Abstract
Este trabalho apresenta uma primeira abordagem ao desenho, desenvolvimento e implementação de um dispositivo inteligente para a medição e detecção em tempo real de alterações na variabilidade da frequência cardíaca (VHC). O dispositivo inteligente segue um esquema de design modular, que consiste em um módulo de aquisição de sinal de eletrocardiograma (ECG), um módulo de processamento e um módulo de comunicação sem fio. A partir de sinais de ECG de cinco minutos, os algoritmos do módulo de processamento realizam uma estimativa espectral da HRV. Os resultados experimentais demonstram a viabilidade do dispositivo inteligente e dos algoritmos de processamento propostos.
1. Introdução
As doenças cardiovasculares estão entre as principais causas de morte da população . Estima-se que 17,3 milhões de pessoas em todo o mundo morrem como resultado de doenças cardiovasculares, o que representa 30% de todos os casos . A pressão arterial elevada, hábitos tabagistas, diabetes, obesidade visceral, dislipidemia, inactividade física e padrões alimentares pouco saudáveis são os principais factores de risco modificáveis associados ao desenvolvimento de doenças cardiovasculares . A disfunção autonômica cardíaca é um fator de risco que também está relacionado ao desenvolvimento de doenças cardiovasculares e pode ser medida de forma não invasiva através da avaliação da variabilidade da freqüência cardíaca (VR) .
HRV refere-se à freqüência cardíaca contínua ou intervalos contínuos de onda RR extraídos do sinal do eletrocardiograma (ECG) (a distância temporal entre as ondas R no sinal do ECG é denotada como intervalos RR). As variações de curto e longo prazo da frequência cardíaca (FC) podem ser devidas a diferentes causas. O sistema nervoso parassimpático causa que a FC e, por sua vez, a pressão arterial (PA) diminui, enquanto o sistema nervoso simpático favorece uma ação antagônica, aumentando tanto a FC quanto a PA. A interação desses sistemas é conhecida como o equilíbrio simpático-vagal do sistema nervoso autônomo (SNA). Muitos estudos têm mostrado que o VHC é um indicador quantitativo útil para avaliar o equilíbrio entre o sistema nervoso simpático cardíaco e o sistema nervoso parassimpático e pode ser usado no diagnóstico e prevenção de algumas doenças cardiovasculares como insuficiência cardíaca congestiva, morte cardíaca súbita, arritmia ou síndrome de Holmes-Adie .
Nas últimas décadas, uma tentativa tem sido feita para analisar e quantificar o VHC para que ele possa servir como uma utilidade clínica. As medidas do VHF são feitas em períodos longos e curtos. As gravações de longo prazo normalmente duram 24 horas e são realizadas através de um Holter, enquanto as gravações de curto prazo duram 2-5 minutos e geralmente são realizadas com um ECG dinâmico .
A análise do VHC é de interesse em outras condições múltiplas, como doenças respiratórias. Esta análise pode ser usada como um método simples e não-invasivo para a estimativa da capacidade aeróbica em indivíduos com DPOC, e também pode ser usada como uma ferramenta de prognóstico, uma vez que nestes pacientes, a redução do VFC tem sido relacionada a um aumento da morbidade e mortalidade. Além disso, a força muscular respiratória tem sido relacionada com a resposta simpático-vagal, que pode ser avaliada pelo VHC . Outras aplicações do VFC variam desde o biomarcador precoce para a avaliação do progresso do diabetes melito, e marcador diagnóstico de dor crônica no pescoço, até a saúde mental e física, ou qualidade do sono, e estresse no trabalho, entre outros.
Os métodos para a mensuração do VFC podem ser classificados em métodos de domínio temporal e freqüência. Os primeiros consistem principalmente em uma análise estatística dos intervalos de RR. Entretanto, suas capacidades são limitadas, pois não apresentam especificidade e sensibilidade suficientes, além da necessidade de longos períodos de registro .
Os métodos no domínio da freqüência ou estimativa espectral de VFC podem ser classificados em métodos paramétricos e não paramétricos. Métodos não paramétricos baseados na transformação rápida de Fourier (FFT) têm como principal vantagem sua simplicidade e velocidade algorítmica , enquanto métodos paramétricos, como os modelos autoregressivos (AR), fornecem uma componente espectral mais definida, suave e fácil de identificar. Além disso, para medições de curta duração, os métodos paramétricos fornecem melhor resolução espectral do que os métodos não paramétricos .
Ao conhecimento dos autores, não existem dispositivos que permitam a análise em tempo real da VHF através dos métodos acima mencionados. Alguns métodos adaptados têm sido propostos para a análise em tempo real , tais como a transformada de Fourier de curta duração (STFT), transformada wavelet, transformada Hilbert-Huang, e de filtros de resposta a impulso infinito (IIR) , mas sempre executados off-line com sinais de ECG de registros previamente adquiridos.
O presente trabalho mostra uma primeira abordagem ao projeto de um dispositivo inteligente portátil, personalizável e de baixo custo para a medição em tempo real de HRV no domínio da freqüência através de modelos AR.
2. Materiais e Métodos
No contexto do presente trabalho, dispositivo inteligente é referido como um dispositivo que não só tem capacidade de detecção para a medição de certas variáveis, mas também está equipado com uma unidade de comunicação sem fio e tem a capacidade de realizar um processo da informação adquirida. Os processos de projeto, desenvolvimento e avaliação do dispositivo foram realizados em uma metodologia iterativa (ou em espiral), testando os desenvolvimentos anteriores e mais frequentemente do que no ciclo de vida tradicional em cascata. Na fase de desenho e simulação, foi utilizado o software Orcad (versão 16.0) da Cadence. Para a implementação dos protótipos CircuitCam (versão 5.2) e BoardMaster (versão 5.0), foram utilizados programas, bem como uma fresadora ProtoMat S62, todos de LPKF.
Foi feita uma primeira avaliação do desempenho do dispositivo, considerando suas características mais representativas, comparando-os com outros dispositivos e sistemas recentemente propostos na literatura. O ganho e a largura de banda foram calculados a partir da simulação do projeto eletrônico utilizando o software Tina-TI da Texas Instruments. O consumo de energia foi estimado utilizando o procedimento descrito em . Para tal, foi colocado um resistor de 10 ohms em série na linha que alimenta o estágio Front-End da bateria. Com um osciloscópio (MSO6032A da Agilent Technologies), a tensão no resistor foi medida para se aproximar, de acordo com a lei de Ohm, da corrente de entrada no circuito. Esta corrente, constante ao longo do tempo, foi multiplicada pela tensão de alimentação de 3,3 V para obter o consumo de energia.
O interesse do presente dispositivo é a sua capacidade de calcular os parâmetros de HRV no domínio da frequência em tempo real. Para este processo, é comum fazer uma estimativa da densidade espectral de potência (PSD) do sinal HRV. Como mostrado na Figura 1, componentes espectrais de freqüência muito baixa (VLF) são obtidos na faixa de 0,0033-0,04 Hz , componentes espectrais de baixa freqüência (LF) na faixa de 0,04-0,15 Hz, e componentes espectrais de alta freqüência (HF) na faixa de 0,15-0,4 Hz . Estes componentes fornecem informações clínicas sobre a variação do ritmo sinusal do coração. Os componentes LF refletem influências simpáticas e parassimpáticas, embora o LF possa ser indicativo de sensibilidade barorreflexa . Os componentes de HF estão relacionados ao sistema parassimpático; assim, a relação LF/HF é indicativa de equilíbrio simpático .
Os componentes espectrais de potência são quantificados medindo a área sob as três bandas de frequência: VLF power, LF power, e HF power. Os componentes espectrais da HRV devem ser apresentados na base natural; portanto, uma transformação logarítmica poderia ser necessária. Para facilitar a comparação entre diferentes estudos, os componentes são normalmente apresentados em unidades normalizadas, de acordo com as seguintes expressões: onde e representam a potência dos componentes LF ou HF, respectivamente, e são indicativos das potências correspondentes em unidades normalizadas (percentagem), representam a potência total (equivalente à variância computada com aproximações ao domínio do tempo), e indicam a potência do componente VLF. a razão é calculada como a razão de e .
Para a validação do sensor e dos algoritmos utilizados, dois conjuntos de experimentos foram realizados. Os sujeitos respiravam espontaneamente mas não tinham permissão para falar. O consentimento informado foi obtido de todos os sujeitos.
No primeiro conjunto de experimentos, dois experimentos de aquisição de sinal de ECG com duração de 5 minutos foram realizados com um voluntário de 23 anos de idade do sexo masculino, pesando 90 kg, tendo uma condição aparentemente saudável e sob diferentes situações. Nos experimentos, o voluntário permaneceu imóvel, sem falar e evitando qualquer tipo de biofeedback. Para o primeiro experimento (experimento sentado), o sujeito foi solicitado a sentar-se em uma cadeira de maneira confortável e relaxada, com os olhos fechados. O segundo experimento (experimento de estímulos) foi realizado nas mesmas condições do primeiro experimento, mas neste caso, o voluntário foi submetido a estímulos auditivos aleatórios com o objetivo de analisar a influência de distúrbios externos sobre o ENA. Cada um dos experimentos foi, por sua vez, repetido em duas ocasiões distintas.
No segundo conjunto de experimentos, foi utilizado um protocolo padronizado para o estudo do VHF, para permitir uma análise comparativa do sistema em relação aos resultados obtidos nos estudos anteriores. O estudo envolveu 5 voluntários, de condição aparentemente saudável. A Tabela 1 mostra um detalhe das características antropométricas dos voluntários. As medidas foram realizadas no período da manhã. Cada sujeito realizou duas experiências, cada uma com duração de cinco minutos:(i)Experiência de repouso: o voluntário permanece imóvel em uma posição supina.(ii)Experiência de inclinação: o voluntário permanece imóvel em uma posição de pé.
|
||||||||||||||||
3. Resultados do desenho
3.1. Projeto do dispositivo inteligente
Figure 2 mostra o projeto do dispositivo inteligente seguindo um esquema modular composto pelos seguintes elementos:(i)Módulo sensor: sua função é fornecer uma interface eletroquímica entre o tecido e o subsistema eletrônico de medição (módulo frontal) para detecção de tensão. Esta interface é realizada através do contacto eléctrodo-pele, constituído por um eléctrodo metálico, um gel electrolítico (geralmente contendo Cl-) e pele humana. Para tal, foram colocados três eletrodos de diagnóstico DORMO-TAB (eletrodos flexíveis pré-gelados Ag-AgCl com dimensões de 26,4 mm × 22,5 mm) nos usuários de teste, o primeiro localizado sob a clavícula no ombro direito, o segundo sob a clavícula no ombro esquerdo e o terceiro no abdômen no lado inferior esquerdo. Estes eletrodos foram conectados ao módulo frontal através de cabos.(ii)Módulo frontal: é o elemento de aquisição do sinal monitorado. Consiste em um sistema de captura do sinal de ECG baseado em um amplificador de instrumentação (INA), um circuito de realimentação através do terceiro eletrodo, três estágios de filtro e um estágio de amplificação, todos implementados através de amplificadores operacionais.(iii)Módulo de processamento: é responsável pelo processamento do sinal de ECG e pela análise de freqüência para a estimativa espectral do VHF. Um módulo OLIMEX PIC32-PINGÜINO-OTG foi utilizado para o processamento de dados, que pode ser enviado sem fio em tempo real. O módulo OLIMEX faz uso de um microcontrolador PIC32MX440F256H, com 256 KB de memória de programa, 32 KB de memória de dados e uma velocidade máxima de 80 MHz.(iv)Módulo de comunicação: é responsável pela comunicação bidirecional sem fio do dispositivo inteligente: a transmissão do resultado do processamento do sinal para uma unidade externa (um computador neste primeiro protótipo) em um sentido, e a recepção de comandos de configuração para a personalização dos algoritmos de processamento no outro. Neste caso, um módulo RN42-I/RM de microchip foi utilizado para implementar comunicações baseadas no padrão Bluetooth.
3.2. Desenho do Módulo Front-End
O estágio de entrada frontal consiste de um INA composto por três amplificadores operacionais com um ganho aproximado de 33 dB. A impedância diferencial de entrada é bloqueada para aumentar a resistência de entrada e aumentar a qualidade da relação sinal/ruído. Através de um seguidor de tensão, obtém-se o modo INA comum, que é invertido e amplificado para que seja posteriormente realimentado através da perna direita para obter um aumento da relação de rejeição do modo comum (CMRR), reduzindo o impacto das interferências no sinal de saída .
Um filtro passa-alto com uma frequência de corte de 0,5 Hz é então implementado. Esta filtragem é realizada a partir de um filtro passa-baixo, com a mesma frequência de corte, que alimenta o nível contínuo do sinal de saída INA como sua tensão de referência. Esta configuração permite um maior ganho no amplificador evitando a saturação nos estágios subsequentes devido a um alto nível DC.
Próximo, estão incluídos os passos de filtragem de ganho de duas unidades. A interferência da instalação elétrica é atenuada por um filtro de entalhe ajustado para a freqüência de 50 Hz. Em seguida, um filtro de baixa passagem é configurado com uma frequência de corte de 150 Hz para minimizar os efeitos de outras possíveis fontes de ruído, normalmente numa frequência elevada.
Finalmente, um amplificador inversor com um ganho aproximado de 30 dB é utilizado como último estágio de ganho para fornecer um sinal mensurável ao conversor analógico-digital (ADC) do módulo de processamento.
O ADC foi implementado aproveitando um dos periféricos disponíveis do microcontrolador PIC32MX440F256H, que é o núcleo do módulo OLIMEX PIC32-PINGÜINO-OTG. Este dispositivo permite um ADC de até 16 canais de 10 bits, com uma taxa de amostragem máxima de 1000 ksps. Embora tenha sido demonstrado que uma taxa de amostragem tão baixa quanto 50 Hz poderia ser usada para medir o sinal de ECG sem comprometer a precisão dos parâmetros HRV do domínio do tempo calculado, outros estudos recomendam a frequência de 200 Hz para evitar possíveis distorções no espectro de frequência do sinal, base da análise mostrada neste trabalho. Por esta razão, uma frequência de amostragem de 200 Hz foi selecionada como frequência de trabalho do dispositivo, para minimizar a carga computacional e o consumo de energia, garantindo uma qualidade nos resultados após o processamento.
Para o projeto front-end, foram utilizados resistores e capacitores de montagem em superfície de tamanho padrão 0603 e amplificadores operacionais de montagem em superfície da série OPA211 da Texas Instruments. O OPA211 foi escolhido porque tem uma característica principal, um ruído de entrada muito baixo (80nVpp), e é ideal para aplicações médicas.
3.3. Processing Module
A estimativa de HRV no domínio da frequência do sinal de ECG é obtida por um algoritmo de cinco passos:(i)Num primeiro passo, o sinal S0 correspondente ao sinal de saída do front-end do ECG é elevado para a terceira potência. Desta forma, o sinal é obtido, permitindo uma melhor definição do complexo QRS.(ii)Na segunda etapa, a partir da segunda derivada de , é gerado um novo sinal correspondente às seguintes expressões: onde representa a amostra atual. Este processamento permite a fácil detecção da onda R.(iii)No terceiro estágio, o sinal S3 é obtido como a estimativa dos intervalos RR, expressos em segundos. Um registro dos últimos valores máximos da onda R no sinal S2 é salvo, eliminando os valores mais antigos para se adaptar dinamicamente às mudanças na amplitude do sinal. A partir deste registro, o limiar de detecção Thd é definido como 30% do valor máximo de todos eles. Este limiar permite limitar o intervalo de busca da onda R. O instante em que a onda é máxima no intervalo de busca é definido como o instante R-instante. Um novo valor é então definido no vetor do intervalo RR como a diferença entre o atual R-instante e o anterior.(iv)No quarto estágio, a estimativa espectral de S3 usando modelos AR é obtida pelo método de Burg de ordem N, onde N é um parâmetro configurável . Como o tempo de aquisição do sinal é pequeno, o uso do método de Burg é uma opção apropriada, pois tem a vantagem de uma maior resolução e estabilidade para uma pequena quantidade de dados . O algoritmo foi implementado seguindo as recomendações descritas para melhorar a estimativa da freqüência.(v)Finalmente, na quinta etapa, , , e os parâmetros foram calculados de acordo com as equações e procedimentos descritos na seção Materiais e Métodos.
4. Resultados da Validação
Como uma amostra dos sinais com os quais o módulo de processamento opera, a Figura 3 mostra o resultado das três primeiras etapas do algoritmo descrito na seção anterior para um experimento sentado. A Figura 3(a) mostra um segmento de 20 segundos do sinal de saída S0 do front-end do ECG. A Figura 3(b) mostra o sinal como resultado de elevar o sinal S0 para a terceira potência para aumentar a definição do complexo QRS do sinal de ECG. A Figura 3(c) mostra o sinal S2, o que permite a fácil detecção da onda R. Finalmente, a Figura 3(d) mostra o sinal S3 completo como resultado da estimativa dos intervalos RR do sinal S2. Este último sinal representa um sinal de tempo distribuído ao longo do eixo horizontal, também de natureza temporal, que será a base da análise subsequente no domínio da frequência.
(a)
(b)
(c)
(d)
(a)
(b)
(c)
(d)
Dado o interesse representado pelo cálculo da densidade espectral de potência para a análise do sinal HRV, o parâmetro N de Burg no quarto estágio do algoritmo foi otimizado. Para selecionar a ordem do filtro, foram testados diferentes valores de até , que é a faixa recomendada para este tipo de aplicações , aumentando seu valor em passos de dois.
Figure 4 mostra os resultados obtidos para alguns dos valores analisados do parâmetro N. O valor que permitiu uma estimativa espectral correta foi considerado como ótimo. Quanto menor o N mais suave o sinal, dificultando a detecção dos componentes espectrais, enquanto que quanto maior o N maior o número de picos gerados no espectro de freqüências, dificultando a análise e exigindo neste caso um tempo computacional maior. Após esta análise, foi estabelecido como o valor ótimo do parâmetro, já que foi a ordem menor que ofereceu uma definição adequada dos componentes espectrais.
A implementação do protótipo do dispositivo inteligente é mostrado na Figura 5.
A análise espectral do primeiro conjunto de experimentos (experimento sentado e experimento de estímulos) foi aplicada em uma primeira validação do dispositivo e seu algoritmo de processamento. Esta avaliação foi feita neste caso de uma forma qualitativa, analisando o espectro dos sinais por inspecção. A Figura 6 mostra uma comparação da estimativa espectral de dois dos experimentos realizados, nos quais os componentes espectrais LF e HF são identificados.
(a)
(b)
(a)
(b)
No experimento sentado, no qual o usuário estava relaxado, pode-se ver que o componente HF é dominante sobre o componente LF. Este resultado está de acordo com o resultado esperado, uma vez que, neste caso, deve haver uma maior atividade do sistema parassimpático acima do simpático, pois corresponde a um estado de repouso e relaxamento. No experimento de estímulos, o voluntário foi sujeito a diferentes distúrbios. Neste caso, o componente LF foi dominante, o que também concorda com os resultados esperados.
Os resultados obtidos encorajaram um estudo mais detalhado usando o protocolo padronizado descrito na seção Materiais e Métodos e o segundo conjunto de experimentos (experimentos de descanso e inclinação). Como exemplo, as Figuras 7 e 8 mostram a estimativa espectral do VHC de uma voluntária do sexo feminino e de um voluntário do sexo masculino, respectivamente. Cada uma das figuras também representa o PSD dos dois experimentos realizados por cada voluntário: experimentos de descanso e de inclinação. Em ambos os gráficos, um aumento no componente LF e uma diminuição no componente HF são observados quando se passa da posição supina para a posição de pé. No caso mostrado na Figura 7, há mesmo uma inversão na posição do máximo dos componentes espectrais, localizada em HF durante o experimento de descanso e em LF durante o experimento de inclinação.
Para definir com maior precisão a relação entre os componentes espectrais ao comparar os dois casos (descanso e inclinação), uma análise quantitativa também foi realizada usando parâmetros normalizados das características espectrais do VHF descritas acima: e .
O uso de parâmetros padronizados e de um protocolo padrão favorece a comparação com outros resultados da literatura. A Tabela 2 mostra os resultados obtidos neste estudo e uma amostra de dados equivalentes obtidos por outros autores para sujeitos saudáveis.
| Este trabalho | ||||||||||
| (%) | Descanso | Mean | 42.7 | 71 | 56 | 61 | 74.6 | |||
| SD | 13.6 | 6 | 17 | 14.5 | ||||||
| Máximo | 54.8 | 73 | ||||||||
| Mínimo | 16.4 | 48 | ||||||||
| Inclinação | Mean | 78.3 | 85 | 83 | 69 | 76.4 | ||||
| SD | 11.8 | 4.5 | 12 | 14.4 | ||||||
| Máximo | 93.5 | 80 | ||||||||
| Mínimo | 63.1 | 56 | ||||||||
| (%) | Descanso | Mean | 53.3 | 29 | 44 | 39 | 26.3 | |||
| SD | 14 | 17 | 10.9 | |||||||
| Máximo | 80.1 | 52 | ||||||||
| Mínimo | 43.7 | 27 | ||||||||
| Inclinação | Mean | 19.7 | 15 | 17 | 31 | 20.3 | ||||
| SD | 11.2 | 4.8 | 12 | 10.1 | ||||||
| Máximo | 36.2 | |||||||||
| Mínimo | 6.1 | 20 | ||||||||
| Descanso | Mean | 0.89 | 2.47 | 1.7 | 1.5 | 3.4 | 1.69 | 1.15 | ||
| SD | 0,36 | 1,01 | 1,4 | 1,6 | 0,42 | 0.3 | ||||
| Máximo | 1,23 | 2.16 | ||||||||
| Mínimo | 0.2 | 0.9 | ||||||||
| Inclinação | Mean | 5,56 | 8.4 | 2,1 | 5,3 | 10,4 | 4 | |||
| Mean | 5,16 | 2.48 | 6.9 | 3.8 | 1.82 | 1 | ||||
| Máximo | 15.32 | 4.1 | ||||||||
| Mínimo | 1.74 | 1.3 | ||||||||
Dados da Tabela 2 mostram resultados comparáveis aos encontrados em outros estudos, tanto em valores absolutos quanto em valores relativos. Além disso, a mesma tendência e as mesmas relações entre os parâmetros são observadas. é maior nos experimentos de inclinação do que nos demais experimentos. O inverso é verdadeiro para HFnu. A razão LF/HF tem um valor próximo da unidade nos demais experimentos, mas é muito maior para os experimentos de inclinação.
Também pode ser visto na Tabela 2 que os valores máximo e mínimo dos diferentes parâmetros não se sobrepõem. Neste sentido, um limiar pode então ser definido para cada um dos parâmetros que poderiam ser empregados em um hipotético reconhecimento e classificação dos experimentos. Para , o valor médio entre o valor máximo do parâmetro nos demais experimentos e o valor mínimo do parâmetro nos experimentos de inclinação é definido como o limiar de classificação. O mesmo procedimento é usado para calcular o limiar do parâmetro LF/HF. Em contraste, o limiar do parâmetro HFnu é calculado como o valor médio entre o valor mínimo nos experimentos de descanso e o valor máximo nos experimentos de inclinação. A Tabela 3 mostra as regras de classificação de acordo com os limiares anteriores.
|
|||||||||||||||||||||||||||
Figure 9 exibe graficamente a distribuição dos parâmetros em torno dos limiares de classificação, marcados com uma linha sólida. Os gráficos também mostram o intervalo de confiança de 68,27% (± desvio padrão) obtido para cada parâmetro em cada um dos experimentos. Estes intervalos são marcados com linhas de traço e servem para destacar a distribuição estatística dos resultados.
(a)
(b)
(c)
(a)
(b)
(c)
Relatando o desempenho do dispositivo, a Tabela 4 resume algumas características do dispositivo e comparada com alguns trabalhos recentes. A principal vantagem do dispositivo em relação a outras propostas comerciais e de literatura é a sua capacidade de detecção em tempo real de alterações na variabilidade da frequência cardíaca (HRV) através da análise da frequência. Para o conhecimento dos autores, esta capacidade não é implementada em dispositivos portáteis, sendo a análise offline a partir dos dados armazenados na memória o método mais comum.
> |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
>
No primeiro conjunto de experimentos, correspondente à avaliação funcional do front-end, os dados do ECG capturados pelo dispositivo foram enviados sem fio, em tempo real, para um computador, atuando como módulo de processamento, onde foram analisados com o software Matlab (versão 2016a). Cada amostra foi enviada sequencialmente pelo módulo de comunicação Bluetooth, utilizado como porta serial, com uma taxa de transmissão de 200 amostras por segundo (dois bytes por amostra).
Após estes resultados positivos, no segundo conjunto de experimentos, o algoritmo foi embutido no módulo de processamento físico do protótipo. A Tabela 5 mostra alguns detalhes da implementação do algoritmo no protótipo do sensor. O segundo conjunto de experimentos foi realizado utilizando o dispositivo em modo autônomo, segundo o qual o dispositivo realizou as seguintes tarefas:(i)Transmissão seqüencial sem fio de amostras de ECG para seu registro e posterior avaliação.(ii)Cálculo on-line S3 como estimativa dos intervalos RR. Este processo, executado dentro do dispositivo, requer um tempo de execução de 193 μs, suficiente para ser executado em tempo real sempre que uma nova amostra é recebida a 200 Hz, sem interferir com a amostra seguinte.(iii)A cada cinco minutos, estimativa de HRV no domínio da frequência a partir dos intervalos RR. Este processo, também executado dentro do dispositivo, requer um tempo de execução de 409,2 ms, suficiente para uma aplicação em tempo real.(iv)Cálculo de , e a partir do PSD do sinal HRV e transmissão sem fio do resultado.
|
||||||||||||
O algoritmo também foi executado simultaneamente num computador com as amostras de ECG enviadas pelo dispositivo. A coincidência nos resultados obtidos pelo dispositivo em relação ao computador demonstra a viabilidade do protótipo para a execução do algoritmo proposto em tempo real.
5. Conclusões
No presente trabalho, uma primeira aproximação a um dispositivo inteligente e um algoritmo de processamento para a análise espectral do VHF em tempo real foi mostrada. Tanto quanto sabemos, esta capacidade não está disponível em nenhum dispositivo portátil de medição de ECG. Sob os requisitos de baixo custo, personalizável e baixo consumo de energia, o hardware e software necessários para a captura de sinais de ECG e seu subsequente processamento foram projetados e implementados.
Uma validação qualitativa foi realizada em duas experiências diferentes, repetidas duas vezes cada uma. Em um primeiro experimento, no qual o voluntário foi relaxado, os componentes espectrais observados indicaram uma maior atividade do sistema parassimpático acima do simpático. Em um segundo experimento, no qual o voluntário foi submetido a estímulos externos, os componentes espectrais mostraram uma maior atividade do sistema simpático acima do parassimpático. Os resultados obtidos nesta primeira aproximação mostram a viabilidade do dispositivo e os algoritmos propostos para uma análise qualitativa em tempo real do ENA e a influência de diferentes perturbações.
Para uma avaliação mais exaustiva, um segundo conjunto de experimentos foi realizado. Parâmetros padrão foram usados na análise espectral do VHF, bem como um protocolo de medição padronizado (experimentos de descanso e inclinação). Uma análise comparativa com respeito aos resultados obtidos em outros estudos mostrou a validade tanto do dispositivo como dos algoritmos propostos para a avaliação quantitativa dos componentes espectrais do VHF. Além disso, foi estabelecido um método para a classificação das atividades de descanso e inclinação a partir de um sinal de ECG.
Conflitos de Interesse
Os autores declaram que não há conflito de interesses com qualquer empresa ou organização em relação ao material discutido neste trabalho.
Agradecimentos
Este trabalho foi apoiado em parte pela Fundación Progreso y Salud, Governo da Andaluzia, sob os Subsídios PI-0010-2013 e PI-0041-2014, em parte pelo Fondo de Investigaciones Sanitarias, Instituto de Salud Carlos III, sob os subsídios PI15/00306 e DTS15/00195, e em parte pela CIBER-BBN sob os subsídios INT-2-CARE, NeuroIBC, e ALBUMARK.