ES2396844B1

ES2396844B1 - Sistema y método para la estimación simultánea y no invasiva de la glucosa en la sangre, nivel de glucocorticoides y presión arterial

Info

Publication number: ES2396844B1
Application number: ES201031780A
Authority: ES
Inventors: Enric MONTE MORENO
Original assignee: Universitat Politecnica de Catalunya UPC
Current assignee: Universitat Politecnica de Catalunya UPC
Priority date: 2010-12-01
Filing date: 2010-12-01
Publication date: 2014-01-27
Anticipated expiration: 2030-12-01
Also published as: ES2396844A1; WO2012072849A2; WO2012072849A3; US20130267796A1

Abstract

Sistema y método para la estimación simultánea y no invasiva de la glucosa en la sangre, nivel de glucocorticoides y presión arterial.#Comprende un módulo (2) detector de actividad de una señal digitalizada adquirida por un sensor (1), representativa del pulso cardíaco distal de una persona, seleccionando un segmento de muestras consecutivas de señal, de duración fija s{sub,ventana}(t) y del mismo genera unas subventanas s{sub,trama}(t,n) de duración menor; un módulo (4) de tratamiento de señal que recibe las dos señales s{sub,ventana}(t) y s{sub,trama}(t,n) y que a su salida entrega un vector X{sub,F} con los parámetros de un modelo fisiológico y un módulo (5) basado en aprendizaje automático que recibe el vector X{sub,F} y una información de características de la persona y proporciona en su salida la estimación del nivel de glucosa en la sangre (NGS), del nivel de presión sistólica (NPS), del nivel de presión diastólica(NPD) y del nivel de glucocorticoides(NGC).

Description

Sistema y metodo para la estimacion simultanea y no invasiva de la glucosa en la sangre, nivel de glucocorticoides y presion arterial.

Campo de la invenci6n

La presente invencion hace referencia en un primer aspecto a un sistema para la estimacion simultanea y no invasiva de los niveles de presion arterial, el nivel de glucocorticoides y de glucosa en la sangre de una persona, a partir de la forma de onda del pulso cardiaco distal.

En un segundo aspecto esta invencion describe un metodo para la estimacion simultanea y no invasiva de los niveles de glucosa y glucocorticoides en la sangre y de la presion arterial a una persona.

La estimacion de los niveles de glucosa en sangre es importante en el control de la diabetes mellitus, pues se requiere un seguimiento diario para evitar complicaciones a largo plazo.

La necesidad de un metodo no invasivo para la estimacion del nivel de glucosa se justifica por el tamafo de la poblacion afectada y por los inconvenientes de los sistemas basados en realizar la estimacion a partir de extracciones de sangre. Segun Wild et al. (S. Wild et al., Global Prevalence of Diabetes, Diabetes Care 27 (5) (2004) 1047-1053) al menos 171 millones de personas en todo el mundo sufren diabetes. El control de los niveles de glucosa requiere el uso de glucometros, agujas desechables y tiras reactivas. Este control es costoso e incomodo. El control regular del nivel de glucosa en la sangre puede proteger contra las complicaciones asociadas con la diabetes, como enfermedades de la retina, renales y cardiovasculares.

Ademas, dado que esta variable se mide de forma rutinaria en las unidades de cuidados intensivos, una medicion no invasiva reduce para estos enfermos el riesgo de infecciones.

Por otra parte, segun (K. Wolf-Maier, et al., Hypertension Prevalence and Blood Pressure Levels in 6 European Countries, Canada, and the United States, JAMA 289 (18) (2003)), la prevalencia de hipertension (definida como presion diastolica superior a 90 mmHg y sistolica superior a 140 mmHg) era del 28% de la poblacion en America del norte y del 44% en Europa. Dado que la hipertension aumenta el riesgo de ataque cardiaco, fallo cardiaco, embolia y enfermedades renales, un sistema no mecanico y de uso facil para estimar la presion arterial mejoraria el control diario de los niveles de presion arterial.

Subyacente al nivel de glucosa y al nivel de presion arterial se encuentra el nivel de glucocorticoides, que de forma indirecta controlan los niveles de la glucosa y la presion. Los glucocorticoides son una clase de hormonas esteroides que actuan sobre los niveles de homeostasis de los procesos inflamatorios, y de estres. Referencias a este aspecto del efecto de los glucorticoides se puede encontrar por ejemplo en Sapolsky, Robert; Lewis C. Krey, and Bruce S. McEwen (25 September 2000). "The Neuroendocrinology of Stress and Aging: The Glucocorticoid Cascade Hypothesis". Science of Aging Knowledge Environment 38: 21 y en Sapolsky, Robert; L. Michael Romero and Allan

U. Munck (2000). "How Do Glucocorticoids Influence Stress Responses? Integrating Permissive, Suppressive, Stimulatory, and Preparative Actions". Endocrine Reviews 21 (1): 55-89. El nivel de glucocorticoides actua sobre el sistema nervioso autonomo y el efecto sobre los niveles de presion arterial y glucosa se refleja en la forma del pulso cardiaco distal.

Ademas una estimacion simultanea del nivel de glucosa en sangre, el nivel de glucocorticoides y de las presiones sistolica y diastolica se justifica por la poblacion afectada al mismo tiempo por hipertension y diabetes. Segun la 'American Diabetes Asociation' (URL http://www.diabetes.org/diabetes-basics/diabetes-tatistics) en el 2004 el 75% de los diabeticos adultos tenian niveles de presion arterial superiores a 130/80 mmHg o seguian medicacion para la hipertension. Dado que la hipertension y la aparicion de diabetes esta relacionada con el tipo de vida de las personas y en particular a los niveles de estres a que se encuentran sometidos, la estimacion adicional del nivel de glucocorticoides permitira determinar riesgo y necesidades de tratamiento para este grupo de personas. Otro aspecto que justifica la importancia de determinar el nivel de glucocorticoides en sangre es el hecho de que son buenos predictores del riesgo cardiaco, (Sher, L.Type D personality: the heart, stress, and cortisol,vol 98,May 2005,QJM: An International Journal of Medicine) y (Gulmisal Guder, et al. Complementary and Incremental Mortality Risk Prediction by Cortisol and Aldosterone in Chronic Heart Failure, Circulation 115: 1754-1761) y por ultimo se sabe que un nivel de glucocorticoides elevado esta relacionado con la aparicion de diabetes (M. Mcmahon, et al., Effects of glucocorticoids on carbohydrate metabolism, Diabetes/Metabolism ReviewsVolume 4, Issue 1, pages 1730, February 1988).

En esta invencion se utiliza la forma del pulso cardiaco distal para estimar al mismo tiempo el nivel de glucosa en la sangre, el nivel de glucocorticoides y la presion arterial. Dado que la forma de onda del pulso cardiaco distal refleja el estado de la fisiologia de la persona, se extraeran del pulso cardiaco distal parametros que describen este estado de la fisiologia. Por otra parte, el estado de la fisiologia de la persona determina el nivel de presion, el nivel de glucocorticoides y el de glucosa en sangre, habiendo una interaccion importante entre estas tres variables, pues el nivel de glucocorticoides en la sangre determina el estado del sistema nervioso autonomo, que a su vez determina la forma del pulso cardiaco, la variabilidad cardiaca, la irrigacion sanguinea distal, el nivel de glucosa y el de presion. Para realizar la estimacion de los niveles de glucosa, el nivel de glucocorticoides y presion, se propone utilizar un sistema de 'machine learning' que puede aprovechar el hecho de que las tres magnitudes interaccionan entre ellas para dar una estimacion mas precisa de los tres valores.

Antecedentes de la invenci6n

Se enumeraran en primer lugar los principios fisiologicos que justifican la relacion entre la forma de onda del pulso cardiaco distal y las tres variables a estimar. Ademas junto con cada principio fisiologico se describe el tipo de tratamiento de sefal que permite realizar un modelo de esta informacion fisiologica y que se incorporaran en el sistema y metodo descrito en esta patente.

a -Viscosidad de la sangre y compliancia o distensibilidad de los vasos sanguineos:

El efecto de la viscosidad y la variacion en la compliancia de los vasos sanguineos se refleja en el grado en que la forma de onda del pulso distal se amortigua. Esta informacion se puede obtener a partir de la forma de onda del pulso distal mediante el analisis espectral y un modelo basado en el cepstrum real de la forma de onda. El cepstrum es una magnitud permite realizar una deconvolucion y separar la excitacion del sistema de la respuesta impulsional del mismo (Childers, D.G. et al., "The cepstrum: A guide to processing", Proc. IEEE, Oct. 1977). Por tanto se usaran los coeficientes del cepstrum calculado a partir del pulso cardiaco distal que caracterizan la forma del pulso, para separar la componente de excitacion de la componente que corresponde a la funcion de transferencia de los capilares, junto con la viscosidad de la sangre. Otra ventaja de usar el cepstrum es que la distancia euclidea para comparar sefales diferentes esta bien definida en el dominio cepstral (Gray, A., et al. "Distance measures for speech processing", IEEE Trans. on Acoustics, Speech and Signal Processing, Oct 1976). Otro indice de que proporciona informacion sobre la riqueza harmonica de la sefal es la entropia espectral (P. Renevey, A. Drygajlo, Entropy based voice activity detection in very noisy conditions, in: EUROSPEECH-2001).

b -El reflejo barorreceptor:

El reflejo barorreceptor es un sistema de retroalimentacion negativa que controla los cambios a corto plazo en la presion arterial. El reflejo barorreceptor se manifiesta en el ritmo cardiaco y en la forma de onda del pulso cardiaco distal. En concreto modifica el espectro de frecuencia del intervalo entre pulsos y la variabilidad de la frecuencia cardiaca indica el estado del reflejo barorreceptor (R. W. deBoer, et al., Hemodynamic fluctuations and baroreflex sensitivity in humans: a beat-to-beat model. Am J Physiol Heart Circ Physiol 253 (3) (1987) H680-689).

Por otra parte, se sabe que el reflejo baroreceptor esta controlado en parte por el nivel de glucocorticoides, por lo que las variables que caractericen este reflejo tambien proporcionaran informacion acerca del nivel de glucocorticoides (Quinkler M, Stewart PM. Hypertension and the cortisol-cortisone shuttle.J Clin Endocrinol Metab. 2003 Jun; 88 (6): 2384-92). Dado que el reflejo barometrico esta regido por una ecuacion no lineal e interviene de forma indirecta con la regulacion de la glucosa, la estimacion del modelo funcional ha de ser capaz de inferir una funcion no lineal. Esto justifica el uso de tecnicas de aprendizaje automatico ya sea del tipo 'radial basis function', CART, 'support vector machine' o mejorados mediante un comite de aproximadores de funciones, tal como se realiza en el caso del Adaboost o del bagging of classifiers. Ademas tambien justifica el uso de caracteristicas espectrales de la variabilidad cardiaca y de su perfil de energia para caracterizar el estado fisiologico que controla el nivel de glucosa, la presion arterial y de glucocorticoides.

c -El sindrome metabolico:

El sindrome metabolico (M.-A. Cornier, et al., The Metabolic Syndrome, Endocr Rev 29 (7) (2008)) consiste en hipertension, obesidad y resistencia a la insulina. Existe igualmente una interaccion de tipo feedback entre el sindrome metabolico y estres neuroendocrino, que se manifiesta en un aumento del nivel de cortisol y las perturbacion en las componentes espectrales de la variabilidad cardiaca (E.J. Brunner, et al. Adrenocortical, Autonomic, and Inflammatory Causes of the Metabolic Syndrome: Nested Case-Control Study, Circulation, Nov 2002; 106: 2659 -2665). Tambien se sabe que el sindrome metabolico se refleja en la variabilidad cardiaca (D Liao, et al. Multiple metabolic syndrome is associated with lower heart rate variability. The Atherosclerosis Risk in Communities Study Diabetes Care, Dec 1998; 21: 2116-2122). Esto justifica que ademas de la descripcion de la forma de onda del pulso cardiaco distal y las estadisticas acerca de la variabilidad cardiaca se usen variables que permiten caracterizar el sindrome metabolico como son, la edad, el peso y el indice de masa corporal.

d -Relacion entre la diabetes y la variabilidad de la frecuencia cardiaca:

Se sabe que la diabetes altera la variacion de la frecuencia cardiaca (M. Ducher, et al., Noninvasive exploration of cardiac autonomic neuropathy. Four reliable methods for diabetes?, Diabetes Care 22 (3) (1999)). Tambien se ha encontrado una relacion entre el nivel de glucocorticoides y la alteracion de la frecuencia cardiaca en el caso de diabetes J. I. Davies, et al. Spironolactone impairs endothelial function and heart rate variability in patients with Type 2 diabetes, Diabetologia, Volume 47, Number 10, 1687-1694). Puesto que existe una relacion funcional entre las alteraciones en los niveles de glucosa debido a la diabetes y la variabilidad de la frecuencia cardiaca, la caracteristica que permitira describir esta relacion fisiologica sera el espectro de potencia de la distancia entre los pulsos y las estadisticas generales de la frecuencia cardiaca y de su variabilidad. El espectro de potencia se representara mediante el cepstrum.

e -Los estados emocionales:

Los estados emocionales como la ira, tristeza, la felicidad, la sorpresa, el estres, etc alteran los valores de la presion arterial, de la glucosa y los niveles de glucocorticoides. Existe una relacion entre los diferentes estados emocionales y las caracteristicas del espectro de potencia de la variabilidad de la frecuencia cardiaca (R. McCraty, et al., The effects of emotions on short-term power spectrum analysis of heart rate variability, The American Journal of Cardiology 76 (14) (1995)). Ademas, las alteraciones en el estado de animo, en particular el caso de depresion estan relacionadas con niveles anomalos de glucocorticoides y en cambios en la variabilidad cardiaca (Robert M. Carney, et al. Depression, Heart Rate Variability, and Acute Myocardial Infarction, Circulation, Oct 2001; 2024-2028). Esta caracteristica fisiologica justifica el uso del espectro de potencia de la distancia entre pulsos cardiacos y de un modelo que capte las componentes frecuenciales de la distancia entre pulsos cardiacos, y tambien el uso de estadisticas generales de la frecuencia cardiaca.

f -La respiracion y el sistema nervioso autonomo:

Varios estudios han demostrado que la frecuencia respiratoria puede regular la presion arterial e indirectamente el nivel de glucosa en la sangre a traves del estado del sistema nervioso autonomo (E. Grossman, et al., Breathingcontrol lowers blood pressure, J Hum Hypertens 15 (5) (2001)). En los pacientes diabeticos los niveles de glucosa y presion sanguinea estan estrechamente relacionados (M. Schein, et al., High blood pressure reduction in diabetics with interactive device-guided paced breathing: Final results of a randomized controlled study, Journal of Hypertension 25 (2) (2007)). Por otra parte se sabe que la presencia de varios tipos de glucocorticoides en la sangre actuan como estimulantes del sistema respiratorio y en el control del reflejo respiratorio (Tarja Saaresranta, et al. Hormones and Breathing, Chest December 2002 122: 2165-2182)

El indice que se utilizara para modelar la relacion entre el ritmo respiratorio y el sistema nervioso autonomo sera la frecuencia de la envolvente de la energia del pulso distal. Se sabe que la frecuencia respiratoria se puede calcular a partir de la forma de onda del pulso cardiaco distal, por ejemplo con sefal extraida mediante un pulsoximetro (P. Leonard, et al., Standard pulse oximeters can be used to monitor respiratory rate., Emerg Med J 20 (6) (2003)). Esto justifica usar para la estimacion las componentes de baja frecuencia de la energia medida a corto plazo de la forma de onda del pulso cardiaco distal para estimar la frecuencia respiratoria y sus componentes espectrales (P. Leonard, et al., A fully automated algorithm for the determination of respiratory rate from the photoplethysmogram, The Journal of Clinical Monitoring and Computing 20 (February 2006) 33-36 (4)).

La implementacion preferida para obtener el pulso cardiaco distal en esta invencion sera a partir de la sefal de un fotoplestimografo. Dado que dicho aparato se basa en medir la absorcion diferencial de luz de un tejido, se citaran seguidamente algunos antecedentes de la estimacion no invasiva de la glucosa basada en esta medida.

A tal efecto pueden citarse los documentos: US 5222496, US 5515847, US 2007/0213607, US 2005/0107676, US 2007/0123759, US 6016435, US 2008/0111971, US 1995/5433197, US 2008/4014321.

Una alternativa al uso de luz para medir la concentracion de glucosa es aprovechar los campos magneticos, como en la solicitud de patente US 2009/7635331 basada en el principio de resonancia magnetica. Sin embargo el principio de funcionamiento es semejante a los casos anteriores, pues se basa en estimar la glucosa a partir de medidas de diferencias de absorcion.

Ninguna de las patentes anteriores utiliza para estimar el nivel de glucosa en sangre y el nivel de presion arterial, la forma de onda del pulso cardiaco distal obtenida a partir del diferencial de absorcion de luz.

Una aproximacion diferente basada en principios fisiologicos aparece en la US 2009/0270700 A1 que se basa en usar un sensor de absorcion de luz que detecta la concentracion de HO en el aliento de la persona. Este principio fisiologico es diferente de los que se usan para justificar la presente invencion, pues no se basa en la forma de onda del pulso cardiaco distal, sino en la medicion de la concentracion de un componente quimico.

Otro tipo de medida no invasiva se basa en medir la glucosa por difusion a traves de la piel y el sudor tal como en la solicitud de patente US 2006/0004271 A1.

Otra medida basada en principios fisiologicos es la presentada en la solicitud de patente US 2005/6949070 que se basa en la diferencia de temperatura entre puntos diferentes de la oreja con la concentracion de glucosa en la sangre. Dado que el gradiente de temperatura en funcion de la variacion de concentracion de glucosa es muy pequefo, 0.024 C por 1 mg/dl, este sistema proporciona resultados que se tienen que recalibrar a lo largo del tiempo y para distintas personas.

En cuanto a antecedentes para la medida de glucocorticoides, los metodos conocidos se basan en analisis de sangre, analisis de orina o analisis de saliva. La presente patente se diferencia en el hecho de que no necesita extraer fluidos corporales para estimar el nivel de glucocorticoides en sangre.

Otra manera de estimar la concentracion de glucocorticoides es mediante reactivos, como es el caso de la solicitud de patente US 2008/0118397 A1, que requiere el cambio de tiras reactivas, lo que impide una estimacion continuada, y necesita de muestras de saliva en cada estimacion. La patente US 6,833,274 B2, tambien se basa en el uso de reactivos para medir el nivel de cortisol en saliva, lo que tiene los mismos inconvenientes que la patente anterior.

En cuanto a la estimacion no invasiva del cortisol, que es un tipo de glucocorticoide, se conoce el documento US 2002/0019055 que describe un aparato que mide la concentracion de cortisol, mediante un reactivo que se coloca sobre la piel, y reacciona con los componentes presentes en el plasma.

Una solicitud de patente que se basa en efectos de fluorescencia, US 2006/0105397 A1 tiene limitaciones parecidas a las patentes nombradas anteriormente, pues requiere de la extraccion de fluidos corporales, ya sea saliva, orina o plasma.

La patente ES 2336997 divulga la medicion de forma no invasiva de la presion arterial y la ES 2338624 concierne a la medicion de forma no invasiva del nivel de glucosa en la sangre. Aunque dichas dos patentes apuntan a un objetivo similar al de esta invencion aportan soluciones muy diferentes. Estas dos patentes ES 2336997 y ES 2338624 explican que se realiza una medicion no invasiva de la presion y glucosa en sangre (pero no de los niveles de glucocorticoides) y se diferencian de la presente invencion en los puntos siguientes:

La alegada medicion de la presion arterial y el nivel de glucosa en la sangre se realiza de forma separada y no se aprovechan las interacciones entre las dos magnitudes sin tener en cuenta que la presion y la glucosa dependen de unos mismos parametros fisiologicos y los valores evolucionan en el tiempo de forma dependiente. Por otra parte, el sistema de estimacion que proponen basado en "random forests" (algoritmo basado en un conjunto de clasificadores) no permite hacer una estimacion simultanea y aprovechar las interacciones entre las dos magnitudes al estar basados en arboles de decision tipo CART (Leo Breiman, et al. Classification and Regression Trees. Wadsworth 1984), y la prediccion dada por los nodos terminales de los arboles consiste en un unico escalar.

No se realiza una deteccion de la actividad de la sefal digitalizada procedente de un sensor (tal como un fotoplestimografo), ni se controla la duracion de la sefal adquirida. Esta carencia afecta al sistema de dos formas:

El uso de ventanas de sefal de longitud variable aumenta el numero de nodos de cada arbol de "random forest" y por tanto baja las prestaciones en cuanto al MSE de estimacion,

Detectar la presencia de sefal, garantiza que la estimacion se pueda realizar con sefal procedente del sensor con un minimo de calidad (SNR). Ademas detectar la presencia de sefal, segun propone la presente invencion mediante un detector de actividad (presencia de sefal en la via de comunicacion), es importante pues es bien conocido que las medidas realizadas mediante un fotoplestimografo, se alteran debido a movimientos de la persona en la que se realiza al medida. Al moverse la persona en la que se realiza la medida, el sensor pierde contacto momentaneamente, lo que hace que aparezcan picos espurios y perdidas de sefal que alteran los parametros estimados dan lugar a estimaciones erroneas.

El uso de ventanas de longitud variable en las dos patentes ES 2336997 y ES 2338624 citadas hace que los estimadores del modelo ARMA (Autoregresivos de media movil) que incorporan las mismas tengan una variabilidad no controlada, debido a que los parametros ARMA asociados con formas de onda semejantes medidos en escalas de tiempo diferentes no seran los mismos, lo que hace que la complejidad de los arboles de decision asociados con el sistema basado en 'random forests' sea mayor, debido a que cada arbol necesitara un mayor numero de nodos para poder modelizar un determinado tipo de formas de onda.

En el sistema de medicion de las patentes ES2336997 y ES 2338624 citadas la sefal medida se modela mediante un sistema estocastico ARMA. Se sabe que el uso de estos parametros como entrada de un clasificador es erronea, pues la metrica adecuada se basa en el error de prediccion no en los parametros. La explicacion detallada de porque el uso directo de los parametros ARMA y en particular la implementacion AR que es la preferida en las dos patentes ES 2336997 y ES 2338624, para clasificar es erroneo esta explicado en detalle en (Gray, A., et al. "Distance measures for speech processing", IEEE Trans. on Acoustics, Speech and Signal Processing, Oct 1976) y en (Itakura, F., "Minimum prediction residual principle applied to speech recognition", IEEE Trans. on Acoustics, Speech and Signal Processing, Feb 1975).

En las reivindicaciones de las patentes ES 2336997 y ES 2338624 citadas se menciona sin justificar el uso de informacion sobre la coherencia cardiaca pero en la descripcion no aparecen referencias explicitas acerca del calculo de estadisticas de variacion de la distancia entre pulsos cardiacos, ni estimaciones del ritmo respiratorio de la persona.

En las patentes ES 2336997 y ES 2338624 se calcula la energia de Teager (J. F. Kaiser, Sorne useful properties of teager's energy operators, Proc. ICASSP93, 1993) para modelar el estado fisiologico de la persona mediante los parametros AR sin especificar que aspecto fisiologico querian captar.

En la figura 4 de las dos patentes ES 2336997 y ES 2338624 se menciona el calculo de cruce por cero como entrada del vector de caracteristicas. Sin embargo no se justifica ni su uso, ni la forma de calcularlo. Es importante resaltar que en las dos patentes mencionadas se utilizan los cruces por cero como entrada del 'random forest' que estima el nivel de presion arterial en una patente y el nivel de glucosa en la otra.

En ninguna de las dos patentes ES2336997 y ES 2338624 se utiliza informacion sobre la estructura interna de la ventana de observacion de la sefal. Esta informacion que en la presente invencion se obtiene de la secuencia de tramas, es muy importante para modelar correctamente la variabilidad espectral y de energia, y poder caracterizar el estado fisiologico de la persona mediante la evolucion temporal de las magnitudes de interes a lo largo de un tiempo fijo, que en la implementacion preferente sera de un minuto

La presente invencion se diferencia de las dos citadas patentes ES 2336997 y ES 2338624 por el hecho de que en un proceso o metodo de estimacion se utiliza para modelar la sefal fotoplestimografica informacion del 'cepstrum', que es un conjunto de parametros en los que la metrica euclidea esta bien definida y es equivalente al calculo del error cuadratico de la integral de la diferencia de logaritmos de modulos de transformadas de Fourier de las sefales. La razon por la que esta propiedad es importante es que en los sistemas de "machine learning" que se tomaran en consideracion en la presente invencion las medidas de semejanza se basan ya sea en distancia euclidea en el caso de las "radial basis functions", productos escalares en el caso de redes neuronales tipo "percetron" multicapa, o comparacion de valores en el caso de arboles de decision. El uso de los parametros cepstrales es mas adecuado que el de los ARMA, pues

a - En el caso de las "radial basis functions" las neuronas de la capa oculta almacenan ya sea ejemplos promedios de sefales vistas en el entrenamiento. Asi en cada neurona se calcula la distancia euclidea de la entrada con el ejemplo o promedio almacenado en la neurona, y

b - En el caso de los "multilayer perceptron", los pesos son proporcionales a los valores de entrada que se han visto durante el entrenamiento (ver Tom M. Mitchell, Machine Learning, McGraw-Hill, 1997), y la semejanzas se miden mediante un producto escalar entre la entrada y los pesos.

Los coeficientes ARMA son una generalizacion de los coeficientes AR y calcular distancias sobre diferencias de coeficientes carece de sentido en cuanto a comparacion de espectros.

En la presente invencion se utiliza una estimacion del perfil de energia de la sefal para estimar la frecuencia respiratoria. En las dos patentes utilizan un modelo AR de la energia de Teager. Sin embargo la energia de Teager es insensible a componentes de baja frecuencia como es el caso de la frecuencia respiratoria, y ademas la manera correcta de modelar la componente de baja frecuencia del perfil de energia no es mediante comparacion de los parametros AR, sino mediante el error residual de prediccion obtenido de filtrar la sefal de entrada con un filtro blanqueador basado en estos parametros.

En la presente invencion se calcula el perfil de energia de la sefal, mediante un estimador basado en promedios del cuadrado de la sefal (es decir realizando un filtrado paso bajo de la energia), que proporciona el perfil de la componente respiratoria del individuo. Este aspecto de estimar la componente respiratoria no se considera en las dos patentes ES 2336997 y ES 2338624 citadas.

En la presente invencion, los cruces por cero se usan en el modulo de deteccion de presencia de sefales, pues los cruces por cero en caso de que haya presencia de sefal del pulso cardiaco distal con poco ruido tendran un margen de valores muy limitado, mientras que en el caso de ruido o ausencia de sefal, tendran valores elevados. En la presente invencion esta informacion no se usa como entrada del sistema basado en 'machine learning'.

Exposici6n de la invenci6n

La invencion propone un metodo para la estimacion simultanea y no invasiva de la glucosa en la sangre, nivel de glucocorticoides y presion arterial, basado en la forma de onda del pulso cardiaco distal de una persona, adquirida a partir de un sensor (1), en particular un sensor de tipo fotoplestimografo que proporciona una sefal digitalizada, caracterizado por comprender las siguientes etapas:

deteccion de actividad de dicha sefal digitalizada por seleccion de un segmento de unas muestras consecutivas de dicha sefal digitalizada, de duracion fija, denominado Sventana (t) y generacion a partir de dicho segmento de una secuencia de subventanas o tramas denominadas Strama (t,n) de duracion menor que la de Sventana (t) en donde el indice t indica el numero de la muestra dentro de una trama y n es el numero de la trama, permitiendo eliminar los segmentos de la sefal no utiles comprendiendo el transitorio inicial, falsos clics, perdidas de sefal, ruido y saturaciones;

tratamiento de las dos sefales Sventana (t) y Strama (t,n) que contienen la forma de onda del pulso distal en un segmento de duracion fija, y generacion a partir de las mismas de un vector XF que contiene los parametros de un modelo fisiologico; y

alimentacion de dicho vector XF y de una informacion acerca de las caracteristicas de la persona a un modulo

(5) basado en aprendizaje automatico y que proporciona en su salida la estimacion del nivel de glucosa en la sangre (NGS), del nivel de presion sistolica (NPS), del nivel de presion diastolica (NPD) y del nivel de glucocorticoides.

Para implementar el citado metodo la invencion propone un sistema que comprende los siguientes tres modulos que se muestran en la figura 1.

La forma de onda del pulso distal se obtiene mediante un sensor (1). La sefal digitalizada sera una secuencia que se denomina SPulsoDistal (t). Esta sefal es la entrada al modulo (2) de deteccion de actividad de sefal (DA), es decir presencia de sefal en la via de comunicacion. El modulo de DA selecciona un segmento de SPulsoDistal(t) de duracion

(t) fija. Este segmento de sefal se obtiene mediante: a) un clasificador local de la presencia y/o ausencia de sefal y que ademas detecta perdidas de sefal que se pueden producir por movimientos de la persona, y b) un automata de estados finitos que filtrara falsos positivos y falsos negativos. El objetivo de este modulo (2) es garantizar la presencia de sefal con calidad suficiente para realizar la estimacion y al mismo tiempo que sea de duracion fija, es decir normalizada (para disminuir la variabilidad en la estimacion del modelo de prediccion). En la implementacion preferente en la presente invencion, la sefal se obtendra de un sensor de tipo fotoplestimografo y la duracion del segmento sera de un minuto de sefal limpia. A este segmento se le denominara Sventana (t). De Sventana(t) se genera una secuencia de subventanas, denominadas Strama(t,n) de duracion menor que la de Sventana(t)). Para evitar confusiones a las subventanas se las designara como tramas. En Strama(t,n) el indice t indica el numero de la muestra dentro de una trama y n es el numero de la trama. En la implementacion preferente se segmentara Sventana(t) en tramas de 5 segundos con un solapamiento del 50%. En esta implementacion preferente el numero de tramas en una ventana es Ntrama = 24.

Las dos sefales Strama(t,n) y Sventana(t) son la entrada al modulo (4) de tratamiento de la sefal (TS). Este modulo (4) calcula los parametros que describen el estado fisiologico al que se hizo referencia en la seccion de antecedentes. La salida del modulo (4) de (TS) junto con informacion acerca de las caracteristicas de la persona (3), incluyendo al menos sexo, edad e indice de masa corporal, sirven para generar un vector XF que contiene los parametros que describen el estado fisiologico, junto con las caracteristicas de la persona (3).

El vector XF es la entrada al modulo (5) que es un sistema basado en 'aprendizaje automatico' (Machine Learning) cuya salida es la estimacion del nivel de glucosa en la sangre (NGS), el nivel de presion sistolica (NPS), el nivel de presion diastolica (NPD) y el nivel de glucocorticoides (NGC). En la implementacion preferida el tipo de glucocorticoide sera cortisol.

El sistema basado en "aprendizaje automatico" ha de ser capaz de tratar entradas heterogeneas, y aproximar una funcion no lineal que relaciona el vector XF con las variables de interes (NGS, NPS, NPD, NGC) a partir de ejemplos. Otro requisito es que debe ser capaz de aprovechar la informacion comun y las interacciones entre las tres variables para realizar la estimacion de las mismas. Para ello se usara un sistema que combina las salidas de varios metodos de regresion siguiendo las ideas ya sea de:

a - 'Adaboost' (Freund Y., et al., A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences, 55(1), 1997)

b - 'Bagging Predictors' (Breiman L., Bagging Predictors. Machine Learning, 1996) El Adaboost es un algoritmo para entrenar comites de regresares. Los regresares pueden ser de varios tipos, ya sea arboles de decision, redes neuronales multicapa, 'radial basis functions' o 'Support Vector Machines'. La implementacion preferida sera una variante de 'Adaboost' compuesta por regresares basicos del tipo 'radial basis functions'. La estructura de este bloque de 'aprendizaje automatico' sera por tanto un comite de regresares basados en 'radial basis functions', y cada elemento del comite es entrenado mediante el algoritmo Adaboost. Este algoritmo realiza el entrenamiento de una serie de regresares de forma secuencial con el criterio de que cada estimador adicional utiliza una version de la base de entrenamiento sesgada hacia los elementos de la base con los que los clasificadores anteriores tenian peores prestaciones. Una caracteristica de las 'radial basis functions' es que pueden aprovechar para mejorar la estimacion el hecho de que las magnitudes que se han de estimar esten correlacionadas. Tal como se explico en el apartado de la fisiologia, existe una interaccion entre los niveles de glucosa en la sangre, el nivel de presion diastolica y sistolica y el nivel de glucocorticoides en sangre que se refleja en las componentes que conforman el vector XF Se sabe que las redes neuronales, por ejemplo del tipo 'radial basis functions', mejoran las prestaciones si se entrenan para calcular simultaneamente funciones diferentes entre las que existe una relacion de tipo funcional tal como se explica en (Machines That Learn from Hints. Y. S. Abu-Mostafa. Scientific American, 272(4): 64-69, Apr. 1995) y en (Reed, R. D. Neural Smithing: Supervised Learning in Feedforward Artificial Neural Networks (Bradford Book); MIT Press: 1999, pag. 275)

La invencion se describira seguidamente con un mayor detalle con la ayuda de los dibujos adjuntos que tienen caracter ilustrativo y no limitativo.

Breve explicaci6n de los dibujos

La figura 1a de la muestra el diagrama de bloques general del sistema de esta invencion que implementa el metodo para medicion simultanea y no invasiva de glucosa y nivel de glucocorticoides en sangre, y presion arterial.

La figura 1b muestra con un mayor detalle la conexion, entradas y salidas de los modulos de adquisicion de la sefal y deteccion de actividad (presencia) de la sefal del sistema de esta invencion.

La figura 2 muestra un segmento de duracion 5 segundos de sefal SPulSoDiStal (t) adquirida por el sensor de la figura 1.

La figura 3 muestra el diagrama de bloques del modulo de deteccion de actividad DA.

La figura 4 es un diagrama del automata de estados finitos usado en el modulo DA.

La figura 5 ilustra las reglas de transicion entre estados del automata de estados finitos usado en el modulo DA.

La figura 6 es un diagrama que muestra la obtencion de las secuencias utilizadas para calcular los parametros agregados.

La figura 7 es un diagrama de la obtencion de los parametros globales.

Explicaci6n detallada de la invenci6n

La invencion consiste en un sistema y un metodo para realizar una estimacion del nivel de glucosa en la sangre (NGS), el nivel de presion sistolica (NPS), el nivel de presion diastolica (NPD) y el nivel de glucocorticoides (NGC) En la figura 1 se muestra el diagrama de bloques del sistema propuesto. La sefal SPulSoDiStal (t) que se utiliza para estimar los parametros del modelo fisiologico se capta con un sensor (1), que en la implementacion preferente sera del tipo plestimografico, que puede ser optico, acustico o mecanico. La implementacion preferida de la invencion se realizara mediante un sistema de pulsioximetria (SpO2). Este tipo de sensor entrega una sefal proporcional a la diferencia de absorcion de la hemoglobina reducida respecto a la oxi-hemoglobina. Esta diferencia en la absorcion genera una forma de onda proporcional al pulso distal. En la figura 2 se presenta un ejemplo de un segmento de sefal de duracion 5 segundos. Esta sefal digitalizada es la entrada al modulo de tratamiento de sefal (4) que junto con informacion sobre las caracteristicas de la persona (3) se utilizan como entrada de un modulo (5) con un sistema basado en 'aprendizaje automatico', cuya salida es la estimacion del valor de las tres variables NGS, NPS, NPD y NGC. Los sistemas (2, 4, 5) son implementados mediante una CPU formada por micro controladores, DSP, FPGA o como software ejecutado en un ordenador de uso general o telefono movil/pda o audifono.

Se realizara a continuacion una explicacion en detalle de cada uno de los modulos referidos.

Modulo de deteccion de actividad de sefal (2)

El objetivo del modulo de DA es eliminar los segmentos de la sefal que no son utiles como: el transitorio inicial, falsos clics, perdidas de sefal, ruido, saturaciones, etc. El resultado es un segmento de muestras consecutivas de sefal de calidad suficiente y duracion normalizada, para realizar la estimacion.

La salida de este modulo consistira en las sefales: Sventana(t), y Strama(t,1), Strama(t,2), ..., Strama(t,Ntrama) que contendran la forma de onda del pulso distal en un segmento de duracion fija y su evolucion por segmentos. El modulo (2) de DA utiliza algunos parametros en comun con el modulo de tratamiento de sefal (4). Los parametros que se utilizan para determinar si la sefal medida SPulsoDistal(t) es util (es decir corresponde a un pulso cardiaco distal) tambien se utilizan en el modulo de tratamiento de sefal (4).

El modulo de DA (2) se compone (ver figura 3) de las siguientes partes:

Un submodulo (10) que calcula un vector de caracteristicas XDA (n) asociado a cada trama Strama(t,n).

Una funcion de decision basada en un clasificador (11) que para cada trama decide una de las dos clases: "sefal" o "ausencia de sefal".

Un bloque (12) que determina el segmento de sefal util. Este bloque consta de un automata de estados finitos (FSA) (figura 4) y un submodulo que determina cuando el FSA ha detectado un numero de tramas consecutivas correspondiente a la duracion deseada del segmento de sefal util. La salida de este bloque son las sefales Sventana(t), y Strama(t,1), Strama(t,2), ..., Strama(t,Ntrama).

El modulo DA (2) toma como entrada la sefal sPulSoDiStal(t) y crea de forma continua un conjunto de tramas Strama(t,n) de duracion menor que la de Sventana(t) y que en la implementacion preferente sera de 5 segundos con un solapamiento entre Strama(t,n) y Strama(t,n-1) de 2.5 segundos. El indice t indica el numero de la muestra dentro de una trama y n es el numero de la trama.

A continuacion se describen las operaciones que se realizan para calcular el vector (figura 3) XDA(n).

Calculo de la energia (submodulo 7)

La energia de cada trama permitira detectar si el nivel de sefal se corresponde al de sefal util. La salida de este submodulo (7) consistira en tres parametros:

que se corresponde a la energia promedio de la trama y se calcula segun la formula:

siendo Ltrama el numero total de muestras de la trama.

que se corresponde a la desviacion tipica del cuadrado de cada muestra y se calcula segun la

formula:

que se corresponde al sesgo del cuadrado de cada muestra y se calcula segun la formula:

Calculo de la entropia espectral (submodulo 8)

5 La entropia espectral es una funcion que se calcula para cada trama y que toma un valor elevado para sefales con espectros de frecuencia planos y sin picos espectrales, como los que caracterizan las zonas de baja energia con transitorios y/o clics. Por otra parte, para tonos y sefales armonicas este escalar toma valores bajos. Por tanto se trata de un indicador adecuado de la presencia de sefal util pues el pulso cardiaco distal se caracteriza por tener componentes armonicas importantes. Las propiedades de este indicador estan explicadas con detalle en

10 P. Renevey, A. Drygajlo, Entropy based voice activity detection in very noisy conditions, in: EUROSPEECH-2001 y en J.-L. Shen, et al., Robust entropy-based endpoint detection for speech recognition in noisy environments, in: Proc. ICSLP98.

La entropia espectral se calcula de la forma siguiente:

En primer lugar se calcula la transformada rapida de Fourier (FFT) de la trama:

siendo LFFT la longitud de la transformada rapida de Fourier. Seguidamente se normaliza el espectro de energia de la trama.

siendo el indice k, la componente k-esima de la transformada de rapida de Fourier de la trama.

Cruces por cero (submodulo 9)

El uso de este parametro se justifica porque, en ausencia de sefal util, la sefal cruzara por cero un numero elevado de veces por segundo, mientras que en presencia de un pulso cardiaco, el numero de cruces por cero se

30 correspondera al ritmo cardiaco y sera del orden de un cruce por cero por segundo. La implementacion preferida del calculo de los cruces por cero

se realizara restando el valor medio de Strama(t,n) para eliminar la componente continua y seguidamente se contara el numero de veces que la sefal cruza el umbral de cero.

Generacion del vector XDA(n) (submodulo 10)

Para cada trama se agruparan los parametros calculados en los submodulos (7), (8) y (9) en un vector que sera la entrada de un clasificador (11) que decidira si la trama n-esima se corresponde a una trama util o no:

Clasificador (submodulo 11)

Este submodulo (11) consta de un clasificador cuya salida para cada trama es un indice que indica si la trama pertenecia a una de dos clases: 'sefal util' o 'ausencia de sefal'. Este clasificador se entrena con una base de datos etiquetada previamente con la clase a la que pertenece cada trama. El tipo de clasificador a utilizar puede ser del tipo k-nearest neighbour, discriminantes lineales, discriminantes cuadraticos, arboles de decision o 'support vector machines'. La implementacion preferida sera un clasificador de tipo discriminante de Fisher. Los detalles de implementacion y entrenamiento de este tipo de clasificador estan descritos en T. Hastie, et al., The Elements of Statistical Learning, Springer, 2001.

Determinacion del segmento util (submodulo 12)

Este submodulo (12) tendra como entrada la secuencia de clases a la que pertenece cada trama. Esta secuencia es la entrada a un automata de estados finitos (figura 4) cuya funcion es la de determinar segmentos de tramas consecutivas de sefal util. Este automata consta de los estados siguientes:

s1 = 'ausencia de sefal util'

s2 = 'sefal util'

s3 = 'zona ambigua'

Cada estado del automata constara de contadores definidos como sigue:

: numero de tramas consecutivas en el estado i-eSimo clasificadas como 'sefal util'.

: numero de tramas consecutivas en el estado i-eSimo clasificadas como 'ausencia de sefal'.

En la figura 5 se presentan las reglas que determinan las transiciones de un estado al siguiente del automata de estados finitos.

Los umbrales con los que se comparan los contadores

y

para decidir las transiciones se determinan a partir de ejemplos. El criterio para determinar los umbrales es el de la minimizacion del numero de vectores Sventana (t) con zonas de sefal no util en una base de entrenamiento. La implementacion preferida en esta invencion usara los umbrales presentados en la figura 5.

Se considera sefal util a las tramas consecutivas que se encuentran en los estados s2 y s3. La salida del modulo de DA consiste en las sefales, Sventana(t) y Strama(t,1), Strama(t,2), ..., Strama(t,Ntrama). Las sefales de salida se entregan cuando el numero de tramas consecutivas en los estados s2/s3 es tal que la duracion total acumulada es iguala a la prefijada para calcular los parametros del modelo fisiologico. En caso de que durante el calculo se produzca una perdida de sefal, o aparezcan picos de sefal espureos, el contador empieza de nuevo para que la informacion que se entrega consista unicamente en sefal util. La implementacion preferida de la presente invencion utiliza unas duraciones de 1 minuto para el segmento que abarca Sventana (t). Las tramas seran en la implementacion preferente de duracion segundos. Por lo que la duracion abarcada por el conjunto de tramas Strama(t,1), Strama(t,2), ..., Strama(t,Ntrama) sera tambien de 1 minuto, y con un solape entre tramas del 50%. El numero total de tramas sera de Ntrama = 24. El numero de de tramas viene determinado por el hecho de que las tramas son subsegmentos de la sefal Sventana (t).

Modulo de tratamiento de sefal (4)

La funcion del modulo de tratamiento de sefal genera el vector XF que contiene los parametros que caracterizan el estado fisiologico de la persona. Los parametros que constituyen el vector XF seran de dos tipos,

Parametros globales calculados a partir de Sventana (t)

Parametros agregados de las caracteristicas calculadas en la secuencia Strama(t,1), Strama(t,2), ..., Strama(t,Ntrama). Estas ultimas serviran para modelar la evolucion (dinamica) a corto plazo de algunos parametros fisiologicos y el ritmo respiratorio.

Se detalla seguidamente una justificacion de la implementacion preferida aplicada en la presente invencion del analisis espectral.

Tal como se refirio en la seccion de antecedentes, los aspectos fisiologicos que controlan el nivel de glucosa en la sangre, el nivel de glucocorticoides y los niveles de presion arterial se manifiestan en la informacion del espectro de frecuencias de la sefal cardiaca. Debido a esto, una parte de los parametros del modelo del estado fisiologico consistiran en informacion de tipo espectral. Existen diversas tecnicas que permiten realizar el analisis espectral de una secuencia. En particular en la bibliografia mencionada en los antecedentes se utilizan modelos no parametricos del tipo periodograma. Aunque el uso del periodograma para representar la informacion fisiologica es factible, y de hecho se utiliza aqui para calcular la entropia espectral, la informacion contenida en el analisis espectral tambien sera obtenida mediante el analisis cepstral. Las razones que justifican esta eleccion son:

a) El analisis cepstral permite obtener informacion sobre la excitacion de un sistema y su respuesta espectral. Las diferencias entre sistemas y excitaciones se pueden calcular mediante la distancia euclidea entre coeficientes cepstrales. La distancia euclidea entre coeficientes cepstrales es equivalente a calcular la integral del modulo al cuadrado de la diferencia logaritmos de transformadas de Fourier. Por otra parte, la comparacion entre sistemas cuando estos se caracterizan mediante los coeficientes AR o ARMA, no se puede realizar mediante la distancia euclidea entre coeficientes pues no equivale a la diferencia del modulo al cuadrado de transformadas de Fourier. Es por esta razon que se decidio caracterizar la informacion de contenido espectral de forma indirecta mediante los coeficientes cepstrales. Subyacente a esta argumentacion, esta el hecho que los sistemas de "machine learning" funcionan comparando las entradas con centroides mediante distancias uclideas, o en el caso de "multilayer perceptron", mediante un producto escalar. Se sabe que una distancia uclidea entre vectores, se puede descomponer como la suma de la norma al cuadrado de cada uno de los elementos menos el producto escalar. Es por ello que la representacion de la informacion en forma de parametros cepstrales es adecuada.

b) Los coeficientes cepstrales en el caso de que la respuesta impulsional del sistema que genera la sefal tenga una duracion inferior al periodo de una excitacion periodica, permiten caracterizar la frecuencia de la excitacion. Esto justifica su uso para caracterizar al mismo tiempo, la variabilidad cardiaca y el estado de la vascularizacion distal.

La implementacion preferida en esta invencion sera la utilizacion del vector de coeficientes cepstrales, dado que tiene la misma informacion que el espectro de potencia y el numero de parametros es mas bajo, lo que permite que el sistema de aprendizaje automatico tenga mejores prestaciones. La forma preferida para realizar el calculo de los coeficientes cepstrales de cada secuencia se realizara mediante el algoritmo recursivo descrito en Nonlinear filtering of multiplied and convolved signals, Oppenheim, et al. Proceedings of the IEEE, 1968.

Parametros globales

Los parametros globales referidos se calculan conforme a la propuesta de esta invencion a partir de Sventana (t) y proporcionan informacion acerca del espectro de frecuencias de tres variables del pulso cardiaco distal (figura 6). En esta invencion la implementacion preferente para estimar el espectro de frecuencias sera un modelo parametrico basado en coeficientes cepstrales.

Para modelar la hemodinamica de la persona y el estado de la vascularidad distal, se calcularan los coeficientes cepstrales de Sventana (t) (15) mediante el algoritmo recursivo de Oppenheim. El resultado es un vector de coeficientes que se denominaran CEPSSefal. El orden preferido en esta implementacion es de coeficientes.

Para modelar la variabilidad cardiaca (14) a partir de la secuencia Sventana (t) se crea una secuencia nueva que consistira en el periodo instantaneo entendido como la distancia (numero de muestras) entre cada pico de pulso cardiaco distal. A esta secuencia se la denominara SDistPicos (t) cuya duracion coincidira con el numero de latidos en Sventana (t). Tal como se muestra en la figura 2, seria la distancia en tiempo entre maximos. La forma preferida para obtener la secuencia SDistPicos(t) consiste en restarle a Sventana (t) su valor medio y sobre la secuencia resultante calcular la distancia entre cruces por cero alternos. Los coeficientes cepstrales se asignaran al vector CEPSHR. El orden preferido en esta implementacion ha sido de 6 coeficientes, obtenidos mediante el algoritmo recursivo de Oppenheim.

Para modelar la frecuencia de la respiracion se calculara el perfil de la energia de Sventana (t) (16). Existen varios metodos para calcular esta informacion, ya sea por ejemplo via wavelets (P. Leonard, et al., A fully automated algorithm for the determination of respiratory rate from the photoplethysmogram, The Journal of Clinical Monitoring and Computing 20 (February 2006)) o mediante el calculo a partir de filtrar paso bajo la forma de onda elevada al cuadrado. El metodo preferido en esta implementacion sera esta ultima, debido a que la sefal entregada por el DA esta poco contaminada por ruido, no tiene fluctuaciones producidas por artefactos de la medida y a que las necesidades de calculo son menores. El metodo preferido sera restar el valor medio a Sventana (t) y elevar al cuadrado cada una de sus muestras, seguidamente se filtra la secuencia resultante mediante un filtro paso bajo. En la implementacion preferida este filtro sera de Chebychev de tipo II de orden 8 y frecuencia de corte 1/20. De la secuencia resultante del proceso anterior se calculan los parametros cepstrales y se asignan al vector CEPSEnergia. El orden preferido en esta implementacion ha sido de 6 coeficientes, obtenidos mediante el algoritmo recursivo de Oppenheim.

Parametros agregados

Los parametros agregados se calculan a partir de la secuencia de tramas consecutivas Strama(t,1), Strama(t,2), ..., Strama(t,Ntrama) y proporcionan informacion acerca de la evolucion del estado fisiologico de la persona a lo largo de la ventana de medida (figura 7). El calculo de los parametros agregados utiliza informacion que se ha usado en el modulo de DA. Esto se justifica porque son parametros que ademas de caracterizar el estado fisiologico de la persona permiten determinar si una trama determinada tiene sefal util.

El primer conjunto de parametros agregados esta relacionado con la energia de trama. Para cada trama se calculan los parametros

mediante las formulas (I), (II) y (III). Estos parametros resumen las caracteristicas estadisticas de la energia en cada trama. A partir de estas secuencias se calculan los parametros agregados siguientes.

siendo LogEJ, LogE?, ESkew escalares, mientras que CEPS EJ es un vector de longitud Orden, calculado sobre la secuencia de valores medios de la energia en cada trama. En la implementacion preferida el valor de Orden sera de 6.

La entropia espectral se calculara segun las formulas (IV), (V) y (VI). Este parametro proporciona una indicacion de la pureza espectral de la sefal. Se tomara como valor agregado el promedio y los coeficientes cepstrales calculados a partir de la secuencia de entropia espectral de las tramas.

En la implementacion preferida el valor de Orden sera de 6.

En cuanto a la frecuencia cardiaca se calcularan a nivel de trama los valores intermedios

que son tres secuencias que modelan las estadisticas del periodo instantaneo del pulso cardiaco distal. Estos valores se calculan para todas las tramas del segmento de analisis, es decir para, n = 1, ..., Ntrama. El calculo se realiza creando a partir de la sefal Sventana(t) una secuencia intermedia SDistPicos(t,n) que consistira en las distancias entre picos de pulso cardiaco distal. Se calcularan en primer lugar las tres secuencias siguientes;

siendo LDistPicos el numero de muestras de SDistPicos(t,n). A partir de estas secuencias se calculan los parametros agregados siguientes.

En la implementacion preferida el valor de Orden sera de 6.

Estos parametros caracterizaran el contenido espectral de la frecuencia cardiaca.

Generacion del vector XF

El vector XF (ver figura 1a) es la salida del modulo de tratamiento de sefal (4) y contiene el conjunto de parametros que modelan el estado fisiologico de la persona, junto con caracteristicas fisicas de la persona, como sexo, edad, indice de masa corporal, etc. Este vector sera la entrada del modulo (5) que estima las cuatro variables de salida del sistema mediante un sistema basado en 'aprendizaje automatico'.

Robustez respecto al cambio de Sensor

Un aspecto importante del sistema de la presente invencion consiste en hacer que la estimacion sea independiente del sensor, de tal manera que al sustituir un sensor por otro la estimacion no cambie. Al sustituir un sensor por otro, incluso siendo del mismo modelo, en general se produciran diferencias en la respuesta frecuencial de los sensores que pueden alterar las medidas y por consiguiente dar lugar a estimaciones erroneas. Para ello, se realizara un proceso de substraccion cepstral a las variables representadas por coeficientes cepstrales. La substraccion cepstral es una tecnica habitual para compensar los efectos producidos por el cambio de microfonos en sistemas de reconocimiento del habla (L. R. Rabiner, B.-H. Juang, Fundamentals of Speech Recognition, Prentice Hall, 1993).

Modulo de 'aprendizaje automatico' (5)

El modulo de 'aprendizaje automatico' tiene como entrada el vector XF y entrega a la salida las tres variables de interes. Se trata de un modulo que implementa una regresion entre la entrada XF y las variables NGS, NPS, NPD, NGC. El algoritmo que se utilice tiene que ser capaz de aproximar una funcion no lineal, proporcionar maneras de controlar el efecto de sobre generalizacion, y ser capaz de aprender la funcion a pesar de que los datos contengan valores ruidosos y/o inexactos. Ademas otro requerimiento de este modulo es que la funcion obtenida no dependa de la persona y no necesite recalibracion a lo largo del tiempo.

Para ello se propone utilizar un sistema que promedie las salidas de varios metodos de regresion siguiendo las ideas ya sea del tipo 'Adaboost' (Freund Y., et al., A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences, 55(1), 1997), 'Bagging of Classifiers' (Breiman L. (1996): Bagging Predictors. Machine Learning, 24(3)), o 'random forest' (L. Breiman, Random forests, Machine Learning 45

(1) (2001)).

La implementacion preferida del sistema basado en aprendizaje automatico sera la de un 'comite de predictores', entrenado mediante el algoritmo de 'Adaboost'. El predictor basico del sistema tipo 'comite de predictores' sera de forma preferente una red neuronal tipo 'radial basis function', que aprovecha las interacciones entre los valores de presion, nivel de glucocorticoides y el nivel de glucosa para mejorar las estimaciones. Dado que cada neurona de la capa oculta calcula una distancia euclidea de la entrada con una referencia obtenida durante el entrenamiento, el uso de la parametrizacion tipo cepstrum es la mas adecuada para este tipo de estimador. Como alternativa se podran usar como predictores sistemas de 'machine learning' del tipo 'Support Vector Machine', CART o "perceptron" multicapa. La parametrizacion tipo cepstrum tambien es la adecuada, pues estos sistemas se basan ya sea en el uso de distancias o de productos escalares. La forma del pulso cardiaco distal se medira de forma preferente mediante un pletismografo.

La implementacion de la invencion puede incorporar una pantalla para la visualizacion de datos, una conexion/teclado para introducir las caracteristicas de la persona y ordenes de control del aparato utilizado. Dispone de al menos una sonda acustica, mecanica y/o optica que proporciona la sefal del pulso distal y los bloques (2, 3, 4, 5) se implementa en un sistema procesador ya sea una CPU, micro controlador, DSP, FPGA, ordenador convencional, telefono movil o PDA o audifono.

La invencion preve tambien la disposicion de pulsadores o botoneras de control de acuerdo con el estado de la tecnica, para activar y controlar el aparato empleado, asi como baterias y/o acceso a una fuente de alimentacion exterior.

La invencion preve igualmente la utilizacion de medios para transmitir la informacion, ya sea del sensor o de la estimacion realizada por el aparato empleado a otros sistemas, ya sean ordenadores y/o aparatos de diagnostico medico ya sea por puerto serie, USB, conexion inalambrica o de red local.

Se sobreentiende que quedan comprendidas dentro de la invencion cuantas alteraciones de detalle o forma esten comprendidas en la esencia de la invencion que se especifica en las siguientes reivindicaciones.

Claims

REIVINDICACIONES

1. Sistema para la estimacion simultanea y no invasiva de la glucosa en la sangre, nivel de glucocorticoides y presion arterial, basado en la forma de onda del pulso cardiaco distal de una persona, adquirida a partir de un sensor (1) que proporciona una sefal digitalizada, caracterizado por comprender:

un modulo (2) de deteccion de actividad de dicha sefal digitalizada que selecciona un segmento de muestras consecutivas de dicha sefal digitalizada, de duracion fija, denominado Sventana(t) y a partir del mismo genera una secuencia de subventanas o tramas denominadas Strama(t,n) de duracion menor que la de Sventana(t), en donde el indice t indica el numero de la muestra dentro de una trama y n es el numero de la trama;

un modulo (4) de tratamiento de sefal que recibe las dos sefales Sventana(t) y Strama(t,n) que contienen la forma de onda del pulso distal en un segmento de duracion fija, y que proporciona a su salida un vector XF que contiene los parametros de un modelo fisiologico; y

un modulo (5) basado en aprendizaje automatico al que se alimenta el citado vector XF y una informacion acerca de las caracteristicas de la persona y que proporciona en su salida la estimacion del nivel de glucosa en la sangre (NGS), del nivel de presion sistolica (NPS), del nivel de presion diastolica (NPD) y del nivel de glucocorticoides (NGC).
2. Sistema, segun la reivindicacion 1, caracterizado porque dicho sensor es del tipo plestimografico seleccionado entre optico, acustico o mecanico, incluyendo un sistema de pulsioximetria (SpO2), y dicho modulo (2) de deteccion de actividad comprende:

un submodulo (6) de segmentacion en tramas que proporciona dicha secuencia de Strama(t,n); un submodulo (7) de calculo de la energia de cada trama; un submodulo (8) de calculo para cada trama de entropia espectral; y un submodulo (9) de deteccion de cruces por cero,

generandose a partir de dichos submodulos (7, 8 y 9) un vector XDA (n) que se alimenta a un submodulo clasificador

(11) que implementa una funcion de decision y cuyo indice para cada trama indica si la trama pertenece a una "sefal util" o corresponde a una "ausencia de sefal".
3.

Sistema, segun la reivindicacion 2, caracterizado porque dicho submodulo clasificador (11) esta asociado para su entrenamiento a una base de datos etiquetada con la clase a la que pertenece cada trama.
4.

Sistema, segun la reivindicacion 3, caracterizado porque dicho clasificador esta seleccionado entre los siguientes tipos K-nearest, neighbour, discriminantes lineales incluyendo el discriminante de Fisher, discriminantes cuadraticos, arboles de decision o "support vector machines".
5.

Sistema, segun la reivindicacion 2, caracterizado porque dicho modulo (2) de deteccion de actividad incluye ademas en su salida un submodulo (12) de determinacion de segmento util que recibe como entrada la secuencia de clases a la que pertenece cada trama, y dicho submodulo (12) integra un automata de estados finitos aplicado a determinar segmentos de tramas consecutivas de sefal util, comprendiendo los estados siguientes:

s1 = 'ausencia de sefal util' s2 = 'sefal util' s3 = 'zona ambigua'

y cada estado del automata constara de contadores definidos como sigue:

: numero de tramas consecutivas en el estado i-eSimo clasificadas como 'sefal util'; y

: numero de tramas consecutivas en el estado i-eSimo clasificadas como 'ausencia de sefal'.
6. Sistema, segun la reivindicacion 1, caracterizado porque dicho modulo (5) de aprendizaje automatico utiliza un comite de predictores entrenado mediante el algoritmo de "Adaboost", utilizando como predictor basico del comite de

predictores una red neuronal tipo "radial basis function" que aprovecha las interacciones entre los valores de presion, nivel de glucocorticoides y el nivel de glucosa para mejorar las estimaciones.
7. Metodo para la estimacion simultanea y no invasiva de la glucosa en la sangre, nivel de glucocorticoides y presion arterial, basado en la forma de onda del pulso cardiaco distal de una persona, adquirida a partir de un sensor (1) que proporciona una sefal digitalizada, caracterizado por comprender las siguientes etapas:

deteccion de actividad de dicha sefal digitalizada por seleccion de un segmento de unas muestras consecutivas de dicha sefal digitalizada, de duracion fija, denominado Sventana (t) y generacion a partir de dicho segmento de una secuencia de subventanas o tramas denominadas Strama(t,n) duracion menor que la de Sventana (t), en donde el indice t indica el numero de la muestra dentro de una trama y n es el numero de la trama, permitiendo eliminar los segmentos de la sefal no utiles comprendiendo el transitorio inicial, falsos clics, perdidas de sefal, ruido y saturaciones;

tratamiento de las dos sefales Sventana (t) y Strama(t,n) que contienen la forma de onda del pulso distal en un segmento de duracion fija, y generacion a partir de las mismas de un vector XF que contiene los parametros de un modelo fisiologico; y

alimentacion de dicho vector XF y de una informacion acerca de las caracteristicas de la persona a un modulo

(5) basado en aprendizaje automatico y que proporciona en su salida la estimacion del nivel de glucosa en la sangre (NGS), del nivel de presion sistolica (NPS), del nivel de presion diastolica (NPD) y del nivel de glucocorticoides (NGC).

8 Metodo, segun la reivindicacion 8, caracterizado porque dicha etapa de deteccion de actividad comprende segmentacion en tramas de la sefal digitalizada Sventana (t) proporcionando una secuencia de Strama(t,n); calculo de la energia de cada trama; calculo para cada trama de su entropia espectral calculando la transformada rapida de Fourier (FFT) de la

trama y normalizando seguidamente el espectro de energia de la trama; y deteccion de cruces por cero, generandose a partir de dichos valores de energia y entropia espectral por trama un vector XDA(n) que se alimenta a un submodulo clasificador (11) que implementa una funcion de decision y cuyo indice para cada trama indica si la trama pertenece a una "sefal util" o corresponde a una "ausencia de sefal".
9.

Metodo segun la reivindicacion 8, caracterizado porque dicha segmentacion de Sventana (t) se realiza en tramas de 5 segundos con un solapamiento del 50% de la sefal digitalizada.
10.

Metodo segun la reivindicacion 8 o 9, caracterizado porque dicha deteccion de cruces por cero se realiza restando el valor medio de Strama(t,n) para eliminar la componente continua y seguidamente se cuente el numero de veces que la sefal cruza el umbral de cero.
11.

Metodo segun la reivindicacion 8 o 9 caracterizado porque para cada trama se agrupan los parametros de energia, entropia espectral y cruces por cero, en un vector que sera la entrada de un clasificador que decidira si la trama n-esima se corresponde a una trama util o no:
12.

Metodo, segun la reivindicacion 11, caracterizado porque dicho clasificador se selecciona entre los siguientes tipos K-nearest, neighbour, discriminantes lineales incluyendo el discriminante de Fisher, discriminantes cuadraticos, arboles de decision o support vector machines, y porque el clasificador se entrena con una base de datos etiquetada previamente con la clase a la que pertenece cada trama.
13.

Metodo, segun la reivindicacion 9, caracterizado porque para determinacion de un segmento util la secuencia de clases a la que pertenece cada trama obtenida a la salida de dicho submodulo clasificador (11) se alimenta a un submodulo (12) que integra un automata de estados finitos aplicado a determinar segmentos de tramas consecutivas de sefal util, comprendiendo los estados siguientes:

s1 = 'ausencia de sefal util' s2 = 'sefal util' s3 = 'zona ambigua'

y cada estado del automata constara de contadores definidos como sigue:

: numero de tramas consecutivas en el estado i-eSimo clasificadas como 'sefal util'; y

: numero de tramas consecutivas en el estado i-eSimo clasificadas como 'ausencia de sefal'.
14.

Metodo, segun la reivindicacion 8, caracterizado porque la etapa de tratamiento de sefal comprende la generacion de un vector XF que contiene los parametros que caracterizan el estado fisiologico de una persona, mediante unos parametros globales calculados a partir de Sventana (t) y unos parametros agregados de las caracteristicas calculadas en la secuencia Strama(t,1), Strama(t,2), ..., Strama(t,Ntrama) utiles para modelar la evolucion a corto plazo de varios parametros fisiologicos y el ritmo respiratorio, utilizando el analisis cepstral para obtener informacion sobre el contenido espectral.
15.

Metodo, segun la reivindicacion 14 caracterizado porque se sustrae el valor medio de cada secuencia de parametros cepstrales, para descontar el efecto del sensor especifico, calculando, cada vez que se cambia el sensor, un valor medio de los cepstrums para cada grupo de parametros y almacenando dicho valor medio para hacer la substraccion durante la etapa de tratamiento de sefal.
16.

Metodo, segun la reivindicacion 8, caracterizado porque dicho modulo (5) basado en aprendizaje automatico recibe a su entrada el vector XF junto con caracteristicas fisicas de la persona, incluyendo al menos sexo, edad e indice de masa corporal y entrega en su salida las tres variables de interes: glucosa en la sangre (NGS), nivel de glucocorticoides (NGC) y presion arterial (NPS y NPD) aplicando para ello un algoritmo que implementa una regresion no lineal entre entre dicha entrada XF y las citadas tres variables, seleccionando un metodo de regresion que modela las interacciones entre las tres variables.
17.

Metodo, segun la reivindicacion 16, caracterizado porque dicho aprendizaje automatico utiliza un comite de predictores entrenado mediante el algoritmo de "Adaboost", utilizando como predictor basico del comite de predictores una red neuronal tipo "radial basis function" que aprovecha las interacciones entre los valores de presion, nivel de glucocorticoides y el nivel de glucosa para mejorar las estimaciones.

OFICINA ESPAÑOLA DE PATENTES Y MARCAS

N.º solicitud: 201031780

ESPAÑA

Fecha de presentación de la solicitud: 01.12.2010

Fecha de prioridad:

INFORME SOBRE EL ESTADO DE LA TECNICA

51 Int. Cl. : A61B5/145 (2006.01) A61B5/021 (2006.01)

DOCUMENTOS RELEVANTES

Categoría

56 Documentos citados Reivindicaciones afectadas

A

SUZUKI S. et al. “Cuffless blood pressure estimation by error-correcting output coding method based on an aggregation of AdaBoost with a photoplethysmograh sensor”, IEEE Engineering in Medicine and Biology Society, USA, 2009, vol. 2009, páginas 6765-6768. 1-17

A

Base de datos INSPEC/IEE, AN 7072124, MURAHARA Y et al. “Estimation of the propagation time of pulse wave by closing an extremity illiac artery with a cuff”, marzo, 2001, resumen. 1-17

A

Base de datos INSPEC/IEE, AN 5481833, MURAHARA Y et al. “A method for the analysis of sistemic circulatory system”, junio 1996, resumen. 1-17

A

Base de datos MEDLINE/NLM, AN NLM20727327, GUO R et al. “Feature extraction and recognition of traditional chinese medicine pulse based on hemodynamic principles”, agosto 2010, resumen. 1-17

A

ES 2336997 B1 (SABIRMEDICAL) 19.04.2010, todo el documento. 1,7

A

ES 2338624 B1 (SABIRMEDICAL) 10.05.2010, todo el documento. 1,7

A

WO 2010128500 A1 (WELLSENSE TECHNOLOGIES et al.) 11.11.2010, todo el documento. 1,7

A

FAUNDEZ-ZANUY M et al. ”Face recognition using a radial basis function classifier”, Proceedings, 40th Annual 2006 International Carnahan Conference on Security Technology), USA 2006, páginas 98-102. 6,17

A

Base de datos INSPEC/IEE, AN 10844807, CATTIVELLI et al. “Noninvasive cuffless estimation of blood pressure from pulse arrival time and heart rate with adaptive calibration”, 2009 6th International Workshop on Wearable and Implantable Body Sensor Networks Conference, junio 2009, resumen. 1,7

Categoría de los documentos citados X: de particular relevancia Y: de particular relevancia combinado con otro/s de la misma categoría A: refleja el estado de la técnica O: referido a divulgación no escrita P: publicado entre la fecha de prioridad y la de presentación de la solicitud E: documento anterior, pero publicado después de la fecha de presentación de la solicitud

El presente informe ha sido realizado • para todas las reivindicaciones • para las reivindicaciones nº:

Fecha de realización del informe 13.02.2013

Examinador A. Cárdenas Villar Página 1/5

OFICINA ESPAÑOLA DE PATENTES Y MARCAS

N.º solicitud: 201031780

ESPAÑA

Fecha de presentación de la solicitud: 01.12.2010

Fecha de prioridad:

INFORME SOBRE EL ESTADO DE LA TECNICA

51 Int. Cl. : A61B5/145 (2006.01) A61B5/021 (2006.01)

DOCUMENTOS RELEVANTES

Categoría

56 Documentos citados Reivindicaciones afectadas

A

JEONG I et al. “Non-invasive estimation of systolic blood pressure and diastolic blood pressure using photoplethysmograph components”, Yonsei Medical Journal, mayo 2010, Vol. 51, nº 3, páginas 345-353. 1,7

A

NITZAN M. et al. “Automatic noninvasive measurement of systolic blood pressure using photoplethysmography”, Biomedical engineering online, 2009, vol. 8, página 28. 1,7

Categoría de los documentos citados X: de particular relevancia Y: de particular relevancia combinado con otro/s de la misma categoría A: refleja el estado de la técnica O: referido a divulgación no escrita P: publicado entre la fecha de prioridad y la de presentación de la solicitud E: documento anterior, pero publicado después de la fecha de presentación de la solicitud

El presente informe ha sido realizado • para todas las reivindicaciones • para las reivindicaciones nº:

Fecha de realización del informe 13.02.2013

Examinador A. Cárdenas Villar Página 2/5

INFORME DEL ESTADO DE LA TÉCNICA

Nº de solicitud: 201031780

Documentación mínima buscada (sistema de clasificación seguido de los símbolos de clasificación) A61B Bases de datos electrónicas consultadas durante la búsqueda (nombre de la base de datos y, si es posible, términos de

búsqueda utilizados) INVENES, EPODOC, WPI, NPL, INSPEC, BIOSIS, MEDLINE

Informe del Estado de la Técnica Página 3/5

OPINIÓN ESCRITA

Nº de solicitud: 201031780

Fecha de Realización de la Opinión Escrita: 13.02.2013

Declaración

Novedad (Art. 6.1 LP 11/1986)

Reivindicaciones Reivindicaciones 1-17 SI NO

Actividad inventiva (Art. 8.1 LP11/1986)

Reivindicaciones Reivindicaciones 1-17 SI NO

Se considera que la solicitud cumple con el requisito de aplicación industrial. Este requisito fue evaluado durante la fase de examen formal y técnico de la solicitud (Artículo 31.2 Ley 11/1986).

Base de la Opinión.-

La presente opinión se ha realizado sobre la base de la solicitud de patente tal y como se publica.

Informe del Estado de la Técnica Página 4/5

OPINIÓN ESCRITA

Nº de solicitud: 201031780

1. Documentos considerados.-

A continuación se relacionan los documentos pertenecientes al estado de la técnica tomados en consideración para la realización de esta opinión.

Documento

Número Publicación o Identificación Fecha Publicación

D01

SUZUKI S. et al. “Cuffless blood pressure estimation by errorcorrecting output coding method based on an aggregation of AdaBoost with a photoplethysmograh sensor”, IEEE Engineering in Medicine and Biology Society, USA, 2009, vol. 2009, páginas 6765-6768.

D02

Base de datos INSPEC/IEE, AN 7072124, MURAHARA Y et al. “Estimation of the propagation time of pulse wave by closing an extremity illiac artery with a cuff”, marzo, 2001, resumen.

D03

Base de datos INSPEC/IEE, AN 5481833, MURAHARA Y et al. “A method for the analysis of sistemic circulatory system”, junio 1996, resumen.

D04

Base de datos MEDLINE/NLM, AN NLM20727327, GUO R et al. “Feature extraction and recognition of traditional chinese medicine pulse based on hemodynamic principles”, agosto 2010, resumen.

D05

ES 2336997 B1 (SABIRMEDICAL) 19.04.2010

D06

ES 2338624 B1 (SABIRMEDICAL) 10.05.2010

D07

WO 2010128500 A1 (WELLSENSE TECHNOLOGIES et al.) 11.11.2010

D08

FAUNDEZ-ZANUY M et al. ”Face recognition using a radial basis function classifier”, Proceedings, 40th Annual 2006 International Carnahan Conference on Security Technology), USA 2006, páginas 98-102.

D09

Base de datos INSPEC/IEE, AN 10844807, CATTIVELLI et al. “Noninvasive cuffless estimation of blood pressure from pulse arrival time and heart rate with adaptive calibration”, 2009 6th International Workshop on Wearable and Implantable Body Sensor Networks Conference, junio 2009, resumen.

D10

JEONG I et al. “Non-invasive estimation of systolic blood pressure and diastolic blood pressure using photoplethysmograph components”, Yonsei Medical Journal, mayo 2010, Vol. 51, nº 3, páginas 345-353

D11

NITZAN M. et al. “Automatic noninvasive measurement of systolic blood pressure using photoplethysmography”, Biomedical engineering online, 2009, vol. 8, página 28.
2. Declaración motivada según los artículos 29.6 y 29.7 del Reglamento de ejecución de la Ley 11/1986, de 20 de marzo, de Patentes sobre la novedad y la actividad inventiva; citas y explicaciones en apoyo de esta declaración

La solicitud de patente en estudio tiene una reivindicación independiente, la nº 1, que se refiere a un sistema no invasivo, basado en la forma de onda del pulso cardíaco distal, para la estimación simultánea de glucosa en sangre, glucocorticoides y presión arterial, dotado de un sensor, y que comprende un módulo de detección de actividad que genera una secuencia de tramas, un módulo de tratamiento de señal que genera un vector que contiene parámetros de un modelo fisiológico y un módulo de estimación, basado en técnicas de aprendizaje automático, para estimar los valores de glucosa, glucocorticoides y presión arterial. Las reivindicaciones dependientes 2 – 6 se refieren a las características técnicas de los diferentes módulos componentes del sistema. La reivindicación nº 7 se refiere al método de estimación con sus correspondientes etapas y las reivindicaciones dependientes 8 – 17 a las características técnicas de dichas etapas. Los documentos citados D01 – D11 cubren diferentes aspectos del estado de la técnica. El documento D01 describe un procedimiento no invasivo para la estimación de la presión sanguínea, que utiliza también como sensor un pletismógrafo, y que se basa en un método de reconocimiento de patrones. Este procedimiento aplica Adaboost en el módulo de clasificación y permite estimar la presión sistólica a partir de información individual del paciente y de diferentes características de la onda de pulso. Los resúmenes de los documentos D02 – D03 se refieren a métodos analíticos para análisis de la onda de pulso basados en la información del “cepstrum”. El resumen del documento D04 se refiere al análisis de diferentes factores que contribuyen a la formación de la onda de pulso y emplea en el procedimiento de clasificación radial basis functions (el documento D08, del propio solicitante, describe el uso de un clasificador basado en el mismo principio, pero utilizado en una aplicación diferente). Los documentos D05 y D9 – D11 describen procedimientos para la estimación no invasiva de la presión sanguínea y los documentos D06 – D07 se refieren a procedimientos no invasivos para la estimación de la glucosa en sangre pero de forma diferente a la solución reivindicada en la solicitud en estudio. Aunque los documentos citados describen diferentes aspectos del estado de la técnica se ha considerado que no afectan ni a la novedad ni a la actividad inventiva de las reivindicaciones de la solicitud en estudio según lo especificado en los artículos 6 y 8 de la Ley de Patentes.

Informe del Estado de la Técnica Página 5/5