
rtir da entrada de dados no formato

texto simples fornecido pelo physionet
. A análise da
relação amplitude/tempo ocorreu com a implementação de um algoritmo de modelagem
matemática baseado em Transformada
Wavelet,

aplicado diretamente em exames
digitalizad
os em arquivos de texto. Espera
-
se que esta implementação gere benefícios tanto
para os profissionais de medicina quanto para os pacientes, visando tanto à diminuição do
tempo de análise do exame como o aumento da precisão desta análise quando comparada a
uma observação visual.

O objeto deste trabalho analisa exames de Eletrocardiograma armazenados em
arquivo texto com o intuito de efetuar a detecção da cardiopatia definida como infarto agudo
do miocárdio localizado na parede anterior (infarto anterior). C
onsultas a
cardiologistas

ocorreram no momento do diagnóstico e do entendimento sobre o infarto
anterior. Uma comparação com
o trabalho desenvolvido por Rosário, Monteiro Junior e
Gomes que é intitulado de “Software Inteligente para Detecção de Infarto Ant
erior
Utilizando Redes Neurais” no qual
se desenvolveu uma ferramenta de detecção da mesma
patologia, Infarto Anterior, a partir da
utilização de Redes Neurais e Lógica Fuzzy, também
se tornou pertinente.

Esta monografia está organizada da seguinte forma:

a Seção 2 detalha o
funcionamento do coração, os conceitos de ECG, com uma breve descrição de seu
armazenamento em meio digital, uma descrição da abordagem matemática denominada
transformada
Wavelet
, finalizando com os trabalhos correlatos. A

Seção 3 desc
reve a forma
utilizada para o desenvolvimento do sistema, apresenta informações técnicas sobre o
desenvolvimento da ferramenta, com descrições e ilustrações da obtenção dos exames e os
resultados dos diagnósticos. Por

fim, serão apresentadas as referências

bibliográficas
utilizadas para a realização desse trabalho.




















2 PROCESSOS AUTÔNOMOS PARA DETECÇÃO DE INFARTO
ANTERIOR A PARTIR DA ANÁLISE DO ECG


Essa seção visa explicar os conceitos básicos sobre funcionamento do coração.
Como funcion
a a interpretação do ECG, a detecção do Infarto Anterior e os métodos
necessários para o desenvolvimento da nossa ferramenta. Ao final desta seção,
apresentaremos alguns trabalhos relacionados e, logo após, uma breve comparação entre eles.


2.1

Funcionamen
to do Coração


Ciclo cardíaco é o período decorrido entre um batimento e outro. Isso ocorre de
forma periódica aproximadamente 70 vezes por minuto. A contração dos músculos cardíacos
(sístole), seguida de seu relaxamento (diástole), gera estímulos elétrico
s que poderão ser
medidos em forma de ondas na superfície da pele (ARAÚJO, 2002).


Entre as diversas fases decorridas da sístole à diástole ocorre uma variação do
comportamento elétrico do coração. Essa variação é interpretada no ECG como as diversas
ondas

que compõem o exame como mostra na Figura 1. Dessa forma, atribui
-
se que um
comportamento conhecidamente anormal destas ondas está relacionado diretamente à parede
cardíaca que a gerou (MELCO,
2007
).












Figura 1: Desenvolvimento
da curva de ECG durante o batimento cardíaco


FONTE: MELCO,
2007
.

A despolarização dos ventrículos ocorre qu
ando a onda P atinge o nódulo átrio
ventricular e gera um impulso, que é interpretado como a onda Q.

A onda R é a de maior
amplitude e é formada, também, pela despolarização do nódulo átrio ventricular. As ondas S e
T são constituídas pela total despolari
zação do coração, que irá gerar um novo ciclo cardíaco.
A onda T representa a repolarização dos nódulos do coração para um novo ciclo cardíaco
(Figura 2).


2.2


ECG


Em seu trabalho, Araújo (2002) descreve que, em 1856, foram constatados por
Kolliker e Mü
ler que o batimento cardíaco gerava impulsos elétricos, que poderiam ser
medidos em várias

partes da superfície do corpo.

A partir de então, as tentativas de registrar
tal fenômeno permitiu que, em 1887, Waller conseguisse registrar as variações de potenci
al
elétrico gerados pelo coração. Assim, nascia o princípio básico da análise de sinais emitidos
pelo funcionamento do coração a partir da pele.











O exame é registrado em papel quadriculado, a fim de facilitar a análise do
comportamento elétrico

do coração ao longo do tempo. Dessa forma, tem
-
se a relação direta
entre o espaço marcado no papel, o tempo do comportamento elétrico e a tensão medida, na
forma que um espaço de 5 mm na horizontal e 10 mm na vertical correspondem
respectivamente a uma an
álise de 0,2 segundos com a medição de 1 mV (RAMOS; SOUZA,
Figura 2: O
ndas de um ECG com todo o complexo PQRST

FONTE: RAMOS; SOUZA, 2007.

2007).

Em 1903, Einthoven criou a nomenclatura utilizada hoje para as cinco ondas do
eletrocardiograma P, Q, R, S, T (ARAÚJO, 2002). Também foi ele quem montou um aparato
não invasivo

e mais precis
o na medição da diferença de potencial entre partes do corpo,
mergulhando
-
as em solução salina e
utilizando
-
se
de um galvanômetro de corda. Seus estudos
avançaram, até que, em 1923, definiu a relação do traçado resultante, denominando partes que
compõem o
traçado do ECG com padrões de patologias cardíacas. Tal estudo lhe rendeu o
Nobel de fisiologia em 1924 (MELCO,
2007
).


Um eletrocardiógrafo moderno é um aparelho que possui eletrodos que captam os
potenciais elétricos na superfície do tórax e membros. Tai
s potenciais são denominados
derivações, que somam
15, das quais apenas 12 são comumente analisadas em um exame:

DI,
DII, DIII, aVF, aVL, aVR, V1, V2, V3, V4, V5 e V6 (DUBIN, 1976).
Porém, para a detecção
do Infarto Anterior apenas as derivações V1, V2, V3
, DII e DIII são analisadas (BUENO,
2007).

Manzan,
Barbar e Kanaan

(2004) definiram o ECG


como um sinal repetido com
uma determinada variação de tempo.

O pacote de

ondas deste sinal (P,

Q, R, S e T) pode
ser

dividido

em três fases ou segmentos: PQ, QRS e
ST. Cada segmento é composto pelo
agrupamento de duas ou mais ondas, de forma que, em conjunto, armazenam características
relevantes sobre as condições atuais do coração. As patologias cardíacas identificadas pelo
exame são variações em uma ou várias fases

desses pacotes.



De acordo com Beiley et al (1990) para que uma haja uma análise automática de
exames de ECG algumas observações quanto à forma de obtenção das informações dos pulsos
elétricos devem ser seguidas:

1.

As informações digita
is capturadas do exame devem ter freqüência
mínima de 500Hz.

Figura 3
-

E
xemplo um ECG normal seguido de 04 variações de modificações no Segmento ST

Fonte:
RAMOS; SOUZA
, 2007.

2.

Para que uma ferramenta computacional permita a plotagem em tela para a
análise visual do exame a resolução (
Bits

por segundo) deve ser igual ou
superior a 1000
bits

por segundo numa freqüência d
e 500Hz.

Com base nestas informações a utilização de arquivos do Physionet se justifica,
pois são armazenados com uma freqüência de 1Khz e taxa de resolução 1kbits por segundo.


2.2.1


Interpretação do ECG na detecção do Infarto Anterior


O infarto do mi
ocárdio resulta de uma oclusão de uma artéria coronária que
impede a irrigação sangüínea e causa necrose e morte das células cardíacas
-

cardiomócitos
(Dubin; 1976, Bueno; 2006). A obstrução de uma artéria coronariana ocorre de forma
gradativa e se dá pelo

acúmulo de gorduras presentes no sangue na parede arterial (Dubin;
1976).

Segundo
J. T. S. Soares
-
Costa (2005), o diagnóstico clínico do infarto agudo do
miocárdio fundamenta
-
se nos sintomas, nos dados dos eletrocardiogramas e na detecção de
marcadores bi
oquímicos


substâncias liberadas na corrente sangüínea devido à lesão de
células miocárdicas.



Sintomas


Dor torácica sem causa desencadeante, com duração acima de
30 minutos podendo durar horas, eventuais náuseas, vômitos, arritmias etc.
e agitação do do
ente.



ECG


Um dos pilares na detecção do Infarto, geralmente é o primeiro
exame complementar de diagnóstico e nele é verificado basicamente a
presença de ondas Q que possuam, pelo menos, 0,30 ms de duração com
0,20mV de profundidade nas derivações I, II,
aVF, VI à V6, DI e aVL ou a
presença de segmento ST elevado ou rebaixado em valor maior ou igual a
0,10 mV por 0,02 s.



Presença de marcadores bioquímicos na corrente sangüínea como as
troponinas T

e I creatinofosfocínase dentre outros.

O infarto anterior,
conforme Dubin (1976) é definido pela presença de onda Q
patológica, ondas com largura de 1 mm ou 1/3 (um terço) da altura do complexo QRS, nas
derivações V3 e V4, porém apenas a presença de tais ondas pode representar uma situação de
infarto onde o múscul
o cardíaco envolvido já foi cicatrizado o que representa Infarto Antigo
(lesão do miocárdio cicatrizada). Para que se identifique um Infarto Agudo em andamento é
analisado o segmento ST com Supra Desnível acima de 0,10mV com duração mínima de
0,02s. No ent
anto, Ramos e Souza (2007), Figura 3, mostram que nem todo desnível do
segmento ST implica em uma caracterização de uma cardiopatia, ou seja, é necessário
acompanhar os resultados de outros exames laboratoriais e outras observações que apenas o
profissiona
l de medicina é capaz de detectar. De forma geral, entende
-
se que um
desnivelamento para cima superior a 2 mm ou 0,08 segundos é suficiente para suspeitar
-
se de
cardiopatia
.


Bueno (2007) descreve que, apesar de ser conhecida, a análise dos sinais das
deri
vações do ECG não é suficiente para determinar o Infarto. Um exame de sangue identifica
a morte celular através da detecção de enzimas que deveriam estar presentes apenas dentro
das células. A observação de um Supra
-
Desnivelamento do Segmento ST nas deriva
ções
mencionadas é um sinal claro de comprometimento da parede cardíaca, onde a cardiopatia
ocorre da seguinte forma:



Supra
-
Desnivelamento do segmento ST em V1, V2, e V3 seguido de Infra
-
Desnivelamento nas Derivações II, III
e aVF.



Supra
-
Desnivelamento de
ST de forma convexa em V3


2.3

Wavelet


Wavelet

são funções matemáticas com ampla utilidade na análise de dados tanto
no domínio do espectro (Freqüência) quanto no domínio

espacial (Tempo). Utiliza
-
se de
transformação integral, em que seus núcleos, ou funç
ões base, são usados para representar,
caracterizar ou extrair informações de um processo (
PROTÁZIO
; 2002).

O termo
Wavelet

foi mencionado pela primeira vez por Alfred Haar,

em 1910. Ele
propôs a utilização de crescentes aproximações

para se obter o resu
ltado aproximado de uma
função com o uso de partes constantes, método chamado hoje de
Wavelet

de Haar. Após a
criação das
Wavelet

de Haar, vários matemáticos, físicos e engenheiros contribuíram para os
pressupostos de Haar e definiram outras análises de si
nais de dados a partir de
Wavelet
,
dentre
elas: Meyer, Mexican Hat etc. (MELCO;
2007
).

Toda a análise de dados tanto no domínio do espectro (Freqüência) quanto no
domínio de tempo com a utilização de Transformadas
Wavelets
é realizada utilizando
-
se uma
W
avelet

protótipo ou
Wavelet

Mãe
. Esta pode sofrer alterações de Translações ou
Escalonamentos formando
Wavelets
filhas, onde

é a
wavelet

mãe e
b
a
,


é a
wavelet

filha
com escala a e localização b (PALODETO, 2006).











a
b
t
a
b
a
1
,


Protázio

(
2002) determina que a escolha de uma função base determine o tipo de
informação que se deseja extrair de um determinado processo. Os sinais de um
eletrocardiograma possuem as três características para uma análise a partir
da transformada
Wavelet:



Não


estacionaridade


Os sinais não possuem uma posição conhecida no
tempo.



Componentes transientes de curta duração


Os sinais podem possuir
características que se alteram em espaços de tempos curtos em comparação
com o tempo
de análise como um todo.



Singularidades em várias escalas diferentes


Os sinais possuem
comportamento único em vários espectros de freqüência.

Um filtro

é utilizado para definir equações matemáticas que serão utilizadas como
auxiliares na análise dos sina
is de entrada.

No caso de análise de ECG, os filtros serão
utilizados para atenuar os ruídos criados por sinais provenientes de ondas captadas por um
ECG que sejam

diferentes

das ondas do pacote P, Q, R, S, T e acentuar as freqüências desses
pacotes (OLIVE
IRA; 2007).

Oliveira (2007) estabeleceu que uma
Wavelet

pudesse ser interpretada como duas
transformadas lineares locais geradas por um banco de filtros de fator de qualidade constante
e que uma equação
Wavelet
é dita como

wavelet
-
mãe
se originar outras
W
avelets

com
tamanhos e funções diferentes.
Oliveira (2007) define sua equação como:



t


Wavelet


Mãe


t




R
L
2
.








dt
t
2


e





,
E

Palodeto (2007)

descreve que uma
wavelet

possui uma janela de tempo que se
adapta à freqüência analisada, daí sua capacidade de análise tanto no tempo quanto na
freqüência figura 4.

Equação básica da Wavelet protótipo

(MÃE). Fonte: PALODETO, 2006.


Observa
-
se assim, que as Transformadas
Wavelets
são capazes de um sinal em
grandes int
ervalos de tempo ao mesmo tempo em que se possui uma freqüência igualmente
alta.

Devido à limitação do computador em utilizar valores contínuos é necessário
estabelecer uma equação Wavelet discreta tanto na freqüência quanto no tempo, para isso
Oliveira (2
007) descreve a equação de séries
Wavelets

com tempo discreto (DTWS
Discrete
Times Wavelets Series
) como:

DTWS(m,n) : =











k
m
m
n
k
k
f
2
2
2

.

A análise de multiresolução consiste no entendimento de uma determinada onda
não estacionária que possui caract
erísticas simultâneas de tempo e de

freqüência.

Essas
variações podem ser analisadas a partir de um determinado filtro que também é uma função
Wavelet.

A resolução do tempo deverá aumentar com a freqüência central da análise a
partir dos filtros utilizados
. Essas respostas da análise do filtro da freqüência são regularmente
espaçadas sobre uma linha central da própria freqüência. Toma
-
se como base, que a razão
entre a freqüência e sua variação é uma constante. Portanto, a variação da freqüência também
é a v
ariação de tempo

(RIOUL,

VETERLI; 1991).




Figura 4


Demonstração da relação Tempo x Freqüência com Wavelet: Fonte PALODETO, 2007
.

2.4 Ferramentas Relacionadas à Detecção de Cardiopatias


A tentativa de definir um algoritmo eficiente para detectar e interpretar as ondas
do ECG é mais comum que a detecção de uma cardiopatia específica, como
no caso do pré

infarto. A detecção do complexo QRS é instrumento de estudo por mostrar
-
se o conjunto de
ondas de maior intensidade e com maior variação quando comparadas com as ondas P e T.

Nessa fase, descrevemos uma comparação entre Melco (
2007
), Manzan
,
Barbar e
Kanaan

(2004) e Pilla Jr. e Lopes (1999), os quais tentaram interpretar a curva do ECG a
partir de transformadas
Wavelets
, Equações Polinomiais, FFT e Redes
Neuro
-
Fuzzy
. Todos
se utilizaram de filtros para diminuir a influência de ruídos causado
s pela variação elétrica de
outros órgãos ou causados pelo próprio aparelho de detecção do exame, o eletrocardiógrafo.

Melco (
2007
) utilizou
-
se do banco de dados do
Physiobank,

mais precisamente
do
Physicalisch
-
Technische Bundesanstalt

(PTB),

para a avalia
ção dos seus estudos na
detecção do complexo QRS de um ECG sob uma abordagem matemática. Um fato relevante
para a utilização do banco de dados da Physiobank foram anotações inseridas em cada
arquivo, pois todas as curvas analisadas receberam comentários de

cardiologistas sobre as
características do ECG, à análise do complexo QRS e à classificação entre normal e ectópico
(Batimento cardíaco irregular ou arritmia).

Para descrever o reconhecimento do padrão ECG, Melco (
2007
) descreveu três
possibilidades de an
álise: Equações Polinomiais com método dos mínimos quadrados,
Transformadas Rápidas de Fourier com Janela de tempo deslizante e Transformadas
Wavelet
.
As transformadas
Wavelet

se mostram como a melhor alternativa matemática para a análise
de um eletrocardi
ograma. Ele descreve que as Equações Polinomiais com método dos
mínimos quadrados não se mostram como uma boa opção. Esta técnica tenta gerar um
polinômio que descreva uma das curvas de um ECG. Uma vez que um ECG é composto de
várias curvas, com comportame
ntos diferentes, é necessário utilizar o algoritmo diversas
vezes.

Nessa abordagem, Melco (
2007
) fez três análises de ondas do ECG. Nas duas
primeiras, utilizou
-
se de um polinômio para cada instante de tempo e para cada derivação. O
algoritmo desenvolveu p
olinômios de graus 2 e 3, respectivamente. Dessa forma, tiveram
uma demonstração gráfica semelhante aos gráficos originais do exame. Na terceira, utilizou
-
se de um único polinômio para o ciclo completo de batimento. Para isso, o algoritmo
desenvolveu um po
linômio de grau 15; porém, este não demonstrou semelhança com o
gráfico original.

Quanto ao estudo de transformadas rápidas de Fourier com janela de tempo
deslizante, Melco (
2007
) concluiu que, a razão do computador utilizar
-
se de valores
discretos, não se
ria possível utilizar a equação de Fourier contínua. Por isso, utilizou
-
se da
Transformada Discreta de Fourier, dada por:





1
0
2
1
n
j
n
k
j
j
k
e
f
n
x


Onde as amplitudes são dadas por:





1
0
2
n
j
n
k
j
j
k
e
x
f


Transformada Discreta de Fourier. Fonte: MELCO, 2007
.


Com a utilização das FFT na análise de três batimentos tomados de forma
aleatória, mais precisamente os batimentos 25, 26 e 27, Melco (
2007
) visualizou que as
freqüências variam de 0 Hz até 60 Hz. Porém, apenas as que vão até 40 Hz possuem real
importâ
ncia na análise. Isso não gera um impedimento real na utilização da abordagem, o
que demonstra que a FFT apresenta
-
se como uma metodologia confiável para a reconstrução
das ondas que compõem o exame.

Uma limitação desse processo de análise é que tanto as E
quações Polinomiais
quanto as Transformadas Discretas de Fourier precisam obter ondas de ECG como ondas
estacionárias, o que implica na existência de um atraso entre a detecção das ondas e o
tratamento de seus sinais. Devendo
-
se absolver um complexo inteir
o QRS para fazer a
análise do sinal.

Utilizando uma variável de tempo tão pequena quanto possível, obtém
-
se uma
aproximação precisa do comportamento da onda. O problema desse processo é que se perde
na precisão durante o cálculo dos valores no campo dos n
úmeros complexos.

Melco (
2007
) descreve outras limitações para o uso das FFT, como um alto
consumo de recursos computacionais, pois necessita de uma grande quantidade de
parâmetros na análise, dependência na definição de uma janela de tempo específica. Po
is
para a análise ser eficiente necessitaria de um algoritmo externo para a detecção dos
k = 0,......, n
-

1

j = 0,......, n
-

1

batimentos e existem poucas ferramentas para a filtragem do sinal e eliminação de ruídos
devido ao seu baixo poder de abstração entre a freqüência e o momento em que e
las ocorrem.

As Transformadas
Wavelets

se aproximam das FFT na forma da análise, porém,
tentam dirimir dois problemas potenciais desta abordagem, que é a perda de precisão quando
se utiliza a janela de tempo e a necessidade de reconhecimento da onda como u
m processo de
ondas estacionárias. Nesse método, a diferença entre essas transformadas é que a freqüência
é substituída por uma variável inversamente proporcional, a escala. Para melhor descrever a
função da onda do complexo QRS, foi utilizado um tipo de
W
avelet
, chamado Symlet.
Porém, em sua modelagem matemática para a descrição da curva, também se utilizou de
vários filtros para que o complexo de ondas captado e interpretado fosse referente apenas às
ondas do exame ECG.

Para diminuir a detecção de espasm
os musculares, foram estabelecidos dois
processos de filtragem:

um elimina toda a detecção de sinal numa freqüência de 35 Hz, e
outro, o filtro de Passabanda, diminui o ruído na faixa de freqüência em que não se espera
obter nenhum sinal de onda. O filtro
de Kalman foi utilizado na tentativa de eliminar os
ruídos que podem ocorrer no sinal de forma aleatória e não são previstas, pela característica
que este possui em atualizar um determinado estado analisado sem que necessariamente se
chegue ao fim da janel
a ECG, ou seja, além de ser possível verificar as características dos
dados apurados no instante anterior podem
-
se estimar os dados que serão verificados num
instante posterior, os resultados obtidos na utilização do filtro de Kalman foram considerados
sat
isfatórios.

Para provar a eficiência desse filtro, Melco (2007) tentou gerar uma análise
precisa do ECG, mesmo sem um dos eletrodos, pois este filtro consiste em correlacionar as
derivações do ECG a partir de uma visão de que suas derivações são de um me
smo vetor sob
vários ângulos diferentes. Sendo assim, tenta
-
se decompor o sinal em vários vetores e, a
partir de suas combinações, preverem o comportamento de todo um conjunto.

Manzan,
Barbar e Kanaan

(2004) desenvolveram um sistema hierárquico
modular par
a a detecção do complexo QRS. Nesse sistema, são propostos quatro estágios: o
pré
-
processamento; a identificação do complexo QRS, juntamente com as ondas P e T; a
classificação e caracterização do complexo QRS e das ondas P e T e o reconhecimento de
padrõe
s utilizando a abordagem estrutural das formas agrupadas.

O primeiro estágio, o de pré
-
processamento, possui duas etapas, sendo uma a
filtragem dos ruídos, que firma a submissão do sinal capturado do banco de filtros, que
aperfeiçoa a relação ruído x sinal
. A outra etapa é a normalização do sinal, que irá corrigir
alguns aumentos de variações encontrados no sinal do ECG.

No próximo estágio, a identificação do complexo QRS e das ondas P e T são
aplicadas às Transformadas
Wavelet
, que possuem a propriedade d
e, em altas freqüências,
obter uma boa definição no tempo. Essa propriedade é útil para a análise de ECG, pois nelas
ocorrem sinais com componentes de alta freqüência com curtas durações em comum com
componentes de longa de duração em baixas freqüências. N
esse estágio, utilizam
-
se dois
tipos de Transformadas
Wavelet

Contínua (CWT): a Gabor
-
8
-
Power, que analisa a
morfologia do sinal do ECG, e a Chapéu Mexicano (
Mexican Hat)

CWT, que determina a
posição das ondas P, QRS e T.

O terceiro estágio é a rotina de c
lassificação e caracterização do complexo QRS e
das ondas P e T, fracionando a análise do ponto inicial da onda P e do ponto final da onda T,
que é determinado no estágio anterior. Em relação a outros fatores, como largura do QRS,
término, deflexão intrise
cóide e prematuridade, serão consideradas nos complexos QRS de
acordo com a sua forma. No último estágio, o reconhecimento de padrão consolida os
estágios anteriores, utilizando
-
se de algoritmos que fazem comparação das formas agrupadas.

Nesse trabalho foi

verificado que, ao ser inserido no sistema hierárquico modular
uma abordagem da construção de características pelo método estrutural, foram identificadas
formas do sinal de ECG. A forma resultante após o último estágio do sistema proposto
auxilia o profis
sional médico especialista a concluir, com mais exatidão, o diagnóstico do
paciente como sendo portador ou não de alguma cardiopatia.

Utilizando
-
se da rede
Neuro
-
Fuzzy
, Pilla Jr. e Lopes (1999) contribuíram para o
reconhecimento de sinais do ECG, colhendo
amostras de três voluntários, salvando
-
as em
arquivos para, posteriormente, treinar e testar a rede neural. Empregaram os algoritmos
genéticos (AG) para fazer o treinamento das redes neurais, porque se mostram mais
experientes e eficazes no treinamento da
arquitetura e do conjunto de pesos da
Neuro
-
Fuzzy.
Esses AG modelam uma solução para problemas de otimização e busca baseando
-
se no
modelo darwiniano da evolução das espécies. Ingressam em uma solução potencial para um
problema específico à estrutura de um

cromossomo e aplicam operadores de seleção a essas
estruturas, de forma a preservar informações críticas.

Um total de três testes completos e independentes foi realizado por Pilla Jr. e
Lopes (1999), utilizando os arquivos salvos. Desses arquivos, foram
feitos alguns casos de
teste e retiradas 5 ondas P aleatoriamente. Cada conjunto desses segmentos (ondas) foi
treinado em uma rede
Neuro
-
Fuzzy.

Logo após esse treinamento, foi verificado o resultado
mostrado na tabela 1:


Tabela 1
-

Resultado para a detecç
ão de ECG para Três Diferentes Sujeitos

Caso de
Teste #

Limiar de
Detecção

# de ciclos
de ECG

Ondas P
detectadas

Ondas P não
detectadas

Falsas
ondas P

1

0.5

26

25

1

0

2

0.6

27

24

3

1

3

0.6

17

11

6

0

Fonte: PILLA JR.; LOPES, 1999.


O raciocínio adotado
para a detecção ser válida foi à presença de amplitudes
superiores à do limiar de detecção na saída da rede. Esse limiar foi ajustado de acordo com os
experimentos feitos e está localizado na faixa 0,5 mV a 0,6 mV. Um método de treinamento
de uma rede para

cada caso de teste é necessário, pois, ao utilizar uma rede treinada de um
sujeito em outro, os resultados tenderiam a falhas pelas inconstâncias dos sinais biológicos.

Analisando a tabela 1, verifica
-
se que “Falsas ondas P” identificam as situações
em qu
e a rede detectou um segmento de sinal de ECG como sendo uma onda P e, de fato, este
não o era. Nessa situação, a onda detectada foi uma onda T exacerbada.

Ao final da análise, Pilla Jr. e Lopes (1999) verificaram que o método de
treinamento da rede utiliz
ando Algoritmos Genéticos foi eficaz, confirmando à tese do porque
da utilização das técnicas evolucionárias para treinamento de redes neurais. Os resultados
apontam que a arquitetura de redes
Neuro
-
Fuzzy,
junto com o processo de treinamento
genético, é ad
equada para a detecção de

templates

em sinais temporais das amostras.

Na análise dos trabalhos estudados, observou
-
se que as Transformadas
Wavelet
descritas por Melco (
2007
) demonstram vantagens sobre outras abordagens matemáticas no
momento da análise da
onda de um exame ECG, tais como: Facilidade de detecção de suas
características; velocidade na aquisição das ondas analisadas; maior resistência a ruídos,
porém, a necessidade de utilização de processamentos conjuntos como os filtros podem
dificultar a uti
lização da ferramenta. Nos trabalhos de Melco (
2007
) e
Manzan, Barbar e
Kanaan

(2004) foi percebido que não houve um aprofundamento total das possibilidades da
utilização das transformadas
Wavelets.

Pilla Jr. e Lopes (1999) utilizando redes
Neuro
-
Fuzzy

com
provaram que os acertos não se mostraram aceitáveis, uma vez que foram utilizadas três
análises diferentes com uma taxa média de acerto na detecção da onda P inferior a 70%.

2.4.1 Comparações


Verificando a tabela 2, conclui
-
se que um estudo sobre a util
ização de
Transformadas
Wavelet
na detecção e análise de sinais ainda é de muita valia, pois a
potencialidade desta abordagem matemática ainda não foi totalmente explorada. Acredita
-
se
que as taxas de acerto e detecção de cardiopatias podem ser incrementad
as de forma a auxiliar
mais precisamente os profissionais de medicina do que as técnicas automáticas existentes
hoje.

Tabela 2


Comparação entre Casos Correlatos

TRABALHO

ANO

MÉTODO

FILTRO
UTILIZADO

DERIVAÇÕES

ANALISADAS

TAXA DE

ACERTO
GLOBAL

Melco

2007

Transformadas
Wavelet
Equações
Polinomiais

Transformadas
Rápidas de

Fourier

KALMAN

I, II, III, V1, V2,
V3, V4 e V6

100 %

Manzan, Barbar
e Kanaan

2004

Wavelet

Gabor


8
-

Power

Mexican Hat

Não Divulgado

Não
Divulgado

Pilla Jr. e Lopes

1999

Neuro
-
Fuzzy
c/
PCA

Não Informado

Apenas a onda P

67% Aprox.



3

DESENVOLVIMENTO DA FERRAMENTA

Esta seção visa estabelecer a descrição do desenvolvimento do projeto e como os
resultados foram obtidos e validados. Os Tópicos 3.1 e 3.2 dão uma visão da interface da
ferram
enta e de como os dados de análise são adquiridos, as seções 3.3, 3.4 e 3.5 descrevem a
forma como a ferramenta faz a análise e a detecção da cardiopatia bem como descrevem os
métodos utilizados para validação dos resultados, ambiente de testes e considera
ções finais.

A ferramenta desenvolvida tem o objetivo de detectar a cardiopatia Infarto
Anterior, utilizando
-
se da técnica matemática
wavelet
, de forma segura e eficiente, para que
se possa dar agilidade aos profissionais de medicina na obtenção de diagnós
ticos e a
estudantes de medicina no momento de testes de seus conhecimentos.

A fonte de dados utilizada para testes foi obtida na
biblioteca de ECG PTB do
Physiobank

que se encontra dentro do
Physionet,

pois armazena uma grande quantidade de
informações de

exames em padrões apropriados para análise por ferramentas computacionais,
muitos deles comentados e diagnosticados por profissionais de medicina, em formato texto
digital para ser utilizado por qualquer pessoa interessada.

A análise da ferramenta está ba
seada nas afirmações de Dubin (1976) e de
Soares
-
Costa (2005), que diferenciam o Infarto Anterior e o Infarto Anterior Agudo em um ECG pela
presença das ondas Q patológicas e na presença de Supra
-
desnivelamento do segmento ST
respectivamente.

Como descrito

anteriormente, uma onda Q é patológica quando possui uma
amplitude igual ou superior a 1/3 da amplitude do complexo QRS ou quando tem a largura
igual ou superior a 0,02s nas derivações precordiais, enquanto um segmento ST é dito como
indicador de infarto
anterior quando possui um supra
-
desnivelamento com tempo igual ou
superior a 0,08s e amplitude acima de 2 mm.

Para possibilitar a filtragem e análise das derivações capturadas no arquivo está
sendo utilizada a transformada
Wavelet

de Daubechies. A escolha
dessa transformada ocorreu
devido à capacidade de filtragem dos sinais e garantia que a quantidade de dados de entrada
sofrerá uma redução de aproximadamente 93,75%, porém com a permanência das
informações inerentes a análise das principais faixas de energ
ia que compõem o sinal como
amplitude e freqüência.

Para tornar a descrição da ferramenta mais clara,
quatro

etapas de
desenvolvimento são apresentadas a seguir:



Aquisição do ECG


Nessa etapa, o sistema carrega os dados do arquivo
texto para a memória do
computador e faz a separação das ondas de todas
as derivações e da coluna de tempo.



Diagnóstico do Exame


nessa etapa, o sistema faz uma filtragem dos
dados carregados em memória a partir de transformadas
Wavelets
e

identificam os pontos das ondas P, PQ,
Q, R, S, e T das derivações
pertinentes à análise da cardiopatia (V3 e V4), a fim de detectar os fatores
característicos da cardiopatia. (Supra do Segmento ST).



Exibição em tela do resultado do exame analisado


aqui será possível
apenas exibir o resultado

do exame analisado ou plotar as derivações
analisadas com o devido realce dos picos das ondas do complexo QRS e
do segmento ST conforme descrito na
figura 10
.



Salvar resultado


salva o resultado em um arquivo no formato PNG para
que seja verificado poste
riormente a análise feita pela ferramenta (Figura
8).


3.1 Requisitos Funcionais


Para o desenvolvimento do WavECG, foram levantados alguns requisitos
funcionais para definir algumas funcionalidades do
software.
Esses requisitos são:



O sistema deve ler o a
rquivo ECG e carregar em tela qualquer derivação
escolhida pelo usuário;



O eixo x do gráfico deve representar o tempo corrido da derivação;



O eixo y do gráfico deve representar o valor das amplitudes das ondas de ECG
da derivação analisada;



O sistema deve
fazer a análise utilizando
wavelet
das derivações que possuem
ECG Normal;



O sistema deve fazer a análise utilizando
wavelet
das derivações que possuem
características do Infarto Anterior;



O sistema deve ter um tópico chamado Ajuda, com as definições de cad
a
derivação e seus respectivos membros.



O sistema deve executar a validação do exame de ECG lido, indicando se
existe a possível existência da doença cardíaca infarto anterior, caso contrário
será validado como um ECG Normal.

A ferramenta de detecção de
infarto anterior a partir da abordagem matemática
Wavelet

está sendo desenvolvida na linguagem de programação orientada a objetos Java,
utilizando
-
se da máquina virtual
JVM

(
Java Virtual Machine
) de versão 1.6 suportada na IDE
NetBeans Versão 5.5.1. A esco
lha se deu pela familiaridade dos desenvolvedores com a IDE
e da obtenção de bibliotecas prontas na internet. Essas bibliotecas serão utilizadas como
auxílio na plotagem da informação obtida a partir do arquivo de texto e na criação dos
métodos que se util
izarão das transformadas
Wavelets Daubechies
.

A ferramenta de análise de ECG com transformadas
Wavelets

possui uma
interface de entrada de dados via arquivo texto simples armazenado em qualquer pasta
disponível no computador, que permite que as informações

sejam armazenadas em memória
RAM. Esta armazenagem tem por objetivo permitir a devida manipulação de dados para a
plotagem de gráficos e filtragem de informações via transformadas
Wavelets
.

Além dos pacotes padrões do Java está sendo utilizada uma biblio
teca
denominada
jfreechart

versão 1.0.9 para se obter uma perfeita exibição do gráfico. Esta
biblioteca, dentre outras vantagens, permite recursos como ampliação ou redução da imagem
que facilitam a visualização da plotagem.


3.2 Menus do Sistema


O desenv
olvimento da ferramenta levou em consideração que a sua utilização
poderia ser feita por pessoas que não tivessem grande familiaridade ou facilidade em
manipulação de programas computacionais. Dessa forma, a construção dos menus e dos
submenus foi feita co
m a intenção de causar a sensação de simplicidade e facilidade para o
operador como mostrado na Figura 5.



Figura 5


Disposição Geral do Menu do Sistema


No menu Arquivo ocorre toda a manipulação dos dados a serem analisados pela
ferramenta. Nele é pos
sível carregar o arquivo de texto, expor em tela a informação do exame
tanto por derivação quanto na forma completa, salvar as imagens exibidas em tela para
facilitar análises posteriores das plotagens tanto dos exames quanto das derivações
manipuladas via

transformadas
Wavelets
.

No arquivo digital no formato de texto simples carregado a partir do submenu
Carregar ECG observa
-
se uma grande quantidade de informações. Consiste em um arquivo
com 38.401 ou 60.002 linhas divididas em 16 colunas, que equivalem a
38,399 segundos ou
60 segundos, respectivamente. Vale salientar que sempre existirão 2 linhas referentes a
cabeçalho, e toda a contagem inicia
-
se no tempo T = 0 (zero)

segundo. A primeira coluna
representa a tomada de tempo no qual foi efetuado cada regist
ro de sinal de cada uma das
outras 15 colunas. As colunas subseqüentes à do tempo representam as derivações obtidas
pelo eletrocardiógrafo. O tempo registrado no exame possui uma variação de 0,001 segundo,
o que demonstra a precisão com que o registro é ef
etuado e justifica a precisão das
informações existentes no arquivo. Todos os dados armazenados nas colunas de derivações
são compostos por numéricos do tipo
float

e representam a energia medida naquele tempo,
como mostrado na Figura 6.


Ao acessar o sis
tema, o usuário carregará o arquivo do ECG. Esse arquivo será
processado pelo sistema e vai gerar uma imagem com todas as derivações do ECG exibidas
em tela, como mostrado na Figura 7.












Figura 7


Plotagem do ECG com todas as derivações

Figura 6


Exemplo de arquivo Texto Retirado do Physiobank

No submenu Derivação, o usuário poderá escolher a forma d
e visualização por
derivação ou de todas as derivações juntas, como descrito anteriormente e exemplificado na
Figura 5.


O usuário terá a opção de salvar a imagem da tela na qual está plotado o ECG,
escolhendo em que local gostaria de salvar, e criando um
nome para o arquivo que será
gerado em formato JPG, como mostra a Figura 8.


3.3 A Análise

A análise do exame e emissão do diagnóstico baseado na compressão de dados
utilizando transformadas

Wavelet

Daubechies
ocorre na escolha do submenu Diagnóstico
.
Ness
e ponto, o sistema automaticamente carrega as derivações inerentes à detecção do Infarto
Anterior e executa

uma chamada aos procedimentos que efetuam os cálculos das
transformadas
Wavelets
, a fim de filtrar o sinal de entrada com o intuito de otimizar o
pr
ocessamento feito pelo computador
.


Para

a filtragem da derivação escolhida o vetor contendo os dados das energias
que compõem a derivação sofre uma redução para conter apenas 32.768 linhas. Isso ocorre
devido à necessidade de a
wavelet

trabalhar com quant
idades de linhas em potência de 2 e
tendo os arquivos do
Physiobank

entre 38.399 ou 60.000 linhas a única potência possível é
(2
15
). Dessa forma as linhas superiores ao ponto de corte são rejeitadas. A filtragem via
Wavelet

de
Daubechies

carrega todas as 3
2.768 linhas e filtra as energias de forma a obter
2.048 linhas, o que significa que apenas estas são as energias suficientemente analisáveis para
Figura 8


Escolha do local para sa
lvar a imagem do ECG

a detecção do Infarto Anterior. Dessa forma, as transformadas
Wavelets

comprimem o sinal
de entrada em 93,75%

sem perda de informações necessárias à análise de ECG, pois se
mantêm dados como os picos das derivações, as distâncias entre as ondas e a amplitude do
sinal.

Para a implementação das funções
Wavelets

utilizou
-
se a biblioteca desenvolvida
por Ian Kaplan (
2003) que implementa as principais funções
Wavelets
. A biblioteca permite
também o desenvolvimento de métodos que utilizem os dados da entrada e aplicam as
transformadas
Wavelets

para reduzir a quantidade de informações que compõem o sinal do
ECG sem compr
ometer as principais características do exame. A partir dos métodos de Ian
Kaplan (2003)

foi possível estabelecer as matrizes das transformadas
Wavelets

que
permitissem filtrar o sinal na freqüência específica do sinal de ECG que interessava na
análise.

Pa
ra a obtenção dos resultados a ferramenta executará os seguintes passos:



O sistema passará para o algoritmo que efetua o cálculo da transformada
Wavelets

um vetor de
Double

nas derivações V3 e V4. Esse algoritmo retorna
uma análise da derivação sob a ótica

do universo
wavelet

que consiste em um
valor do tipo
Double
, que tem relação direta com a quantidade de energia
necessária para gerar o sinal da derivação, e um vetor de coeficientes
referente à freqüência filtrada pela transformada
wavelet
.

A fim de prov
er capacidade de futuras avaliações, dois arquivos podem ser salvos,
um com a imagem da plotagem do gráfico
wavelet

das derivações que podem ocorrer o
Infarto Anterior, semelhante à da Figura 9.

A extração ocorrerá a partir da identificação dos picos das
ondas R, Q e S
respectivamente, esta ordem foi escolhida devido à diferença de amplitude acentuada da onda
R para as ondas Q e S e deste complexo (QRS) para as demais ondas que compõem o exame
(P e T).

Toda a derivação passa pelo cálculo da
wavelet

de Dau
bechies com escala 4, a fim
de suavizar os detalhes das energias utilizadas para gerar o sinal. Nesse momento, se obtém
como resultado o sinal do ECG sob a ótica do domínio
Wavelet,

preservando as energias
(amplitudes) que geraram o sinal bem como todos os

coeficientes necessários para sua
reconstrução, embora com uma significativa diminuição da quantidade dos dados de entrada.




Para a detecção do complexo QRS e das ondas P e T foi estabelecido intervalo de
0.7s ou 95 posições no vetor das ondas, denomi
nado aqui de janela, podendo ser tomados
aleatoriamente, pois um intervalo de ondas S regulares nas derivações V3 e V4 ocorre em
intervalos de 0,2 segundos podendo variar para menos ou para mais, porém, nunca superior a
0,3s de forma que sempre será captur
adas ao menos duas ondas S (JOHNEFF, 2004).

Um processo de localização de menor sinal de amplitude determinará um pico de
onda S. Após a localização da onda S busca
-
se a primeira deflexão à esquerda a fim de
armazenar a onda R. Com a primeira e segunda def
lexões após a onda R armazenam
-
se
respectivamente os ponto Q e PQ. A identificação da onda P ocorre com o armazenamento do
maior ponto entre os valores de Q e o valor da onda T da janela anterior. A onda T, por sua
vez, é detectada a partir do maior valor
entre o fim da janela e o ponto S.

Este processo ocorre de forma incremental onde para cada onda S armazenada os
outros valores são associados, às ondas R, Q, PQ, P e T, e o sistema passa a armazenar a
próxima onda S conforme demonstrado na Figura 9.

Com o

armazenamento em memória dos complexos QRS e da localização da
crista da onda T a análise pode identificar a presença da patologia mencionada. O sistema
mede a altura média de todo o segmento ST e calcula o tempo que este segmento ocorre
conforme descrito

em Dubin (1976) e Soares
-
Costa (2005) para a detecção de Infarto
Figura 9


Plotagem do ECG Derivação V3

Anterior.


Após a fase de diagnóstico o sistema exibe uma janela com o resultado do arquivo
analisado conforme figura 10 e permite ao usuário salvar a análise realizada ou voltar ao
sistema
para efetuar uma nova análise.





O sistema disponibiliza um menu chamado AJUDA onde é informada uma breve
descrição sobre as derivações do ECG, dividido em membros bipolares e membros unipolares
como visto na Figura 11, no sub
-
item Membros Bipolares, e
ncontra
-
se uma breve descrição
sobre o mesmo e é realizada uma divisão das camadas desses membros que são: DI, DII, DIII,
aVF, aVR e aVL e no sub
-
item, Membros Unipolares, encontra
-
se uma breve descrição sobre
o mesmo onde se detalha uma divisão das camada
s desses membros que são: V1, V2, V3, V4,
V5 e V6.


.


Figura 10


q敬愠de o敳e汴慤ç dç Ex慭攠ECd



Figura 11


Tela do menu ajuda.


3.4 Testes


A fase de testes tem por objetivo aferir o WaveECG quanto à sua capacidade de
detecção da cardiopati
a mencionada a fim de validar a pesquisa e o desenvolvimento da
ferramenta descrita.

Os métodos de avaliações dos diagnósticos efetuados por este objeto de estudo foram
retirados de Luna(2008).

Quando os diagnósticos são avaliados quatro situações são poss
íveis:



Resultado Verdadeiro Positivo (VP)


O diagnóstico é positivo e o objeto de
teste possui a cardiopatia.



Resultado Falso Positivo (FP)


O diagnóstico é positivo, porém, o objeto de
teste não possui a cardiopatia.



Resultado Verdadeiro Negativo (VN)


O diagnóstico é negativo e o objeto de
teste não possui a cardiopatia.



Resultado Falso Negativo (FN)


O diagnóstico é negativo e o objeto de teste
possui a cardiopatia.

A validação de um diagnóstico pode ocorrer a partir do cálculo da Especificidade e da

Sensibilidade que são quantidades de indivídiuos que não possuem a doença e que assim são
diagnósticados VN e quantidade de indivíduos que possuem a doença e assim são
diagnosticados VP respectivamente.

Outras duas métricas são utilizadas para a validação

do diagnóstico como o Valor
Preditivo Positivo (VPP) e o Valor Preditivo Negativo (VPN).

A tabela 3 representa a relação entre os diagnósticos positivos e negativos e as
relações entre os de VN, VP, VPP e VPN.

Tabela 3
-

Relação entre os possíveis result
ados dos testes


TESTE

DOENÇA


PRESENTE

AUSENTE

TOTAL

POSITIVO

Verdadeiro
Positivo

(VP)

Falso Positivo

(FP)

VP + FP

NEGATIVO

Falso Negativo

(FN)

Verdadeiro Negativo

(VN)

FN + VN

TOTAL

VP + FN

FP + VN

VP + FP + FN + VN


Sensibilidade é a capacidad
e de se detectar a doença quando ela está presente. Pode
ser descrita pela seguinte equação:

FN
VP
VP
S



Esta equação descreve que Sensibilidade é diretamente proporcional à razão entre
Verdadeiros Positivos e a soma destes com os Falsos Negativ
os, em outras palavras, pode
-
se
entender que Sensibilidade é o percentual de acerto de um determinado teste quando este trata
da presença de uma cardiopatia.

Especificidade é a capacidade de identificar que a doença não está presente. Pode ser
descrita pe
la seguinte equação:

VN
FP
VN
E



De forma análoga à Sensibilidade, esta equação descreve que Especificidade é
diretamente proporcional à razão entre Verdadeiros Negativos e a soma destes com os Falsos
Positivos , em outras palavras, pode
-
se ente
nder que Especificidade é o percentual de acerto
de um determinado teste quando este trata da ausência de uma cardiopatia.

Todos os resultados serão armazenados a fim de se criar um banco de resultados com
informações do tempo de análise, do resultado do e
xame via ferramenta e diagnóstico
fornecido pelo profissional de medicina. Espera
-
se garantir uma maior eficiência e precisão na
análise dos exames com um consumo menor de tempo a partir da entrada de dados até a
obtenção dos resultados em comparação com a

análise visual por parte do médico.

Para se estabelecer uma validação consistente da ferramenta desenvolvida um cenário
de testes dividido em três fases foi desenvolvido:

1


Inicialmente foram coletados 14 arquivos do Physiobank com exames que
possuíam
apenas as patologias Infarto anterior e 14 exames reconhecidamente normais. Dessa
forma, esperou
-
se fazer, se necessário, ajustes na forma de captura da onda ou na plotagem do
gráfico, bem como estabelecer critérios para determinar uma taxa de acertos acei
tável.

2


A segunda etapa de testes consistiu em alimentar o sistema com uma massa de
dados composta de 20 arquivos que possuíam o Infarto anterior e outra massa com 20
arquivos que possuíam apenas outras cardiopatias, mas sem IAM Anterior mesmo que
conhe
cidamente não normais. Dessa forma, espera
-
se validar a ferramenta quanto à detecção
de falsos negativos e falsos positivos quando submetida a cardiopatias de infarto anterior
apenas ou não. Ou seja, a ferramenta deve selecionar os exames que possuem infar
to agudo
do miocárdio na parede anterior, independente de quantas outras patologias existam no
exame, bem como deverá acusar negativo para esta patologia no caso de sua ausência,
independente das outras patologias existentes no exame.

3


A ferramenta foi
testada com a massa de dados utilizada pela equipe de
desenvolvimento do DoctorCardio a fim de se fazer comparações entre as duas ferramentas
calculando assim a especificidade, Sensibilidade e tempo de resposta.


3.4.1 Descrição da primeira fase de testes


Esta fase tem por objetivo auferir o projeto quanto à sua capacidade de avaliar exames
com apenas a patologia IAM anterior computando as informação de especificidade e
sensibilidade.

Todos os arquivos contidos no site do Physiobank seguem as recomendações

do
comitê de Eletrocardiografia e Eletrofisiologia Cardíaca do Conselho de Cardiologia

Clínica
da Associação Americana de Saúde (BAYLEI et al, 1990).

A partir dessa fase obtiveram
-
se os resultados da seguinte forma:

Sensibilidade:

%
50
,
87
2
14
14



S



Este valor significa que dos arquivos analisados pela ferramenta nesta primeira fase de
testes 87,5%, foram identificados como VP (verdadeiro positivo). Este é o valor de
sensibilidade da WaveECG nesta fase.


Especificidade:

%
35
,
82
14
3
14



E


Este
valor significa que dos arquivos analisados pela ferramenta nesta primeira fase de
testes 82,35%, foram identificados como VN (verdadeiro negativo). Este é o valor de
especificidade da WaveECG nesta fase.

Nesta fase obteve
-
se uma quantidade de VP e VN em 2
3 arquivos para um total de 28
arquivos analisados, os valores encontrados para FP e FN foram respectivamente 2 e 3.

Os valores de FP e FN se deram por uma filtragem de ruído pouco eficiente por parte
dos algoritmos de
Wavelets
devido ao fato de possuírem

características do segmento ST em
V3 e V4 muito parecidas em exames de pacientes normais e doentes. Isto pode ser
considerado aceitável, pois é conhecido que apenas a análise do comportamentos das ondas S,
T e do segmento ST não são suficientes para ident
ificar 100% da cardiopatia. Exames clínicos
e laboratoriais se fazem necessários para confirmar as observações do profissional de
medicina.

O tempo médio decorrido entre o carregamento do arquivo e a emissão do resultado
foi de aproximadamente 95 segundos
.


3.4.2 Descrição da segunda fase de testes



A partir dessa fase obtiveram
-
se os resultados da seguinte forma:

Sensibilidade:

%
33
,
83
10
2
10



S


Este valor significa que dos arquivos analisados pela ferramenta nesta segunda fase de
testes 83,33%, f
oram identificados como VP (verdadeiro positivo). Este é o valor de
sensibilidade da WaveECG nesta fase.


Especificidade:

%
95
,
86
20
3
20



E



Este valor significa que dos arquivos analisados pela ferramenta nesta segunda fase de
testes 86,95%, foram
identificados como VN (verdadeiro negativo). Este é o valor de
especificidade da WaveECG nesta fase.

Com o diagnóstico da segunda fase de testes foi identificado que o WaveECG teve
uma sensibilidade de 83,33%, uma especificidade de 86,95%

para arquivos co
m diversas
patologias podendo apresentar ou não o Infarto Anterior dentre elas.


O tempo de processamento dos exames se mantiveram semelhantes ao da primeira
fase de testes, o que pode
-
se interpretar que a presença de uma ou várias patologias não
compromet
em o tempo de análise da ferramenta.


As relações de FP e FN também se mantiveram no mesmo percentual e se deram pelos
mesmos motivos que na fase anterior.


3.4.3 Descrição da terceira fase de testes


A partir da utilização dos 44 arquivos que compuseram
a massa de dados do
DoctorCardio obtiveram
-
se os resultados da seguinte forma:


Sensibilidade:

%
09
,
87
4
27
27



S


Este valor significa que dos arquivos analisados pela ferramenta nesta terceira fase de testes
87,09%, foram identificados como VN (verda
deiro positivo). Este é o valor de sensibilidade
da WaveECG nesta fase.


Especificidade:


%
00
,
90
27
3
27



E


Este valor significa que dos arquivos analisados pela ferramenta nesta terceira fase de
testes 90,00%, foram identificados como VN (verdadeiro

negativo). Este é o valor de
especificidade da WaveECG nesta fase.

A tabela 4 demonstra uma análise comparativa entre as ferramentas Doctor Cardio e
WaveECG . A partir destas informações foi possível identificar que enquanto uma análise
baseada em redes n
eurais chegou a possuir os valores de 88,89 % de sensibilidade e 92,59 %
de especificidade, uma ferramenta que utilizou equações matemáticas para a filtragem dos
sinais e uma análise direta em software chegou a 87,09% de sensibilidade e 90,00% de
especific
idade.

A massa de dados utilizada pela ferramenta Doctor Cardio era composta apenas por
arquivos com ocorrência de IAM anterior e arquivos saudáveis. Outra observação relevante é
a capacidade de análise de multiderivação efetuada pela ferramenta WaveECG, u
ma vez que
esta analisa as derivações V3 e V4.




Tabela 4
-

Comparação entre as ferramentas WaveECG e DoctorCardio

Nome da
Ferramenta

Cardiopatia

Método de
Análise

Derivações
Analisadas

Quantidade
de Arquivos
Analisados

Sensibilidade

Especificidade

Docto
rCardio

IAM
Anterior

Redes
Neurais
Artificiais
RNA

V2

27

88,89%

92,59%

WaveECG

IAM
Anterior

Análise
direta por
Derivação

V3 e V4

27

87,09%

90,00%



4 CONCLUSÃO


A ferramenta de objeto desta pesquisa foi desenvolvida com o intuito de auxiliar
os profiss
ionais de medicina na análise de ECG para identificar a cardiopatia denominada
Infarto Anterior. Embora até o momento não seja possível substituir o profissional de
medicina pelo computador, avanços significativos vêm sendo alcançados.

A ferramenta denomi
nada WaveECG permitiu ao usuário uma visualização do
gráfico do exame por derivação ou todas as derivações de uma única vez. Também enfatiza as
derivações V3 e V4 para a detecção da cardiopatia, explicitando de forma clara todos os picos
das ondas e dos se
gmentos de ondas analisadas (P, PQ, Q, R, S, ST, T).

O projeto utilizou uma abordagem matemática chamada
wavelet

para fazer a
filtragem dos dados de entrada com o propósito de diminuir a quantidade de dados a serem
analisados e atenuar os ruídos encontrado
s nos mesmos
.

Os testes realizados para a validação da ferramenta demonstraram que esta possui
uma sensibilidade e especificidade de 86,27% e 89,59% respectivamente para uma relação de
exames normais ou apenas com IAM Anterior, e 88,8% e 85,10% respectiva
mente para
exames que possuem também outras cardiopatias.

Comparado com os trabalhos correlatos e com a ferramenta DoctorCardio, a
WaveECG está dentro de condições aceitáveis, pois a ferramenta DoctorCardio, em seu
melhor caso, conseguiu uma sensibilidade
de 88,89% e especificidade de 92,59%.

As diferenças básicas entre as duas implementações podem ser apontadas como a
capacidade de análise em multiderivação (V3 e V4) e o poder de localizar o Infarto Anterior
em exames que possuam outras cardiopatias, inclu
sive esta.

Uma sugestão de trabalhos futuros seria implementação no WaveECG para que
este possa analisar também outras cardiopatias, uma vez que todas as derivações são
extraídas, mas apenas algumas são analisadas. Estabelecer

uma análise em forma de tele
-
processamento também pode se tornar útil para expandir o poder de uma ferramenta deste
porte à regiões em que o profissional de medicina não esteja presente.



REFERÊNCIAS BIBLIOGRÁFICAS


ARAÚJO, Gilson Anselmo.
Desenvolvimento de um cliente PACS DICOM 3.0



Compatível para Consulta, Análise e Laudo de Exames de Eletrocardiografia. 2002.
Dissertação (Mestrado em Ciência da Computação)
-

UFSC, Santa Catarina.


BAILEY, James J. et al.
Recommendations for Standardization and Specificatios in
Automated Electroc
ardiografy:
Bandwidth and Digital Signal Processing.
1990. Disponível
em
<http://circ.ahajournals.org/cgi/reprint/81/2/730.pdf >. Acesso em: 18 set. 2008.


BUENO, Nira Maria.
Classificação Automática de Cardiopatias Baseada em
Eletrocardiograma
. 2007. Diss
ertação (Pós
-
Graduação em Engenharia Elétrica)


UFU,
Uberlândia, MG.


DUBIN, Dale.
Interpretação Rápida do ECG:

Um Novo e Simples Método Para Leitura
Sistemática de Eletrocardiogramas. 3º Ed. Rio de Janeiro: Publicações Científicas, 1976.


GOMES, Jonas;
V
ELHO, Luiz; GOLDENSTEIN, Siome.

Wavelet
:
Teoria, Software e
Aplicações
. In:

21º COLÓQUIO BRASILEIRO DE MATEMÁTICA: IMPA: 21
-
25 julho,

1997 Rio de Janeiro: IMPA, 216p.


JOHNEFF, Vladimir.
Complex Valued Wavelet Analysis for QRS Detection in ECG
signals.
Sof
ia:

Technical University, 2004.


KAPLAN, Ian.
Wavelets and Signal Processing.

2003. Disponível em:
<http://www.bearcave.com/misl/misl_tech/wavelets/index.html>. Acesso em: 15 set. 2008.


LUNA, Braulio.
Utilização Racional dos Testes Diagnósticos em Cardio
logia.

São Paulo:
Carsa da Cardiopatia Hipertensiva, 2008. Disponível em: < http://www.unifesp.br
/dmed/cardio/ch/utiliza.htm>. Acesso em: 15 nov. 2008.


MANZAN, William Alexandre; BARBAR, Jamil Salem; KANAAN, Elias Esber.
O Uso de
Wavelet

no Reconhecime
nto de Padrão em ECG.

Uberlândia: UFU, 2004.


MELCO, Tito Coutinho.
Estudo do Eletrocardiograma sob uma Abordagem Matemática.

São Paulo: EPUSP, 2007. Disponível em: <http://www.pmr.poli.usp.br/pmr/bt/BTPMR0707

.pdf>. Acesso em: 10 set. 2007.


OLIVEIRA, Hél
io Magalhães de.
Análise de Sinais para Engenheiros
: Wavelets. 1. ed. Rio
de Janeiro: Brasport Livros, 2007. 268 p.


PALODETO, Viviane.
Sistema Computacional para o Processamento, a Análise e a
Classificação do Sinal Eletrocardiográfico de Neonatos e Adult
os:
2006. Dissertação
(Mestrado em Engenharia Elétrica)


Universidade Federal de Santa Catarina, Florianópolis


SC.


PASTORE, Carlos Alberto. Por que realizar um eletrocardiograma.
Revista do ECG
, São
Paulo, n. 1, fev., 2005.



PHILIPS.

XML Protocols.

Di
sponível em:

<
http://www.medical.philips.com/main/products/cardiography/xml.html>. Acesso em: 5 maio
2008.


PILLA Jr., Valfredo; LOPES, Heitor Silvério. Reconhecimento de Padrões em Sinais
Eletrocardiográficos com Rede Neuro
-
Fuzzy e Algoritmos Genéticos. I
n: CONGRESSO
BRASILEIRO DE REDES NEURAIS, 4, São José dos Campos, 1999.
Anais...
São José dos
Campos: ITA, 1999. p. 42
-
46.


PROTÁZIO, João Marcelo Brazão.
Análise de Wavelets Aplicada a sinais Geofísicos.
2002. Dissertação (Mestrado Ciências e Engenharia d
e Petróleo)


Unicamp, Campinas
-

SP


RAMOS, Ângela Patrícia; SOUZA, Bolívar Saldenha.

Eletrocardiograma:

Princípios,
Conceitos e Aplicações. Disponível em: <
http://www.centrodeestudos.org.br/pdfs/ecg.pdf>
.

Acesso em: 21 nov. 2007.


RIOUL, Oliver; VETTERL
I, Martin.

Wavelet

and Signal Processing.

IEEE Signal
Processing Magazine
, v. 8, n. 4, p. 14


38, out. 1991
.


SÁ, Joaquim Marques de.
Reconhecimento de Padrões.

2000. Disponível em:
<
http://paginas.fe.up.pt/~jmsa/recpad/index.htm>
. Acesso em 10 abr. 2008.



SILVA, Andréa Vergara; EYNG, Juliana.
Wavelet

e
Wavelet

Packets. In: SEMINÁRIO DE
VISÃO COMPUTACIONAL, Santa Catarina, 2000.
Anais eletrônicos...
Santa Catarina:
UFSC, 2000. Disponível em: <http://www.inf.ufsc.br/~visao/2000/
Wavelet
/#2>. Acesso em:
15 s
et. 2007.


SOARES
-
COSTA, J.T.S. Nova definição clínica do enfarte do miocárdio.
Revista da
Sociedade Portuguesa de Medicina Interna,
Lisboa, v. 12, n. 1, JAN/Mar 2005.


SOCIEDADE BRASILEIRA DE CARDIOLOGIA (SBC).
Diretriz de Interpretação de
Eletrocardiogra
ma de Repouso.

Disponível em: <http://www.scielo.br/pdf/abc/v80s2/
a01v80s2.pdf>. Acesso em: 20 set. 2007.