Anteproyecto de Trabajo Fin de Carrera Compresión y clasificación de información electrocardiográfica mediante redes neuronales José Ramón Hilera González Ingeniería en Informática Escuela Técnica Superior de Ingeniería Informática Universidad de Alcalá [email protected] Palabras clave. Red neuronal, electrocardiagrama, procesado de señal, compresion de datos, back-propagation. 1 Introducción Las redes neuronales son sistemas de computación compuestos por un gran número de elementos de proceso simples, llamados “nodos” o “neuronas”, altamente interconectados que procesan información por medio de su estado dinámico como respuesta a entradas externas (Hecht-Nielsen, 1988). Las redes neuronales tienen la capacidad de “aprender” mediante el ajuste de las conexiones entre los nodos, y se utilizan principalmente para resolver problemas que no pueden ser descritos fácilmente mediante un enfoque algorítmico tradicional, como el reconocimiento y clasificación de formas o patrones (Hilera y Martínez, 1995). Estos sistemas han sido aplicados en el ámbito de la medicina para el diagnóstico clínico en campos de muy diferente tipo: para el control de la diabetes (Blumenfeld, 1990), la hipertensión (Poli et al., 1991) y la epilepsia (Apolloni et al., 1990); en Dermatología (Yoon et al., 1989); o en Cardiología (Hilera et al., 1995; Maren et al., 1990; Nagel y Smith, 1991). Entre los problemas existentes en el ámbito del procesamiento de la información médica, se encuentra el de la necesidad de disponer de técnicas de compresión de datos para reducir el espacio de almacenamiento ocupado por las señales electrocardiográficas (ECG) registradas por los equipos electrónicos de monitorización cardiaca (Reddy y Murthy, 1986). Otro problema que se plantea en el ámbito de la cardiología es el de la clasificación y diagnóstico automático de las señales ECG para, por ejemplo, detectar diferentes tipos de anomalías o disfunciones cardíacas a partir de la información incluida en dichas señales (Bortolan et al., 1990). El trabajo que se propone trataría de utilizar redes neuronales para solucionar los dos problemas descritos: la compresión de señales electrocardiográficas, y la clasifi- cación de este tipo de señales. La combinación de ambos tipos de procesamiento podría ser útil, por ejemplo, para la implantación de sistemas de tele-monitorización cardiaca, en los que el electrocardiograma (ECG) obtenido de un paciente es analizado en un computador remoto para realizar el diagnóstico clínico. En este caso, para ocupar las líneas de transmisión el menor tiempo posible, antes de su envío se comprimiría el ECG utilizando una red neuronal; y en el destino, la señal sería reconstruida con otra red, utilizando una tercera red neuronal para realizar una primera clasificación automática de dicha señal en una de las categorías de señales ECG establecida previamente, que ha de incluir diferentes tipos de señales normales y señales que reflejen la existencia de anomalías cardiacas. 2 Objetivos El objetivo principal del trabajo consiste en evaluar la posibilidad de utilizar redes neuronales como mecanismo para la compresión y clasificación de señales electrocardiográficas en sistemas de monitorización cardiaca. Los objetivos específicos planteados son los siguientes: 1. 2. 3. 4. 5. 6. 7. Analizar y documentar los fundamentos del procesamiento digital y almacenamiento binario de señales electrocardiográficas (ECG). Investigar las diferentes aplicaciones existentes de las redes neuronales en Cardiología. Conseguir un número suficiente de señales ECG para utilizarlas en la creación de las redes neuronales y en su posterior evaluación. Diseñar e implementar diferentes arquitecturas de redes backpropagation para la compresión y clasificación de señales ECG. Evaluar los resultados obtenidos al comprimir y descomprimir señales ECG con una red neuronal, analizando cómo afectan los parámetros de la red al factor de compresión conseguido. Evaluar los resultados obtenidos al clasificar señales ECG utilizando una red neuronal para reconocer diferentes tipos de arritmias cardiacas. Redactar un informe o memoria final. 3 Resultados El principal resultado del trabajo será un informe (memoria) con los siguientes contenidos: - Una descripción de los fundamentos del procesamiento digital y almacenamiento binario de señales electrocardiográficas. El diseño de las redes neuronales y la justificación de los parámetros de diseño establecidos para las redes. - El análisis de los resultados obtenidos al utilizar las redes diseñadas para la compresión y descompresión de señales ECG reales. El análisis de los resultados obtenidos al utilizar las redes diseñadas para la clasificación de señales ECG reales. También se desarrollará un prototipo software para la simulación de las redes neuronales diseñadas, documentándose, además del código fuente, el resto de actividades de ingeniería del software que se hayan realizado durante el proceso de desarrollo del prototipo. 4 Metodología El método que se aplicará en el trabajo será el más adecuado para este tipo de desarrollo: se llevará a cabo en una revisión bibliográfica profunda sobre la situación actual de las redes neuronales y su aplicación en el ámbito de la cardiología, se diseñarán e implementarán las redes y, finalmente, se experimentará con diferentes tipos de redes, utilizando muestras de ECG obtenidas a partir de las señales electrocardiográficas reales suministradas por un equipo de monitorización cardiaca, reflejando en la memoria del proyecto los resultados obtenidos, considerando el mayor número de casos de prueba posible. 5 Recursos Para la realización del proyecto se precisará disponer de un gran número de señales electrocardiográficas reales: tanto señales normales como otras que presenten diferentes tipos de arritmias y anomalías cardiacas. Por ello se utilizará un conjunto de registros de señales ECG provenientes de la Base de Datos de Arritmias de la American Heart Association. También se requerirá el siguiente equipamiento informático: - - Hardware: Se necesitará un computador personal con impresora láser, acceso a Internet, y un procesador de alta velocidad, debido a la gran cantidad de tiempo de proceso necesario durante el “entrenamiento” de las redes neuronales. Para poder experimentar el mayor número de configuraciones posibles de redes, sería conveniente disponer de varios computadores durante el periodo de “entrenamiento” de las redes. Software: Se utilizarán las utilidades de programación de redes neuronales de la herramienta MatLab, así como un entorno de programación en lenguaje C++. El diseño de los programas se realizará utilizando la herramienta CASE Rational Rose. 6 Bibliografía Apolloni, B., Avanzini, G., Cesa-Bianchi, N., Ronchini, G. (1990), “Diagnosis of epilepsy via backpropagation”, Proceedings of the International Joint Conference on Neural Networks (IJCNN’90), Washington D.C., vol. II, 571-574. Blumenfeld, B. (1990), “A connectionist approach to the processing of time dependent medical parameters”, Proceedings of the International Joint Conference on Neural Networks (IJCNN’90), Washington D.C., vol. II, 575-578. Bortolan, G., Degani, R., Willems, J. (1990), “Neural networks for ECG classification”, Proceedings of Computers in Cardiology of the IEEE Computer society, Chicago, 269-272. Hecht-Nielsen, R. (1988), “Neurocomputing: Picking the human brain”. IEEE Spectrum, March, 36-41. Hilera, J.R., Martínez, V. (1995), Redes neuronales artificiales: Fundamentos, modelos y aplicaciones, Ra-Ma, Madrid. Hilera, J.R., Martínez, V., Mazo, M. (1995), “ECG signals proceeding with neural networks”. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 3(4), 419430. Maren, A., Harston, C., Pap, R. (1990), Handbook of Neural Computing Applications, Academic Press, San Diego (EEUU). Nagel, J.H., Smith, W.M. (1991), Proceedings of Annual International Conference of the IEEE Engineering in Medicine and Biology Society, IEEE, Nueva York (EEUU). Poli, R., Cagnoni, S., Livi, R., Coppini, G., Valli, G. (1991), “A neural network expert system for diagnosing and treating hypertension”. Computer, March, 64-71. Reddy, B., Murthy, I. (1986), “ECG data compression using Fourier descriptors”. IEEE Transactions in Biomedical Engineering, 33, 428-434. Yoon, Y., Brobst, R.W., Bergstresser, P.R., Peterson, L.L. (1989), “A desktop neural network for dermatology diagnosis”. Journal of Neural Network Computing, 1(1), 43-52. 7 Planificación (Diagrama de Gantt con la planificación inicial prevista)