Non-invasive monitoring system of physiological variables

Abstract

Esta tesis presenta un sistema de monitoreo no invasivo de variables fisiológicas. El sistema utiliza sensores de presión montados en una silla, los cuales capturan actividad cardíaca y respiratoria. A partir de las señales adquiridas, se desarrollaron algoritmos para calibrar el sistema, calcular umbrales y ajustar la ganancia del sistema, algoritmos para estimar la calidad de la señal cardíaca y respiratoria adquirida, algoritmos para calcular la frecuencia cardíaca y frecuencia respiratoria a partir de las señales y algoritmos de diagnóstico con el objetivo de monitorear y generar alarmas ante anomalías. Se midieron a 34 personas sanas en un ambiente de laboratorio, las cuales realizaron una secuencia de instrucciones para determinar el efecto de la posición en el sensor. También fueron medidos luego de realizar ejercicio físico con el objetivo de validar alarmas de frecuencia cardíaca y los algoritmos de estimación de calidad de la señal. Además, se midieron 24 personas que padecían brilación auricular (AF) en un hospital, con el objetivo de validar alarmas de ritmo caríaco. Finalmente se simularon casos de actividad cardíaca con diferentes niveles de ruido, en donde se evaluó el error de estimación de frecuencia cardíaca y el retardo en la generación de alarmas y se compararon estos valores con lo indicado en el estándar ANSI/AAMI para monitores de actividad cardíaca. Se procedó a validar, en forma off-line, los algoritmos de estimación de calidad de las señales, la estimación de la frecuencia cardíaca, la detección de apneas en la señal respiratoria y las alarmas. Los resultados arrojaron que la mejor postura para monitorear las señales es la de estar sentado apoyado en el respaldo con un error de estimación de frecuencia cardíaca de -0.41 3.76 BPM y con una medición efectiva del 51 %. La estimación de calidad de la señal de balistocardiograma arroó un 95% de sensibilidad para detectar ruido. En cuanto a la señal respiratoria, el algoritmo para estimar una mala calidad de la señal arrojó un 87% de sensibilidad. En cuanto al diagnóstico de apneas se obtuvo un 86% de sensibilidad y un 76% de especificidad. Con respecto al diagnóstico de arritmias, el algoritmo obtuvo un 89.7% de precisión en la condición de reposo, un 85.4% de precisión después del ejercicio y un 73% en el diagnóstico de ritmo cardíaco. En cuanto a las simulaciones, se comprobó que el algoritmo de diagnóstico de actividad cardíaca es capaz de medir un rango de frecuencias de 30 a 300 bpm, además de alertar dentro de los rangos de tiempo estándares para casos de asístole y taquicardia. Finalmente los algoritmos fueron probados en tiempo real en un computador de placa unica, los cuales cumplieron con los requerimientos de tiempo de ejecución, lo que indica que los algoritmos pueden ser implementados en tiempo real utilizando una Raspberry Pi 3, la cual se comunica por WiFi a un computador principal para reportar las alarmas. Se concluye que el algoritmo es capaz de generar alarmas a partir del uso de sensores no invasivos a través de un monitoreo en tiempo real, sin afectar la comodidad del paciente.