El documento describe un estudio para desarrollar un método no invasivo para estimar la presión arterial de forma continua. Se analizan señales fisiológicas de pacientes hospitalizados para definir modelos de estados hemodinámicos. El documento también discute bases de datos públicas de registros médicos y el preprocesado de señales para eliminar artefactos, incluyendo un filtrado basado en wavelets.

2. • Introducción
• La presión arterial
• Objetivos
• Datos de partida
• Metodología
• Resultados
• Conclusiones
2

3. • La globalización tecnológica y la innovación han
transformado la manera en que se imparten los
servicios de salud
• Las intervenciones médicas han sufrido un cambio
radical, pasando del “contacto personal directo y
puntual” en tiempo y espacio, hacia una interacción
“continua e independiente del espacio físico”
• Las enfermedades han
evolucionado, de agudas a
crónicas, al tiempo que la
población envejece
rápidamente en todo el mundo
3

4. • Necesidad de monitorizar la
presión arterial de forma
continua
• Modelos no invasivos no lo
permiten
• Modelos invasivos tienen una
alta componente de riesgo
4

5. “La presión arterial (ABP) es una
medida de la fuerza aplicada a
las paredes arteriales por parte
de la sangre impulsada desde el
corazón”
- Diastólica (ABPdias): mínimo
- Sistólica (ABPsys): máximo
5

6. Métodos no invasivos (sin riesgos, medida discontinua)
6
Palpado Auscultación Oscilometría
- Una de las
primeras técnicas
empleadas
- Se basa en el
análisis del pulso
sanguíneo
- No permite medir
la presión arterial
diastólica
- Muy utilizada en el
ámbito clínico
(medicina general)
- Se basa en los
sonidos de
Korotkoff
- Permite medir la
presión arterial
diastólica y sistólica
- Muy utilizada en el
ámbito personal
(usuario
independiente)
- Se basa en
algoritmos
propietarios a partir
de la medida de la
presión arterial
media
- Permite medir la
presión arterial
diastólica y sistólica

7. Métodos no invasivos
7
Palpado Auscultación Oscilometría

8. Métodos invasivos (con riesgo, medida continua)
8
Cateterismo o sonda intraarterial
Puede producir

9. Métodos no invasivos + HOLTER (¡¡¡insuficiente!!!)
9
- Tasas de muestreo < 5 x 10-4 Hz
(≈ cada 20-30 minutos)
- Impide detectar estados
hemodinámicos (posiblemente
críticos) fuera de dicho rango
de muestreo

10. • Definir una metodología propia para la
estimación de la presión arterial de forma no
invasiva (NIBPE)
• Establecer una primera aproximación al
problema  Analizar las señales extraídas para diversos sujetos en
el contexto clínico
 Definir modelos de caracterización a partir de la
información asociada a cada estado hemodinámico
 Establecer metodologías para la selección de las
variables más adecuadas
 Comparar diversas estructuras de extracción de
conocimiento, analizando el uso de diferentes
combinaciones de fuentes de información biométrica
Para ello
10

11. FASE I:
Análisis de las
señales y
aplicación del
preprocesado
FASE II:
Extracción de
características
FASE III:
Selección de
características
FASE IV:
Clasificación
FASE V:
Validación,
análisis de los
resultados y
selección del
modelo de
clasificador
11

12. Almacenamiento de bases de
datos de registros de origen
fisiológico
12
Ofertar el acceso a
dicha información a
toda la comunidad
científica

13. • MIMIC I Database (Interfaz ATM)
13

14. • MIMIC I Database (Boston's Beth Israel Hospital, en
colaboración con la Harvard-MIT Division of Health
Sciences and Technology)
14
- Monitorización en la UCI
- 100 pacientes
- Sesiones desde 24h-42h hasta semanas
- Gran cantidad de variables fisiológicas

15. • MIMIC I Database (Boston's Beth Israel Hospital, en
colaboración con la Harvard-MIT Division of Health
Sciences and Technology)
15
0 1 2 3 4 5 6 7 8
x 10
4
-50
0
50
100
150
200
250
300
350
400
Time (sec)
ABPmean (mmHg)
ABPsys (mmHg)
ABPdias (mmHg)
HR (bpm)
NBPmean (mmHg)
NBPsys (mmHg)
NBPdias (mmHg)
PAPmean (mmHg)
PAPsys (mmHg)
PAPdias (mmHg)
PAWP (mmHg)
PULSE (bpm)
RESP (bpm)
SpO2 (%)

16. • MIMIC I Database (Boston's Beth Israel Hospital, en
colaboración con la Harvard-MIT Division of Health
Sciences and Technology)
16
0 2 4 6 8 10 12 14 16 18
x 10
4
-50
0
50
100
150
200
250
300
350
400
Time (sec)
ABPmean (mmHg)
ABPsys (mmHg)
ABPdias (mmHg)
HR (bpm)
PULSE (bpm)
RESP (bpm)
SpO2 (%)
ABPdias
ABPsys
HR
RESP
SpO2

18. 18
0 1 2 3 4 5 6 7 8
x 10
4
0
50
100
150
200
250
300
Time (sec)
ABP (mmHg)
HR (bpm)
PULSE (bpm)
RESP (bpm)
SpO2 (%)
6.75 6.8 6.85 6.9 6.95 7 7.05 7.1 7.15 7.2
x 10
4
0
20
40
60
80
100
120
140
160
180
200
Time (sec)
ABPmean (mmHg)
ABPsys (mmHg)
ABPdias (mmHg)
HR (bpm)
PULSE (bpm)
RESP (bpm)
SpO2 (%)
6 6.5 7 7.5 8
x 10
4
0
50
100
150
200
250
Time (sec)
ABPmean (mmHg)
ABPsys (mmHg)
ABPdias (mmHg)
HR (bpm)
PULSE (bpm)
RESP (bpm)
SpO2 (%)
0.75 0.8 0.85 0.9 0.95 1 1.05 1.1 1.15 1.2 1.25
x 10
4
0
50
100
150
200
250
300
350
Time (sec)
ABPmean (mmHg)
ABPsys (mmHg)
ABPdias (mmHg)
HR (bpm)
PULSE (bpm)
RESP (bpm)
SpO2 (%)
Registros no
balanceados
Señales fuera
de rango
Ausencia
temporal de
señal y
transitorios
Picos espurios
abruptos

19. Filtrado paso alta clásico  No válido
19
0 5 10 15
x 10
4
-50
0
50
100
150
200
250
300
350
400
Señales originales
Time (sec)
ABPmean (mmHg)
ABPsys (mmHg)
ABPdias (mmHg)
HR (bpm)
PULSE (bpm)
RESP (bpm)
SpO2 (%)
0 5 10 15
x 10
4
-150
-100
-50
0
50
100
150
Señales filtradas
Time (sec)
ABPmean (mmHg)
ABPsys (mmHg)
ABPdias (mmHg)
HR (bpm)
PULSE (bpm)
RESP (bpm)
SpO2 (%)
0 5 10 15
x 10
4
-50
0
50
100
150
200
250
300
Señales filtradas + DC
Time (sec)
ABPmean (mmHg)
ABPsys (mmHg)
ABPdias (mmHg)
HR (bpm)
PULSE (bpm)
RESP (bpm)
SpO2 (%)

20. Análisis basado en wavelets (Daubechies nivel d1)
20

21. Filtrado wavelet basado en ventanas de
error gaussiano
21
2 4 6 8 10 12 14
x 10
4
0
100
200
300
Señal original. Media: 7.341702e+001, std: 1.010409e+001
2 4 6 8 10 12 14
x 10
4
0
100
200
300
400
Aproximación a nivel 1 (a1). Media: 1.038273e+002, std: 1.402542e+001
2 4 6 8 10 12 14
x 10
4
-20
-10
0
10
20
Detalle a nivel 1 (d1). Media: 1.994702e-005, std: 2.733409e+000
2 4 6 8 10 12 14
x 10
4
-200
0
200
Señal original. Media: 7.341702e+001, var: 1.020926e+002
2 4 6 8 10 12 14
x 10
4
-400
-200
0
200
400
600
Aproximación a nivel 1 (a1). Media: 1.038273e+002, var: 1.967123e+002
2 4 6 8 10 12 14
x 10
4
-40
-20
0
20
40
Detalle a nivel 1 (d1). Media: 1.994702e-005, var: 7.471522e+000
Margenenµ±2.5σ
Margenenµ±2.5σ2

22. Filtrado wavelet basado en ventanas de
error gaussiano
22
0 10 20 30 40 50 60 70 80 90 100
0
50
100
0 10 20 30 40 50 60 70 80 90 100
0
0.5
1
0 10 20 30 40 50 60 70 80 90 100
0
0.5
1
0 10 20 30 40 50 60 70 80 90 100
0
0.5
1
0 10 20 30 40 50 60 70 80 90 100
0
0.5
1
6850 6860 6870 6880 6890 6900 6910 6920 6930 6940 6950
0
50
100
150
200
250
300
350
6850 6860 6870 6880 6890 6900 6910 6920 6930 6940 6950
0
2
4
6
8
10
12
Error en la vecindad de la
muestra detectada como errónea
Fusión de ventanas de
error adyacentes

23. 23
1000 2000 3000 4000 5000 6000 7000 8000 9000
0
100
200
300
Señal original
1000 2000 3000 4000 5000 6000 7000 8000 9000
-100
0
100
Descomposición wavelet de nivel 1 (familia db1)
1000 2000 3000 4000 5000 6000 7000 8000 9000
0
2
4
6
Ventanas de error
1000 2000 3000 4000 5000 6000 7000 8000 9000
60
70
80
90
100
Señal procesada (ventanas anómalas eliminadas)
Filtradowaveletbasadoen
ventanasdeerrorgaussiano

24. 24
• Hipotensión (ABPsys<90, ABPDdias<60)
• Normal (90≤ABPsys≤120, 60≤ABPsys≤80)
• Prehipertensión (121≤ABPsys≤139, 81≤ABPsys≤89)
• Hipertensión de nivel 1 (140≤ABPsys≤159, 90≤ABPsys≤99)
• Hipertensión de nivel 2 (160≤ABPsys, 100≤ABPsys)
Estados
hemodinámicos
• AND (inclusivo)
• OR (complementario)
• Dias (basado en la ABPdias)
• Sys (basado en la ABPsys)
Modelos
• Individual (Intrasujeto)
• Combinado (Intersujeto)
Estudios

25. 25
0 2 4 6 8 10 12 14 16 18
x 10
4
Hypotension
Normal
Prehypertension
Stage 1 Hypertension
Stage 2 Hypertension
Cuantización para la señal de ABPdias
0 2 4 6 8 10 12 14 16 18
x 10
4
Hypotension
Normal
Prehypertension
Stage 1 Hypertension
Stage 2 Hypertension
Cuantización para la señal de ABPsys
0 2 4 6 8 10 12 14 16 18
x 10
4
Hypotension
Normal
Prehypertension
Stage 1 Hypertension
Stage 2 Hypertension
Cuantización basada en modelo AND
0 2 4 6 8 10 12 14 16 18
x 10
4
Hypotension
Normal
Prehypertension
Stage 1 Hypertension
Stage 2 Hypertension
Cuantización basada en modelo OR

27. Magnitudes
Amplitud
Autocorrelación
Autoregresión de media móvil
Cepstrum
Coherencia espectral
Correlación cruzada
Densidad espectral de energía
Espectro en amplitud
Espectro en fase
Histograma
Índice de desfase
Reconstrucción de mínima fase
Transformada discreta del coseno
Transformada de Hadamard
Transformada de Hilbert
Valor de los históricos
Wavelet
Operaciones matemático-estadísticas
Coeficiente de asimetría
Cruces por cero
Curtosis
Desviación estándar
Distorsión armónica total
Energía total
Entropía
Máximo
Media aritmética, armónica, geométrica, truncada
Mediana
Mínimo
Moda
Momento de orden 4 y 5
Posición del máximo/mínimo
Rango
Varianza
27

29. • Influye en el proceso
de clasificación
POSICIÓN ÓPTIMA
Pocas Características
Buena Clasificación
0 200 400 600 800
-1
-0.5
0
0.5
1
x 10
4 Acel. TOBILLO, Act. CORRER
Características
Valordelacaracterística
0 200 400 600 800
-1
-0.5
0
0.5
1
x 10
4 Acel. TOBILLO, Act. CORRER
Características
Valordelacaracterística
• Conjunto de características muy amplio
(1323 variables  21323 ≈ 1.8 x 10398 posibles
combinaciones)
29

30. 30
• Modelos empleados
• Bhattacharyya 
• Entropía 
• RQG-DR 
• ROC 
• Ttest 
• Wilcoxon 
Banos, O., Pomares, H., Rojas, I.: Ambient Living Activity Recognition based on Feature-set Ranking Using Intelligent
Systems. In: Proceedings of the 2010 International Joint Conference on Neural Networks (IJCNN 2010), IEEE, Barcelona
July 18-23, (2010)
𝐵 =
1
4
𝑋 − 𝑌 2
𝜎𝑋
2
+ 𝜎𝑌
2
+
1
2
𝑙𝑜𝑔
𝜎𝑋
2
+ 𝜎𝑌
2
2 𝜎𝑋
2
× 𝜎𝑌
2
Ω =
1
2
𝜎𝑋
2
𝜎𝑌
2 +
𝜎𝑌
2
𝜎𝑋
2 − 2 + 𝑋 − 𝑌 2
×
1
𝜎𝑋
2 +
1
𝜎𝑌
2
𝑝 𝑘 =
1
𝑁 − 1
𝑚 𝑘, 𝑛
𝑀
𝑁
𝑛≠𝑘
AUC ∝ 1 − 𝑋 𝑘 − 𝑋 𝑘−1 𝑌𝑘 − 𝑌𝑘−1
𝑛
𝑘=1
𝑡 =
𝑋 − 𝑌
𝜎𝑋
2
𝑛
+
𝜎𝑌
2
𝑚
𝑈 = 𝑅 −
𝑛 𝑛 + 1
2

32. • Pueden ser
 Supervisados / No supervisados
 Binarios / Multientrada
 Binarios / Multiobjetivo
 Paramétricos / No paramétricos
 Etc.
• Principales
opciones
 Lógica Difusa
 Redes Neuronales
 Máquinas de Soporte Vectorial
 Árboles de Decisión
 K-vecinos más cercanos
 Redes Bayesianas
 Modelos Ocultos de Markov
32

33. 33
• Clasificadores binarios son más robustos y
ofrecen por lo general mejor performance
• Los modelos para definir sistemas de
decisión multiclase no aprovechan las
capacidades que ofrecen las unidades
binarias o resultan muy costosos
• No existe un modelo unificado que
proporcione resultados destacables bajo
cualquier contexto o ámbito de aplicación

34. Hierarchical weighted classifier (HWC)
N classes
    NqxDxO mknq
N
n
mnmkmq ,...,1
1
 

 )(maxarg mkmq
q
m xOq 

 N
k
mk
mn
mn
R
R
1


 M
k
k
m
m
R
R
1

NqxOxxOxO pkpq
M
p
pMkkqkq ,...,1)(}),...,({)(
1
1  

  ],...,1[)(maxarg NqxOq kq
q

M sources&
34

36. 36
ESTUDIOS MODELOS CATEGORÍAS
TECNICAS
SELEC.
PARADIGMAS
CLAS.
SUB-
EXPERIMENTOS
ESQUEMAS
052nm AND HR
Bhattacha
ryya
SVM 1 carac. Training
055nm OR RESP Entropía DT 5 carac. Test
212nm Dias SpO2 RQG-DR NB 10 carac.
403nm Sys HR-RESP ROC kNN
408nm HR-SpO2 Ttest
Todos RESP-SpO2 Wilcoxon
HR-RESP-SpO2
¡¡¡24192 experimentos!!!

37. 37
ESTUDIOS MODELOS CATEGORÍAS
TECNICAS
SELEC.
PARADIGMAS
CLAS.
SUB-
EXPERIMENTOS
ESQUEMAS
052nm AND HR
Bhattacha
ryya
SVM 1 carac. Training
055nm OR RESP Entropía DT 5 carac. Test
212nm Dias SpO2 RQG-DR NB 10 carac.
403nm Sys HR-RESP ROC kNN
408nm HR-SpO2 Ttest
Todos RESP-SpO2 Wilcoxon
HR-RESP-SpO2
¡2016 experimentos!

38. 38
Individual Combinado
HR
kNN + 5 carac. (usando ROC y Ttest) permite ≈
100% para todos los modelos (AND, OR, Dias, Sys)
kNN + 10 carac. (usando Ttest), con resultados >
89% para Sys
RESP
kNN + 10 carac. (usando Ttest) permite > 96%
para todos los modelos, salvo para Dias donde se
obtiene > 88%
kNN + 10 carac. (usando Ttest), con resultados >
98% para AND
SpO2
≈ 100% (mejores en media que para los estudios
HR y RESP). Muy buenos para DT y SVM + 1 carac.
(Ttest), también muy buenos para kNN (también
en Ttest)
DT + 10 carac. (usando Ttest), con resultados > 93%
para AND
HR-RESP
DT y SVM + 1 carac. ofrecen muy buenos
resultados, pero los mejores para kNN + 10 carac.
(Ttest). Globalmente mejores que HR y RESP por
separado
Muy buenos resultados para kNN + 10 carac.
(usando Ttest), salvo para el caso Dias. Se alcanzan
ratios > 92% para el modelo OR
HR-SpO2
Resultados equiparables a los obtenidos para HR-
RESP
kNN + 10 carac. (usando Ttest), con resultados >
96% para AND, > 90% para Sys, > 85% para Dias
RESP-SpO2
100% para todos los casos al emplear kNN + 10
carac. (en Ttest)
kNN, SVM + 1 carac. (usando Ttest) permite > 95%,
> 96% respectivamente para Dias. Se alcanza un
100% para AND y > 94% para Sys al emplear 10
caracterísicas
HR-RESP-
SpO2
Resultados equiparables a los de RESP-SpO2, pero
algo peores para el caso Dias
kNN, DT ó SVM + 10 carac. (usando Ttest) alcanzan
valores ≈ 100% para AND. En concreto kNN
permite > 96% para Sys, > 88% para Dias

40. • Para el estudio individual
– DT, SVM y kNN permiten modelos con ratios cercanos
al 100%
– Sólo 1 carac. necesaria
– 1 fuente es suficiente (destaca el uso del SpO2)
• Para el estudio combinado
– Mejores resultados para el modelo kNN + 10 carac.
– Combinaciones de fuentes suelen ofrecer mejores
ratios (superiores al 95% en muchos casos)
• HR-RESP  OR (>92%)
• RESP-SpO2  Dias (>96%)
• HR-RESP-SpO2  AND (100%), Sys (>96%)
40

41. • El preprocesado, modelo de extracción y
selección de características, y clasificador
determinan de forma directa la eficiencia del
sistema
• Se obtienen diferentes realizaciones algunas
de las cuales ofrecen ratios de eficiencia
prácticamente absolutos
• Se establece un buen marco de inicio para
poder abordar el problema con un mayor
contenido informativo y desde una
perspectiva más cuantitativa
41

42. • Estudiar otras alternativas a la metodología
propuesta, trabajando también en la mejora de
las técnicas ideadas y aplicando un estudio
cruzado
• Analizar un conjunto mayor de datos,
monitorizaciones en otros contextos y
definiciones de estados hemodinámicos más
realistas (conjuntos difusos)
• Definir una base de datos propia en colaboración
con el HUVN
42
• Combinación con los estudios de la
ADL y aplicación en entornos AmI