WO2007138146A1 - Método automático de análisis de señales acústicas no-estacionarias - Google Patents

Método automático de análisis de señales acústicas no-estacionarias Download PDF

Info

Publication number
WO2007138146A1
WO2007138146A1 PCT/ES2007/070098 ES2007070098W WO2007138146A1 WO 2007138146 A1 WO2007138146 A1 WO 2007138146A1 ES 2007070098 W ES2007070098 W ES 2007070098W WO 2007138146 A1 WO2007138146 A1 WO 2007138146A1
Authority
WO
WIPO (PCT)
Prior art keywords
analysis
automatic method
identification
previous
events
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/ES2007/070098
Other languages
English (en)
French (fr)
Inventor
Gabriel CRISTOBAL PÉREZ
Salvador GABARDA TÉBAR
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Consejo Superior de Investigaciones Cientificas CSIC
Original Assignee
Consejo Superior de Investigaciones Cientificas CSIC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Consejo Superior de Investigaciones Cientificas CSIC filed Critical Consejo Superior de Investigaciones Cientificas CSIC
Publication of WO2007138146A1 publication Critical patent/WO2007138146A1/es
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/043—Analysing solids in the interior, e.g. by shear waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4472—Mathematical theories or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/46—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by spectral analysis, e.g. Fourier analysis or wavelet analysis

Definitions

  • the invention procedure that we present belongs to the non-stationary acoustic signal treatment sector.
  • a method based on the temporal analysis of the frequency of the sound signal is proposed by means of a new mathematical algorithm that allows the calculation of the generalized entropy of Rényi.
  • the method described here has direct application in all types of acoustic signal and especially in the determination of sounds of biomedical interest detectable with current systems, such as those generically called electrocardiographic, (hereinafter we will use the abbreviation ECG), electromyograms (idem, EMG) and electroencephalograms (idem, EEG) widely used in the detection of precursor symptoms in cases of epilepsy.
  • ECG electrocardiographic
  • EMG electromyograms
  • EEG electroencephalograms
  • the use of the known stethoscope (the "phonendoscope", in medical jargon) as an early diagnostic instrument has been limited by several factors.
  • the clinic is here with a serious obstacle and this lies, in the first place, in an insufficient knowledge of the cardiac sounds as well as the subjectivity of the interpretations (in many cases the exploration is carried out directly on the patient without performing no record of the sound that is perceived through the stethoscope in order to be able to isolate the background noise) [21].
  • the general study of the non-stationary sound signals will serve any practical application because experience has shown that the differences in the sound spectra of the different physical causes are minimal.
  • the murmurs are sounds that can appear between the so-called main sounds S1 and S2 and that characterize the cardiac cycle: the systole occurs between S1 and S2 and the diastole between S2 and S1. These are high frequency noises caused by blood flow when circulating at high speed, and whose origin may be due to a partial obstruction of the valves (stenosis) or blood reflux. It is logical to think that the diagnostic "characterization" of all cardiac events requires a complete and unique analysis of the phonocardiographic signal.
  • the first of these, segmentation, when applied in cardiology, is based on thresholding techniques of the envelope of various parameters extracted from the temporal signal, such as energy, amplitude or frequency, sometimes relying on other auxiliary signals such as the electrocardiogram (since the QRS complex is related to S1 and S2) [19].
  • the FCG signal is characterized by its non-stationarity (the frequencies vary with time), so that the second set of techniques based on time-frequency representations allow to simultaneously represent the variation of the frequencies of the signal with time.
  • wavelet-based techniques have also been proposed that provide a time-scale representation, allowing approximations of the signal with very few terms (compact support) [23]. It has also been proposed to represent the FCG signal through adaptive representations of the cross-search type ("matching pursuit") [22], as well as through high-order spectral analysis by means of the bispectrum and the coherence function [20]. ].
  • the system proposed in this patent of invention is an improvement that consists in analyzing the FCG signal by means of a Wigner-Ville (DVW) distribution, to then carry out a measurement of the Rényi Io entropy that will allow easy discrimination of the catastrophic, or pathological, events of the normal ones (since those in case of presenting, incorporate a higher localized content of high frequencies than in the case of normal events).
  • An important feature of the method proposed here is its low computational cost, since it is based on the 1 D distribution of Wigner-Ville, which will allow its use in systems or computers without high performance, even in laptops.
  • the method proposed in this invention patent consists in obtaining the temporal sound signal generated by certain events or events that are characterized by a time-frequency distribution, and its subsequent analysis by means of a mathematical algorithm that allows the univocal determination of the amount of information (entropy) of Renyi.
  • the presented methodology has applications in biomedicine, resistance of metallic materials and previous seismic detection.
  • the method proposed in this invention patent is unique, it distinguishes three different operational phases: obtaining the signal from a time-frequency distribution, pre-processing of this signal and calculating the Rényi entropy.
  • n is the discrete temporal variable and k is the discrete frequency variable, and is a parameter whose recommended value must be equal to or greater than 2 [14].
  • M represents the number of samples to be processed and k represents the frequency variable: -N 12 ⁇ k ⁇ N 12
  • the application of the prior techniques requires a stage of pre-processing of the signal, consisting in the application of a shift to the signal so that all the FCG values are positive.
  • the amplitude of the entropy values due to the murmur are greater than S1 or S2, which would prevent its detection if other methods were used pre-existing based on thresholding.
  • Fig. 1 Example of the detection of events corresponding to six cardiac cycles of a control patient (see annotation in the figure of sounds S1 and S2). (Second row) Detection of events of interest (S1 and S2).
  • Fig. 2. Example of the detection of events corresponding to six cardiac cycles of a patient with a heart murmur (see annotation in the figure of the murmur as well as the sounds S1 and S2).
  • S1 and S2 sounds Detection of events of interest (S1 and S2 sounds) by the proposed procedure. Note the high resolution obtained in the detection of events compared to other existing methods based on the thresholding of the magnitude of the signal (Third and fourth rows).
  • FIG. 3 Detailed example of the detection of events corresponding to two cardiac cycles of a control patient.
  • Fig. 5 Example of the detection of events in an electrocardiographic signal (ECG).
  • ECG electrocardiographic signal
  • the most representative events of the ECG signal can be characterized by the peaks and valleys of said temporary signal through the so-called PQRST complex
  • FIG. 6 A. The figure represents a cardiac cycle of an ECG signal corresponding to severe ventricular arrhythmia.
  • B. Event detection by the procedure described, for an analysis window of N 8

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Mathematical Physics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

Esta patente de invención presenta un método de análisis de la señal 5 acústica temporal generada durante determinados eventos o sucesos de cambio de estado o transformaciones en todo tipo de sistemas físicos, caracterizada por presentar una distribución tiempo-frecuencia cualesquiera.. Un método basado en un algoritmo matemático permite, después de varias etapas intermedias, la determinación univoca de la cantidad de información 10 (entropía) a partir de un espectro sonoro. Este procedimiento es aplicable a todo sistema de cálculo automático y es de especial interés en ciencias biomédicas, es válido en la determinación de fracturas en estructuras metálicas así como en la prevención de movimientos sísmicos. La presente invención constituye una mejora en los métodos actualmente operativos.

Description

TÍTULO
MÉTODO AUTOMÁTICO DE ANÁLISIS DE SEÑALES ACÚSTICAS NO- ESTACIONARIAS
SECTOR DE LA TÉCNICA
El procedimiento de invención que presentamos pertenece al sector del tratamiento de las señales acústicas no estacionarias. Se propone un método basado en el análisis temporal de Ia frecuencia de Ia señal sonora por medio de un nuevo algoritmo matemático que permite el cálculo de Ia entropía generalizada de Rényi. El método aquí descrito tiene aplicación directa en todo tipo de señal acústica y muy especialmente en Ia determinación de sonidos de interés biomédico detectables con los sistemas actuales, como puedan ser los genéricamente denominados electrocardiográficos, (de aquí en adelante emplearemos Ia abreviatura ECG), los electromiogramas (idem , EMG) y los electroencefalogramas (idem, EEG) largamente empleados en Ia detección de síntomas precursores en casos de epilepsia. Existen asimismo otras áreas técnicas en donde el procedimiento presentado puede tener aplicación como es el caso de análisis de señales sísmicas, en Ia detección de fisuras en metales por medio de registros sonoros, etc.
ESTADO DE LA TÉCNICA
El estudio sistemático de los ruidos escuchados durante los movimientos telúricos en zonas volcánicas o en los movimientos sísmicos motivados por Ia acumulación de tensión en los bordes de las placas continentales comenzó cuando alguien pensó que toda esa información, utilizada de forma consciente, podía servir para predecir catástrofes geológicas indeseadas [1-20]. Luego Ia idea se amplió hasta englobar también a los sonidos emitidos por el corazón de los mamíferos captables en una auscultación. Así, en busca de una comprensión general, discutiremos a Io largo de este documento de Ia determinación y análisis de todos los sonidos, sean cuales sean y como sean, producidos durante sucesos o eventos en los cuales se suceden determinados movimientos físicos o cambios de estado. La investigación es este campo de revelado de Ia información útil contenida en los sonidos multifrecuencia no estacionarios dista mucho de estar concluido o tan solo de haber arribado a un nivel de conocimiento del cual podamos estar satisfechos. Si hablamos en particular, para centrar esta exposición, de Ia antes mencionada auscultación cardiaca ésta sigue siendo hoy en día una práctica habitual y esencial en los ambulatorios de Atención Primaria por su sencillos y comodidad para el paciente.
Sin embargo, a pesar de su simplicidad y bajo coste, Ia utilización del conocido fonendoscopio (el "fonendo", en Ia jerga médica) como instrumento de diagnóstico precoz se ha visto limitada por varios factores. En efecto, Ia clínica se encuentra aquí con un serio obstáculo y este radica, en primer lugar, en un conocimiento insuficiente de los sonidos cardíacos así como a Ia subjetividad de las interpretaciones (en muchas ocasiones Ia exploración se efectúa directamente sobre el paciente sin efectuar ningún registro del sonido que se percibe a través del fonendoscopio con el fin de poder aislar el ruido de fondo) [21]. El estudio general de las señales sonoras no-estacionarias servirá a cualquier aplicación práctica por que Ia experiencia ha demostrado que las diferencias en los espectros sonoros de las diferentes causas físicas son mínimas.
Es un hecho bien documentado en Ia práctica médica que existe una prevalencia alta de los denominados "soplos" cardíacos. Los soplos son sonidos que pueden aparecer entre los denominados sonidos principales S1 y S2 y que caracterizan el ciclo cardíaco: Ia sístole se produce entre S1 y S2 y Ia diástole entre S2 y S1. Se trata de ruidos de alta frecuencia causados por flujo sanguíneo cuando circula a alta velocidad, y cuyo origen puede ser debido a una obstrucción parcial de las válvulas (estenosis) o a reflujos de Ia sangre. Es de todo punto lógico pensar que Ia "caracterización" diagnóstica de todos los sucesos cardiacos precisa del análisis completo y unívoco de Ia señal fonocardiográfica.
Actualmente, en el análisis de cualquier señal sonora existen actualmente varias técnicas que podemos clasificar en dos grandes grupos: segmentación y representaciones conjuntas. La capacidad diagnóstica o pre-cognosciva de todas ellas radica en Ia capacidad para separar, o aislar, cualquier evento de interés y así precisar en el diagnostico de cada dolencia.
La primera de ellas, segmentación, cuando se aplica en cardiología, está basada en técnicas de umbralización de Ia envolvente de diversos parámetros extraídos de Ia señal temporal, tales como Ia energía, Ia amplitud o Ia frecuencia, apoyándose en ocasiones en otras señales auxiliares como el electrocardiograma (ya que el complejo QRS se encuentra relacionado con S1 y S2) [19]. La señal FCG está caracterizada por su no-estacionareidad (las frecuencias varían con el tiempo), por Io que el segundo conjunto de técnicas basadas en representaciones tiempo-frecuencia permiten representar simultáneamente Ia variación de las frecuencias de Ia señal con el tiempo. Con posterioridad también se han propuesto técnicas basadas en wavelets que proporcionan una representación tiempo-escala, permitiendo aproximaciones de Ia señal con muy pocos términos (soporte compacto) [23]. También se han propuesto representar Ia señal FCG a través de representaciones adaptativas del tipo de búsqueda cruzada ("matching pursuit") [22], así como a través de análisis espectral de alto orden por medio del bispectrum y de Ia función de coherencia [20].
El sistema propuesto en esta patente de invención es una mejora que consiste en analizar Ia señal FCG mediante una distribución de Wigner-Ville (DVW), para a continuación realizar una medida de Ia entropía de Rényi Io que va a permitir una fácil discriminación de los eventos catastróficos, o patológicos, de los normales (ya que aquellos en caso de presentarse, incorporan un mayor contenido localizado de altas frecuencias que en el caso de los eventos normales). Una característica importante del método que aquí se propone es su bajo coste computacional, ya que está basado en Ia distribución 1 D de Wigner-Ville, Io que va a permitir su utilización en sistemas u ordenadores sin grandes prestaciones, hasta incluso en portátiles. Otra característica importante es que va a facilitar una medida objetiva cuantitativa de Ia existencia o no de "soplos" cardíacos o de otro tipo de anomalías en el ciclo cardíaco, sin que se requiera Ia presencia de un experto. En caso necesario, los datos registrados podrían transmitirse a un PC o a través de Internet a otro servidor para su posterior procesado. El método es capaz también de llevar a cabo un análisis más detallado de las distintas patologías, a través de un simple sistema de multiresolución, es decir variando Ia ventana de análisis en donde se calcula Ia DVW. Por último, una característica importante del sistema que aquí se propone es su alta robustez frente al ruido externo que siempre está presente a Ia hora de captar Ia señal FCG.
Referencias bibliográficas:
[I] Rui Zou, WiII A. Cupples, K. P. Yip, Niels H. Holstein-Rathlou, and Ki H. Chon, "Time-varying properties of renal autoregulatory mechanisms" IEEE Transactions on Biomedical Engineering, VoI. 49, No. 10, October 2002
[2] A. Yadollahi, Z. Moussavi, M. B. ShamsollahM and Z. Ahmadinejad , "Heart sounds localizaron using lung sounds entropy", Int. J. Sci. Res., VoI. 15 (2005), in press.
[3] L. Stankovic, "A measure of some time-frequency distributions concentration", Signal Processing 81 (2001 ) 621 -631
[4] E. Wigner, "On the Quantum Correction for Thermodynamic Equilibrium." Physical Review, VoI. 40, 1932, pp. 749-759.
[5] T. A. C. M. Claasen and W. F. G. Mecklenbráuker, "The Wigner distribution - A Tool for Time Frequency Analysis," Parts l-lll." Philips J. Research, VoI. 35, 217-250, 276-300, 372-389 (1980).
[6] K.H.Brenner, "A discrete versión of the Wigner distribution function", Proc. 1983 EURASIP, Signal Processing II: Theories and Applications, 307-309.
[7] C. E. Shannon and W. Weaver. The Mathematical Theory of Communication. The University of Illinois Press, Urbana, Chicago, London, 1949.
[8] N. Wiener. Cybernetics. Wiley, New York, 1948.
[9] Alfréd Rényi. "Some fundamental questions of information theory". In Pal Turan, editor, Selected Papers of Alfréd Rényi, volume 3, pp. 526-552. Akadémiai Kiadó, Budapest, 1976. (Originally: MTA III. Oszt. Kδzl., 10, 1960, pp. 251 -282).
[10] T.H. Sang, WJ. Williams, "Rényi information and signal dependent optimal kernel design". Proceedings of the ICASSP, vol. 2, 1995, pp. 997-1000.
[I I] LJ. Stankovic , "A method for time-frequency analysis", IEEE Trans. Signal Process. 42 (January 1994) 225-229. [12] D. Vakman, "Optimum signáis which minimize partial volume under an ambiguity surface", Radio Eng. Electron. Phys. 23 (August 1968) 1260-1268.
[13] WJ. Williams, M. L. Brown, A.O. Hero, "Uncertainity, information and time- frequency distributions", SPIE Adv. Signal Process. Algebra Arch. Imp. 1566 (1991 ) 144-156.
[14] P. Flandrin, R. G. Baraniuk, O. Michel, "Time-frequency complexity and information", Proceedings of the ICASSP, vol. 3, 1994, pp. 329-332.
[15] J. Pitton, P. Loughlin and L. Atlas, "Positive time-frequency distributions via máximum entropy deconvolution of the evolutionary spectrum", Proc. ICASSP, vol. IV, pp. 436-439, 1993.
[16] R. Eisberg & R. Resnick, "Quantum Physics", Wiley, 1974.
[17] R. F. Rushmer, editor, "Cardiovascular Dynamics", W. B. Saunders, Philadelphia, 2nd edition, 1961.
[18] H. Liang, S. Lukkarinen, and I. Hartimo, "Heart sound segmentation algorithm based on heart sound envelogram", Computers in Cardiology, pp. 105-108, 1997.
[19] J. Martínez-Alajarín and R. Ruiz-Merino. "Efficient method for events detection in phonocardiographic signáis" Proceedings of SPIE. Bioengineered and Bioinspired Systems II. VoI. 5839 (2005), pp. 398-409.
[2O]G. Draganescu, L. Balaceanu and D. Dodenciu, "The use of high-order spectral analysis for phonocardiogram processing", Tech. BuII. Polytechnic Univ. of Timisoara, Romanía, 2002, http://cmpicsu.utt.ro/cvm/Draganescu- Balaceanu-Dodenciu.pdf
[21] M. E. Tavel, "Cardiac auscultation. A glorious past , but it does have a future?", Circulation, 93 (2006),pp. 1250-53
[22] X. Zhang, L. G. Durand, L. Senhadji, H.C. Lee, and J. L. Coatrieux, "Time- frequency scaling transformation of the phonocardiogram based of the matching pursuit method", IEEE Trans. on Biomedical Eng. 45, (1998), pp. 972-979 [23] M. S. Obaidat, "Phonocardiogram signal analysis: techniques and performance comparison", J. of Medical Eng. And Technology, 17 (1993), pp. 221-227
Una patente relacionadas con Ia presente propuesta:
La compañía Biosignetics (29 Downing, Ct, Exeter, NH 03833) ha desarrollado un método que permite llevar a cabo un análisis de Ia señal fonocardiográfica . Viene descrito en Ia patente USPTO 60/546,742. Más información en:
http://www.bsignetics.com/products.htm
DESCRIPCIÓN DE LA INVENCIÓN
Breve descripción de Ia invención.
El método propuesto en esta patente de invención consiste en Ia obtención de Ia señal sonora temporal generada por determinados eventos o sucesos que están caracterizados por una distribución tiempo-frecuencia, y su análisis posterior mediante un algoritmo matemático que permite Ia determinación univoca de Ia cantidad de información (entropía) de Renyi. La metodología presentada tiene aplicaciones en biomedicina, resistencia de materiales metálicos y detección previa de seísmos.
Descripción Detallada de Ia invención.
Si bien el método propuesto en esta patente de invención es único, en él distinguimos tres fases operacionales distintas: obtención de Ia señal a partir de una distribución tiempo-frecuencia, pre-procesado de esta señal y cálculo dé la entropía de Rényi.
Obtención de Ia señal a partir de Ia distribución tiempo-frecuencia .
La información frecuencial de una señal se puede obtener asociando a un determinado instante t un vector con los valores discretos proporcionados por Ia pseudo distribución de Wigner (PWD, Pseudo Wigner distribution)). La aproximación discreta de Ia distribución de Wigner [2-9] empleada es una modificación de otra que fue propuesta en [5] y resulta similar a Ia expresión de Brenner [6]:
»-i
-t2*í—)
W(n, k) = 2 ^\ z(n + m)z * (n - m)e
N (1 )
donde z* es el complejo conjugado de Ia señal z, m y k representan las variables del tiempo y Ia frecuencia discretos, respectivamente, y W(n, k) es una matriz en donde cada fila es un vector que representa el valor de Ia PWD en el instante n y a Ia frecuencia k. Esta expresión se puede interpretar como Ia transformada discreta de Fourier (DFT) del producto r(n,m) = z(n + m)z*(n - m), y está limitada al intervalo [-N/2,N/2 - 1]. La PWD presenta coeficientes con diferente magnitud para cada posición t = n, debido a cambios en los valores de Ia señal a Io largo del tiempo. Una forma de cuantificar estas diferencias en Ia PWD es mediante una medida en cada instante de tiempo, para Io que puede utilizarse Ia entropía de Rényi de dicha PWD instantánea. La medida de Ia entropía fue inicialmente propuesta de forma independiente por Shannon [7] y Wiener [8] como una medida del contenido de información por símbolo, a partir de una fuente de información estocástica. Posteriormente, Rényi [9] extendió esta noción introduciendo el concepto de entropía generalizada. La medida de Ia entropía de Rényi aplicada a una distribución T- F P(t,ω) tiene Ia forma:
Figure imgf000010_0001
donde n es Ia variable temporal discreta y k es Ia variable frecuencial discreta, y es un parámetro cuyo valor recomendado ha de ser igual o superior a 2 [14].
Aunque las medidas de Rényi de las distribuciones T-F se parecen a Ia entropía original, no presentan las mismas propiedades que se derivan de Ia teoría clásica de Ia información. Con el fin de adaptar los valores de una distribución al caso de señales de energía unitaria es necesario realizar algún tipo de normalización. La denominada normalización cuántica es Ia que se ha mostrado de forma experimental como Ia más adecuada para su aplicación a los registros fonocardiográficos y electrocardiográficos. El procedimiento consiste en asociar Ia PWD en un determinado instante t con una función de densidad de probabilidad por medio de Ia expresión: P{n, k) = PWD(n,k)PWD* (n,k) junto con una normalización para conseguir que
Ia condición ∑∑P(n,k) = l se satisfaga. Sustituyendo en Ia ecuación (2) para n k α=3
Figure imgf000011_0001
Esta medida puede ser interpretada de modo instantáneo por medio de:
Figure imgf000011_0002
El término P tiene que normalizarse de modo instantáneo de Ia siguiente forma:
Q(n, k) = PWD(n, k)PWD(n, k) * (5)
Figure imgf000011_0003
con objeto de que se verifique Ia condición de normalización,
Figure imgf000011_0004
en donde M representa el número de muestras a procesar y k representa Ia variable frecuencial: -N 12 ≤ k ≤ N 12
Pre-procesado de Ia señal.
Debido a que Ia señal FCG presenta valores positivos y negativos, Ia aplicación de las técnicas anteriores requiere una etapa de pre-procesado de Ia señal, consistente en Ia aplicación de un desplazamiento a Ia señal para que todos los valores del FCG sean positivos. Tras esto se obtiene Ia PWD instantánea mediante Ia ecuación (1) desplazando una ventana de N muestras a Io largo de Ia señal. Normalmente el valor de N corresponderá a un valor pequeño p.e. N=8, 10, etc para poder localizar temporalmente los eventos. El valor exacto de este parámetro dependerá de las características particulares de Ia señal de análisis y de Ia frecuencia de muestreo utilizada para almacenarla. Procedimiento de obtención de Ia entropía de Rényi.
Una vez calculada Ia PWD (recordamos, Pseudo Distribución de Wigner) de Ia señal, se puede asociar a cada instante n un vector de N componentes, que representa su PWD instantánea. A continuación este método calcula Ia entropía de Rényi en su forma instantánea utilizando Ia normalización cuántica mediante Ia ecuación (4). Es importante resaltar que Ia utilización de este tipo concreto de normalización en concreto es fundamental para una precisa localización de los eventos. Esto origina una nueva secuencia temporal de datos, R3(n) , donde se realzan tanto los eventos cardiacos como cualquier otro. Los parámetros como Ia longitud de Ia ventana o el desplazamiento de Ia señal originan cambios en Ia forma y en el valor absoluto de Ia entropía resultante. Por tanto, los resultados obtenidos tendrán significado para señales sometidas a procesos idénticos. La ventaja fundamental así como Ia novedad más importante del procedimiento que se ha descrito frente a otros previamente existentes reside en el hecho de facilitar una localización más precisa de los eventos de interés preventivo, mientras que el resto de Ia señal debido a ruido ambiente o ruido interno, desaparece prácticamente en su totalidad, facilitando por tanto el proceso de Ia identificación de eventos. Por otro lado, Ia altura de los eventos detectados por el procedimiento descrito parece estar relacionada con su contenido frecuencial. Por ejemplo el sonido S2 contiene frecuencias más altas que el S1. Este hecho puede ser observado en Ia Fig. 1 B en donde los eventos S2 son de mayor amplitud que los S1 , Io cual facilita Ia distinción entre ambos tipos de sonidos. De Ia misma manera en el caso de Ia presencia de un soplo cardíaco (debido por ejemplo a estenosis aórtica), Ia amplitud de los valores de entropía debido al soplo son mayores que S1 o S2, Io que imposibilitaría su detección si se utilizaran otros métodos pre-existentes basados en Ia umbralización.
EJEMPLOS DE LA REALIZACIÓN DE LA INVENCIÓN Aunque el método desarrollado es aplicable al análisis de señales acústicas con un espectro caracterizado por Ia sucesión o ocurrencia, simultánea o no, de diversos sucesos definidos por espectros de frecuencias diferentes, se han hecho y presentado aquí, a modo de ejemplo, dos casos de utilización práctica de Ia técnica desarrollada en el caso especialmente concreto de señales empleadas en diagnostico clínico. En efecto, el primer escenario consiste en Ia detección de eventos de interés en fonocardiogramas (Figuras 1 - 4). El segundo escenario consiste en Ia detección de eventos de interés en electrocardiogramas (Figura 5-7). Las Figuras 3-5 ilustran los resultados obtenidos en esas dos situaciones diferentes de utilización de Ia invención. Debemos hacer énfasis en Ia alta resolución obtenida en Ia detección de los eventos en comparación con otros métodos ya existentes basados en Ia umbralización de Ia magnitud de Ia señal (Filas tercera y cuarta de las Figuras. 1-2).
DESCRIPCIÓN DE LAS FIGURAS.
Fig.1. (Fila primera) Ejemplo de Ia detección de eventos correspondiente a seis ciclos cardíacos de un paciente de control (ver anotación en Ia figura de los sonidos S1 y S2). (Fila segunda) Detección de eventos de interés (sonidos S1 y
S2) mediante el procedimiento propuesto. Obsérvese Ia alta resolución que se obtiene en Ia detección de los eventos en comparación con otros métodos ya existentes basados en Ia umbralización de Ia magnitud de Ia señal (Filas tercera y cuarta).
Fig. 2. (Fila primera) Ejemplo de Ia detección de eventos correspondiente a seis ciclos cardíacos de un paciente de un soplo cardíaco (ver anotación en Ia figura del soplo así como de los sonidos S1 y S2). (Fila segunda) Detección de eventos de interés (sonidos S1 y S2) mediante el procedimiento propuesto. Obsérvese Ia alta resolución que se obtiene en Ia detección de los eventos en comparación con otros métodos ya existentes basados en Ia umbralización de Ia magnitud de Ia señal (Filas tercera y cuarta).
Fig. 3. Ejemplo detallado de Ia detección de eventos correspondiente a dos ciclos cardíacos de un paciente de control. A) Señal PCG; B) Detección de eventos mediante el procedimiento descrito Fig. 4. Ejemplo detallado de Ia detección de eventos correspondiente a dos ciclos cardíacos de un paciente afectado de un soplo cardíaco debido a una estenosis aórtica. A) Señal PCG; B) Detección de eventos mediante el procedimiento descrito
Fig. 5. Ejemplo de Ia detección de eventos en una señal electrocardiográfica (ECG). Los eventos más representativos de Ia señal de ECG pueden ser caracterizados por los picos y valles de dicha señal temporal a través del denominado complejo PQRST A) Fragmento de señal ECG que representa tres ciclos cardíacos correspondientes a un paciente con arritmia cardíaca, B) Detección de los eventos PQRST mediante el procedimiento descrito.
Fig. 6. A. La figura representa un ciclo cardíaco de una señal de ECG correspondiente a una severa arritmia ventricular. B. Detección de eventos mediante el procedimento descrito, para una ventana de análisis de N=8
Fig. 7. Detección de eventos mediante el procedimiento descrito, correspondientes a Ia misma señal representada en Ia Fig. 6a, pero utilizando ventanas de análisis de N=16, 32 y 64 valores. Obsérvese como Ia localización de eventos empeora a medida que aumenta el tamaño de Ia ventana de análisis.

Claims

REIVINDICACIONES.
1. - Método automático de identificación y análisis de señales acústicas no-estacionarias generadas en el curso de eventos o sucesos de interés preventivo caracterizado por Ia utilización de series temporales de alta resolución y que comprenden las siguientes etapas:
i) Obtención de Ia señal a partir de una distribución tiempo- frecuencia mediante Ia expresión matemática,
--i x i . . . . . N
W(n, k) = 2 ^ z(n + m)z * (n — m)e
N
ii) cálculo simultaneo y univoco de Ia entropía de Rényi aplicado a una distribución tiempo-frecuencia por medio de Ia expresión,
Figure imgf000015_0001
donde, n y k son , respectivamente, las variables discretas temporal y frecuencial, y es un parámetro cuyo valor recomendado ha de ser igual o superior a 2.
iii) en el cálculo de Ia entropía de Rényi se utiliza Ia normalización cuántica, según se expresa en Ia ecuación,
Figure imgf000015_0002
2. - Método automático de identificación y análisis de cualquier señal acústica no-estacionaria reivindicado en, caracterizado porque permite determinar y analizar de modo unívoco el contenido de Ia información mediante el cálculo de Ia entropía de Renyi.
3. - Método automático de identificación y análisis de cualquier señal acústica no-estacionaria según reivindicaciones anteriores 1 y 2, caracterizado porque permite determinar y analizar de modo univoco a partir de una distribución cualquiera de frecuencias sonoras en el tiempo.
4. - Método automático de identificación y análisis de cualquier señal acústica no-estacionaria según reivindicaciones anteriores 1 , 2 y 3, caracterizado porque permite Ia diagnosis y prevención de problemas cardiacos a partir de una señal cardiográfica obtenida por cualquier sistema sensible.
5. - Método automático de identificación y análisis de cualquier señal acústica no-estacionaria según reivindicaciones anteriores 1 , 2 y 3, caracterizado porque permite Ia diagnosis y prevención de problemas cardiacos a partir de una señal electrocardiográfica y, en especial, una detección muy precisa del complejo QRS de dicha señal ECG.
6. - Método automático de identificación y análisis de cualquier señal acústica no-estacionaria según reivindicaciones anteriores 1 , 2 y 3, caracterizado porque permite Ia diagnosis y prevención utilizando señales producidas en eventos tempranos (ondas precursoras) para casos de epilepsia.
7. - Método automático de identificación y análisis de cualquier señal acústica no-estacionaria según reivindicaciones anteriores 1 , 2 y 3, caracterizado porque es aplicable al estudio de señales electromiográficas de interés en Ia transmisión eléctrica muscular.
8. - Método automático de identificación y análisis de cualquier señal acústica no-estacionaria según reivindicaciones anteriores 1 , 2 y 3, caracterizado por su aplicación a otras señales acústicas de interés biomédico, en Ia detección previa de fisuras en estructuras metálicas y en Ia prevención de movimientos sísmicos.
PCT/ES2007/070098 2006-05-30 2007-05-28 Método automático de análisis de señales acústicas no-estacionarias Ceased WO2007138146A1 (es)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
ESP200601425 2006-05-30
ES200601425A ES2319836B1 (es) 2006-05-30 2006-05-30 Metodo automatico de analisis de señales acusticas no-estacionarias.

Publications (1)

Publication Number Publication Date
WO2007138146A1 true WO2007138146A1 (es) 2007-12-06

Family

ID=38778156

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/ES2007/070098 Ceased WO2007138146A1 (es) 2006-05-30 2007-05-28 Método automático de análisis de señales acústicas no-estacionarias

Country Status (2)

Country Link
ES (1) ES2319836B1 (es)
WO (1) WO2007138146A1 (es)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104698091A (zh) * 2015-03-13 2015-06-10 哈尔滨工程大学 一种基于量化信息熵的一维构件应力波信号奇异点检测的方法
CN106055798A (zh) * 2016-06-02 2016-10-26 东南大学 一种非平稳随机动态载荷下的声振响应分析方法
CN107942323A (zh) * 2017-11-17 2018-04-20 西安电子科技大学 基于频域熵的进动目标时频曲线提取方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
AVIYENTE S. ET AL.: "Entropy based detection on the time-frequency plane", ACOUSTICS, SPEECH, AND SIGNAL PROCESSING, 2003. PROCEEDINGS. (ICASSP'03). 2003 IEEE INTERNATIONAL CONFERENCE, vol. 6, 6 April 2003 (2003-04-06) - 10 April 2003 (2003-04-10), pages VI - 441 - 444, XP010639511, Retrieved from the Internet <URL:http://www.ieeexplore.org/iel5/8535/27057/01201713.pdf?tp=&arnumber=1201713&isnumber=27057> *
BARANIUK R.G. ET AL.: "Measuring time-frequency information content using the Renyi entropies", INFORMATION THEORY, IEEE TRANSACTIONS, vol. 47, no. 4, May 2001 (2001-05-01), pages 1391 - 1409, XP008091511, Retrieved from the Internet <URL:http://www.ieeexplore.ieee.org/iel5/18/19972/00923723.pdf?tp=&arnumber=923723&isnumber=19972> *
LAKE D.E. ET AL.: "Renyi entropy measures of heart rate Gaussianity", BIOMEDICAL ENGINEERING, IEEE TRANSACTIONS, vol. 53, no. 1, January 2006 (2006-01-01), pages 21 - 27, XP008091175, Retrieved from the Internet <URL:http://www.ieeexplore.ieee.org/iel5/10/33150/01561516.pdf?tp=&arnumber=1561516&isnumber=33150> *
SANG T.-H. ET AL.: "Renyi information and signal-dependent optimal kernthe design", ACOUSTICS, SPEECH, AND SIGNAL PROCESSING, 1995, ICASSP-95., 1995 INTERNATIONAL CONFERENCE, vol. 2, 9 May 1995 (1995-05-09) - 12 May 1995 (1995-05-12), pages 997 - 100, XP010151474, Retrieved from the Internet <URL:http://www.ieeexplore.ieee.org/iel2/3469/10216/00480344.pdf?tp=&arnumber=480344&isnumber=10216> *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104698091A (zh) * 2015-03-13 2015-06-10 哈尔滨工程大学 一种基于量化信息熵的一维构件应力波信号奇异点检测的方法
CN106055798A (zh) * 2016-06-02 2016-10-26 东南大学 一种非平稳随机动态载荷下的声振响应分析方法
CN106055798B (zh) * 2016-06-02 2017-09-19 东南大学 一种非平稳随机动态载荷下的声振响应分析方法
CN107942323A (zh) * 2017-11-17 2018-04-20 西安电子科技大学 基于频域熵的进动目标时频曲线提取方法
CN107942323B (zh) * 2017-11-17 2021-05-18 西安电子科技大学 基于频域熵的进动目标时频曲线提取方法

Also Published As

Publication number Publication date
ES2319836A1 (es) 2009-05-12
ES2319836B1 (es) 2010-02-04

Similar Documents

Publication Publication Date Title
Gupta et al. A novel FrWT based arrhythmia detection in ECG signal using YWARA and PCA
Gupta et al. Chaos theory: an emerging tool for arrhythmia detection
Rizwan et al. A machine learning approach for the detection of QRS complexes in electrocardiogram (ECG) using discrete wavelet transform (DWT) algorithm
Kalidas et al. Cardiac arrhythmia classification using multi-modal signal analysis
Sanamdikar et al. A literature review on arrhythmia analysis of ECG signal
Chen et al. VLSI implementation of QRS complex detector based on wavelet decomposition
Lee et al. A real-time abnormal beat detection method using a template cluster for the ECG diagnosis of IoT devices
Anbalagan et al. AF identification from time–frequency analysis of ECG signal using deep neural networks
CA2715082A1 (en) Method and system of predicting clinical outcome for a patient with congestive heart failure
Georgieva-Tsaneva QRS detection algorithm for long term Holter records
US10321837B2 (en) ECG machine including filter for feature detection
Bhoi et al. Classification Probability Analysis for Arrhythmia and Ischemia Using Frequency Domain Features of QRS Complex.
ES2319836B1 (es) Metodo automatico de analisis de señales acusticas no-estacionarias.
Bassiouni et al. Combination of ECG and PPG signals for healthcare applications: A survey
Zhao et al. [Retracted] An Early Warning of Atrial Fibrillation Based on Short‐Time ECG Signals
Golpaygani et al. Detection and identification of S1 and S2 heart sounds using wavelet decomposition method
Gad Feature extraction of electrocardiogram signals using discrete sinc transform
Yoon et al. Automatic detection of congestive heart failure and atrial fibrillation with short RR interval time series
Sundaram et al. Discriminating normal phonocardiogram from artifact using a multiscale entropy technique
Mohanty et al. R-peak detection using efficient technique for tachycardia detection
Yao et al. Machine learning-based CAD detection using integrated ECG and PCG parameter features
Couceiro et al. On the detection of premature ventricular contractions
Hamza LabVIEW based ECG simulator and automatic detection system for cardiac disorders
Naresh et al. Extraction of ECG significant features for remote CVD monitoring
Rizzi et al. Lightweight Signal Analysis for R-Peak Detection.

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 07765883

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 07765883

Country of ref document: EP

Kind code of ref document: A1