Comparación de algoritmos detectores de latidos en señales BCG con y sin incorporación de red neuronal convolucional.

Abstract

La intención de este trabajo es avanzar en la adaptación del BCG para su uso en hogares y sistemas Home-Care. El Balistocardiograma (BCG) es el registro de las fuerzas balísticas del cuerpo producidas por la contracción ventricular. La base de datos con los registros BCG a analizar corresponde a la misma utilizada en la competencia de detección de latidos en la Conferencia Internacional en Informática Biomédica y Salud (International Conference on Biomedical and Health, ICBHI). En dicho evento, se presentó el desafío científico de detección de peaks en BCG, evaluando los algoritmos de los participantes mediante un Score que es el mismo método de evaluación para este proyecto. Se implementan tres algoritmos detectores de peaks, el primero es una recreación de estudios anteriores en la Universidad de Concepción y los otros son son modificaciones del primer algoritmo. Un típico problema en esta área son los Artefactos por Movimiento (MAs) los cuales son difíciles de filtrar y entorpecen la detección de latidos. Además, la detección de MAs es un proceso complejo si se trabaja con algoritmos basados en lógica y reglas matemáticas convencionales. Por esta razón se crea una Red Neuronal Convolucional (Convolutional Neural Network, CNN) especializada para clasificar el ruido y los segmentos limpios, lo que permite cancelar la detección de latidos en zonas de ruido. Entre los algoritmos detectores de peaks, se destaca el que utiliza técnicas de reconocimiento de patrones como template matching, que implica el uso de una plantilla correlacionada con los complejos IJK de la señal, con el cual se obtuvo un Score igual a 147. Al combinar la detección de peaks y la CNN, el Score mejora a 108. Como referencia, el ganador de la competencia obtuvo un puntaje de 133 puntos. Se manifiesta la utilidad de la red neuronal que mejora notablemente la detección de latidos lo que permite desarrollar un sistema de medición mas confiable.

The intention of this work is to advance in the adaptation of the Ballistocardiogram (BCG) for its use in home and Home-Care systems. The Ballistocardiogram is the recording of the ballistic forces of the body produced by ventricular contraction. The database containing the BCG records to be analyzed corresponds to the same one used in the heartbeat detection competition at the International Conference on Biomedical and Health Informatics (ICBHI). In this event, the scientific challenge of detecting peaks in BCG was presented, evaluating participants’ algorithms using a Score, which is the same evaluation method for this project. Three peak detection algorithms are implemented. The first is a recreation of previous studies at the University of Concepción, and the others are modifications of the first algorithm. A common problem in this field is Motion Artifacts (MAs), which are difficult to filter out and hinder heartbeat detection. Additionally, detecting MAs is a complex process when working with logic-based and conventional mathematical rule algorithms. For this reason, a Convolutional Neural Network (CNN) is created to classify noise and clean segments, allowing the cancellation of heartbeat detection in noisy areas. Among the peak detection algorithms, one that uses pattern recognition techniques like template matching stands out. This involves using a template correlated with the IJK complexes of the signal, resulting in a Score of 147. By combining peak detection with the CNN, the Score improves to 108. For reference, the competition winner obtained a score of 133 points. The utility of the neural network is evident, significantly enhancing heartbeat detection and enabling the development of a more reliable measurement system.