número publicación internacional w o 2012/072849 a 2 w p o ... · w o 2012/072849 \ 2 llll ii ii...

$: Número Publicación Internacional W O 2012/072849 A 2 W P O ... · w o 2012/072849 \ 2 llll II II 11III II I II III II IIII IIII II I II Sistema y método para la estimación simultánea$
(12) SOLICITUD INTERNACIONAL PUBLICADA EN VIRTUD DEL TRATADO DE COOPERACION EN MATERIADE PATENTES (PCT)

(19) Organización Mundial de laPropiedad IntelectualOficina internacional

(10) Número de Publicación Internacional(43) Fecha de publicación internacional

7 de junio de 2012 (07.06.2012) W P O I P C TWO 2012/072849 A2

(51) Clasificación Internacional de Patentes: Sin AG, AL, AM, AO, AT, AU, AZ, BA, BB, BG, BH, BR,clasificar BW, BY, BZ, CA, CH, CL, CN, CO, CR, CU, CZ, DE,

DK, DM, DO, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH,(21) Número de la solicitud internacional: GM, GT, HN, HR, HU, ID, IL, IN, IS, JP, KE, KG, KM,

PCT/ES201 1/07083 1 KN, KP, KR, KZ, LA, LC, LK, LR, LS, LT, LU, LY, MA,

(22) Fecha de presentación internacional: MD, ME, MG, MK, MN, MW, MX, MY, MZ, NA, NG,

30 de noviembre de 201 1 (30. 11.201 1) NI, NO, NZ, OM, PE, PG, PH, PL, PT, QA, RO, RS, RU,RW, SC, SD, SE, SG, SK, SL, SM, ST, SV, SY, TH, TJ,

(25) Idioma de presentación: español TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, ZA,

(26) Idioma de publicación: español ZM, ZW.

(30) Datos relativos a la prioridad: (84) Estados designados (a menos que se indique otra cosa,

P20 103 1780 para toda clase de protección regional admisible):

1 de diciembre de 2010 (01.12 .20 10) ES ARIPO (BW, GH, GM, KE, LR, LS, MW, MZ, NA, RW,SD, SL, SZ, TZ, UG, ZM, ZW), euroasiática (AM, AZ,

(71) Solicitante (para todos los Estados designados salvo US): BY, KG, KZ, MD, RU, TJ, TM), europea (AL, AT, BE,UNFVERSITAT POLITÉCNICA DE CATALUNYA BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HR,[ES/ES]; Jordi Girona, 3 1, E-08034 Barcelona (ES). HU, IE, IS, ΓΓ , LT, LU, LV, MC, MK, MT, NL, NO, PL,

PT, RO, RS, SE, SI, SK, SM, TR), OAPI (BF, BJ, CF, CG,(72) Inventor; e

CI, CM, GA, GN, GQ, GW, ML, MR, NE, SN, TD, TG).(75) Inventor/Solicitante (para US solamente): Enric Monte

Moreno, Enric [ES/ES]; C/ Jordi Girona, 31, E-08034 Publicada:Barcelona (ES).

— sin informe de búsqueda internacional, será publicada(81) Estados designados (a menos que se indique otra cosa, nuevamente cuando se reciba dicho informe (Regla

para toda clase de protección nacional admisible): AE, 48.2(g))

(54) Title: SYSTEM AND METHOD FOR THE SIMULTANEOUS, NON-INVASIVE ESTIMATION OF BLOOD GLUCOSE,GLUCOCORTICOID LEVEL AND BLOOD PRESSURE

(54) Título : SISTEMA Y MÉTODO PARA LA ESTIMACIÓN SIMULTÁNEA Y NO INVASIVA DE LA GLUCOSA EN LASANGRE, NIVEL DE GLUCOCORTICOIDES Y PRESIÓN ARTERIAL

0 oI BB

<00 (57) Abstract: The invention relates to a system and method for the simultaneous, non-invasive estimation of blood glucose,

glucocorticoid level and blood pressure. It includes a module (2) that deteets the activity of a digitized signal acquired by a sensoro (1), that represents the distal pulse of an individual, selecting a segment of consecutive signal samples of fixed duration s - ,

using the same to genérate subwindows » (t,n) of lesser duration; a signal processing module (4) that receives the two signáis s(t) and s (t,n) and outputs a vector X with the parameters of a physiological model; and an automatic-learning module (5)

that receives the vector X and information on the characteristics of the individual, and provides an estímate of the blood glucoselevel (BGL), the systolic blood pressure (SBP), the diastolic blood pressure (DBP) and the glucocorticoid level(GCL).

(57) Resumen:[Continúa en la página siguiente]

w o 2012/072849 \ 2 llll I I I I 11III I I I II III II I III IIII I I I II

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 sv c ta ¡(t) y del

mismo genera unas subventanas (t,n) de duración menor; un módulo (4) de tratamiento de señal que recibe las dos señales s

(t) y (f,n) Y que a su salida entrega un vector X con los parámetros de un modelo fisiológico y un módulo (5) basado en

aprendizaje automático que recibe el vector X y una información de características de la persona y proporciona en su salida laestimación 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).

Sistema y método para la estimación simultánea y no invasiva de la glucosa en

la sangre, nivel de glucocorticoides y presión arterial

Campo de la invención

La presente invención hace referencia en un primer aspecto a un sistema

para la estimación simultánea y no invasiva de los niveles de presión arterial, el

nivel de glucocorticoides y de glucosa en la sangre de una persona, a partir de

la forma de onda del pulso cardíaco distal.

En un segundo aspecto esta invención describe un método para la

estimación simultánea y no invasiva de los niveles de glucosa y glucocorticoides

en la sangre y de la presión arterial a una persona.

La estimación 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 método no invasivo para la estimación del nivel de

glucosa se justifica por el tamaño de la población afectada y por los

inconvenientes de los sistemas basados en realizar la estimación a partir de

extracciones de sangre. Según 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 glucómetros, agujas desechables y tiras reactivas. Este

control es costoso e incómodo. 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.

Además, dado que esta variable se mide de forma rutinaria en las

unidades de cuidados intensivos, una medición no invasiva reduce para estos

enfermos el riesgo de infecciones.

Por otra parte, según (K. Wolf-Maier, et al.,Hypertension Prevalence and

Blood Pressure Levéis in 6 European Countries, Canadá, and the United States,

JAMA 289 (18) (2003)), la prevalencia de hipertensión (definida como presión

diastólica superior a 90mmHg y sistólica superior a 140mmHg) era del 28% de la

población en América del norte y del 44% en Europa. Dado que la hipertensión

HOJA DE REEMPLAZO (Regla 26)

aumenta el riesgo de ataque cardíaco, fallo cardíaco, embolia y enfermedades

renales, un sistema no mecánico y de uso fácil para estimar la presión arterial

mejoraría el control diario de los niveles de presión arterial.

Subyacente al nivel de glucosa y al nivel de presión arterial se encuentra

el nivel de glucocorticoides, que de forma indirecta controlan los niveles de la

glucosa y la presión. Los glucocorticoides son una clase de hormonas

esferoides que actúan sobre los niveles de homeostasis de los procesos

inflamatorios, y de estrés. 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: 2 1 y en Sapolsky, Robert; L. Michael Romero and

Alian U. Munck (2000). "How Do Glucocorticoids Influence Stress Responses?

Integrating Permissive, Suppressive, Stimulatory, and Preparative Actions".

Endocrine Reviews 2 1 (1): 55-89. El nivel de glucocorticoides actúa sobre el

sistema nervioso autónomo y el efecto sobre los niveles de presión arterial y

glucosa se refleja en la forma del pulso cardiaco distal.

Además una estimación simultánea del nivel de glucosa en sangre, el

nivel de glucocorticoides y de las presiones sistólica y diastólica se justifica por

la población afectada al mismo tiempo por hipertensión y diabetes. Según la

'American Diabetes Asociation' (URL http://www.diabetes.org/diabetes-

basics/diabetes-tatistics) en el 2004 el 75% de los diabéticos adultos tenían

niveles de presión arterial superiores a 130/80 mmHg o seguían medicación

para la hipertensión. Dado que la hipertensión y la aparición de diabetes está

relacionada con el tipo de vida de las personas y en particular a los niveles de

estrés a que se encuentran sometidos, la estimación adicional del nivel de

glucocorticoides permitirá 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 cardíaco, (Sher, L.Type D personality: the heart, stress,

and cortisol.vol 98,May 2005,QJM: An International Journal of Medicine) y

(Gülmisal Güder, et al. Complementan/ and Incremental Mortality Risk Prediction

by Cortisol and Aldosterone in Chronic Heart Failure, Circulation 1 5 : 1754-


1761) y por ultimo se sabe que un nivel de glucocorticoides elevado está

relacionado con la aparición de diabetes (M. Mcmahon, et al. .Effects of

glucocorticoids on carbohydrate metabolism, Diabetes/Metabolism

ReviewsVolume 4 , Issue 1, pages 17-30, February 1988).

En esta invención se utiliza la forma del pulso cardíaco distal para estimar

al mismo tiempo el nivel de glucosa en la sangre, el nivel de glucocorticoides y la

presión arterial. Dado que la forma de onda del pulso cardíaco distal refleja el

estado de la fisiología de la persona, se extraerán del pulso cardíaco distal

parámetros que describen este estado de la fisiología. Por otra parte, el estado

de la fisiología de la persona determina el nivel de presión, el nivel de

glucocorticoides y el de glucosa en sangre, habiendo una interacción importante

entre estas tres variables, pues el nivel de glucocorticoides en la sangre

determina el estado del sistema nervioso autónomo, que a su vez determina la

forma del pulso cardíaco, la variabilidad cardíaca, la irrigación sanguínea distal,

el nivel de glucosa y el de presión. Para realizar la estimación de los niveles de

glucosa, el nivel de glucocorticoides y presión, se propone utilizar un sistema de

'machine learning' que puede aprovechar el hecho de que las tres magnitudes

interaccionan entre ellas para dar una estimación mas precisa de los tres

valores.

Antecedentes de la invención

Se enumerarán en primer lugar los principios fisiológicos que justifican la

relación entre la forma de onda del pulso cardíaco distal y las tres variables a

estimar. Además junto con cada principio fisiológico se describe el tipo de

tratamiento de señal que permite realizar un modelo de esta información

fisiológica y que se incorporarán en el sistema y método descrito en esta

patente.

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

sanguíneos:

El efecto de la viscosidad y la variación en la compliancia de los vasos

sanguíneos se refleja en el grado en que la forma de onda del pulso distal se

amortigua. Esta información se puede obtener a partir de la forma de onda del


pulso distal mediante el análisis espectral y un modelo basado en el cepstrum

real de la forma de onda. El cepstrum es una magnitud permite realizar una

deconvolución y separar la excitación 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 usarán los coeficientes del cepstrum calculado a

partir del pulso cardíaco distal que caracterizan la forma del pulso, para separar

la componente de excitación de la componente que corresponde a la función de

transferencia de los capilares, junto con la viscosidad de la sangre. Otra ventaja

de usar el cepstrum es que la distancia euclídea para comparar señales

diferentes está 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 índice de que proporciona información sobre la

riqueza harmónica de la señal es la entropía espectral (P. Renevey, A . Drygajlo,

Entropy based voice activity detection in very noisy conditions, in:

EUROSPEECH-2001).

b-EI reflejo barorreceptor:

El reflejo barorreceptor es un sistema de retroalimentación negativa que

controla los cambios a corto plazo en la presión arterial. El reflejo barorreceptor

se manifiesta en el ritmo cardíaco y en la forma de onda del pulso cardíaco

distal. En concreto modifica el espectro de frecuencia del intervalo entre pulsos y

la variabilidad de la frecuencia cardíaca 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 está controlado en

parte por el nivel de glucocorticoides, por lo que las variables que caractericen

éste reflejo también proporcionarán información 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 barométrico está regido por una ecuación no lineal e interviene de

forma indirecta con la regulación de la glucosa, la estimación del modelo

funcional ha de ser capaz de inferir una función no lineal. Esto justifica el uso de

técnicas de aprendizaje automático ya sea del tipo 'radial basis function', CART,


'support vector machine' o mejorados mediante un comité de aproximadores de

funciones, tal como se realiza en el caso del Adaboost o del bagging of

classifiers. Además también justifica el uso de características espectrales de la

variabilidad cardíaca y de su perfil de energía para caracterizar el estado

fisiológico que controla el nivel de glucosa, la presión arterial y de

glucocorticoides.

c-EI síndrome metabólico:

El síndrome metabólico (M.-A. Cornier, et al., The Metabolic Syndrome,

Endocr Rev 29 (7) (2008)) consiste en hipertensión, obesidad y resistencia a la

insulina. Existe igualmente una interacción de tipo feedback entre el síndrome

metabólico y estrés neuroendocrino, que se manifiesta en un aumento del nivel

de cortisol y las perturbación en las componentes espectrales de la variabilidad

cardíaca (E.J. Brunner, et al. Adrenocortical, Autonomic, and Inflammatory

Causes of the Metabolic Syndrome: Nested Case-Control Study, Circulation, Nov

2002; 106: 2659 - 2665). También se sabe que el síndrome metabólico se refleja

en la variabilidad cardíaca (D Liao, et al. Múltiple metabolic syndrome ¡s

associated with lower heart rate variability. The Atherosclerosis Risk in

Communities Study Diabetes Care, Dec 1998; 2 1: 2 116 - 2 122). Esto justifica que

además de la descripción de la forma de onda del pulso cardíaco distal y las

estadísticas acerca de la variabilidad cardíaca se usen variables que permiten

caracterizar el síndrome metabólico como son, la edad, el peso y el índice de

masa corporal.

d-Relación entre la diabetes y la variabilidad de la frecuencia cardíaca:

Se sabe que la diabetes altera la variación de la frecuencia cardíaca (M.

Ducher, et al., Noninvasive exploration of cardiac autonomic neuropathy. Four

reliable methods for diabetes?, Diabetes Care 22 (3) (1999)). También se ha

encontrado una relación entre el nivel de glucocorticoides y la alteración 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 relación funcional entre las alteraciones en los niveles de glucosa debido a

la diabetes y la variabilidad de la frecuencia cardíaca, la característica que


permitirá describir esta relación fisiológica será el espectro de potencia de la

distancia entre los pulsos y las estadísticas generales de la frecuencia cardíaca

y de su variabilidad. El espectro de potencia se representará mediante el

cepstrum.

e-Los estados emocionales:

Los estados emocionales como la ira, tristeza, la felicidad, la sorpresa, el

estrés, etc alteran los valores de la presión arterial, de la glucosa y los niveles

de glucocorticoides. Existe una relación entre los diferentes estados

emocionales y las características del espectro de potencia de la variabilidad de

la frecuencia cardíaca (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)). Además, las alteraciones en el estado de ánimo, en

particular el caso de depresión están relacionadas con niveles anómalos 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 característica fisiológica justifica el uso

del espectro de potencia de la distancia entre pulsos cardíacos y de un modelo

que capte las componentes frecuenciales de la distancia entre pulsos cardíacos,

y también el uso de estadísticas generales de la frecuencia cardíaca.

f-La respiración y el sistema nervioso autónomo:

Varios estudios han demostrado que la frecuencia respiratoria puede

regular la presión arterial e indirectamente el nivel de glucosa en la sangre a

través del estado del sistema nervioso autónomo (E. Grossman, et al.,

Breathing-control lowers blood pressure, J Hu Hypertens 15 (5) (2001)). En los

pacientes diabéticos los niveles de glucosa y presión sangüínea están

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

actúan 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 índice que se utilizará para modelar la relación entre el ritmo


respiratorio y el sistema nervioso autónomo será la frecuencia de la envolvente

de la energía del pulso distal. Se sabe que la frecuencia respiratoria se puede

calcular a partir de la forma de onda del pulso cardíaco distal, por ejemplo con

señal extraída mediante un pulsoxímetro (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 estimación las componentes de baja frecuencia de la

energía medida a corto plazo de la forma de onda del pulso cardíaco 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 implementación preferida para obtener el pulso cardíaco distal en esta

invención será a partir de la señal de un fotoplestimógrafo. Dado que dicho

aparato se basa en medir la absorción diferencial de luz de un tejido, se citarán

seguidamente algunos antecedentes de la estimación no invasiva de la glucosa

basada en esta medida.

A tal efecto pueden citarse los documentos: US5222496, US 5515847,

US 2007/0213607, US 2005/0107676, US 2007/0123759, US 6016435, US

2008/01 11971 , US 1995/5433197, US 2008/4014321 .

Una alternativa al uso de luz para medir la concentración de glucosa es

aprovechar los campos magnéticos, como en la solicitud de patente US

2009/7635331 basada en el principio de resonancia magnética. 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 absorción.

Ninguna de las patentes anteriores utiliza para estimar el nivel de glucosa

en sangre y el nivel de presión arterial, la forma de onda del pulso cardíaco

distal obtenida a partir del diferencial de absorción de luz.

Una aproximación diferente basada en principios fisiológicos aparece en

la US 2009/0270700 A 1 que se basa en usar un sensor de absorción de luz que

detecta la concentración de HO en el aliento de la persona. Este principio

fisiológico es diferente de los que se usan para justificar la presente invención,

pues no se basa en la forma de onda del pulso cardíaco distal, sino en la

medición de la concentración de un componente químico.


Otro tipo de medida no invasiva se basa en medir la glucosa por difusión

a través de la piel y el sudor tal como en la solicitud de patente US

2006/0004271 A l

Otra medida basada en principios fisiológicos 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 concentración de glucosa

en la sangre. Dado que el gradiente de temperatura en función de la variación

de concentración de glucosa es muy pequeño, 0.024 C por 1mg/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

métodos conocidos se basan en análisis de sangre, análisis de orina o análisis

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 concentración de glucocorticoides es mediante

reactivos, como es el caso de la solicitud de patente US 2008/01 18397 A 1, que

requiere el cambio de tiras reactivas, lo que impide una estimación continuada,

y necesita de muestras de saliva en cada estimación. La patente US 6,833,274

B2, también 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 estimación no invasiva del cortisol, que es un tipo de

glucocorticoide, se conoce el documento US 2002/0019055 que describe un

aparato que mide la concentración 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 Al tiene limitaciones parecidas a las patentes nombradas

anteriormente, pues requiere de la extracción de fluidos corporales, ya sea

saliva, orina o plasma.

La patente ES 2336997 divulga la medición de forma no invasiva de la

presión arterial y la ES 2338624 concierne a la medición de forma no invasiva

del nivel de glucosa en la sangre. Aunque dichas dos patentes apuntan a un

objetivo similar al de esta invención aportan soluciones muy diferentes. Estas

dos patentes ES2336997 y ES 2338624 explican que se realiza una medición no


invasiva de la presión y glucosa en sangre (pero no de los niveles de

glucocorticoides) y se diferencian de la presente invención en los puntos

siguientes:

• La alegada medición de la presión 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

presión y la glucosa dependen de unos mismos parámetros

fisiológicos y los valores evolucionan en el tiempo de forma

dependiente. Por otra parte, el sistema de estimación que proponen

basado en "random forests" (algoritmo basado en un conjunto de

clasificadores) no permite hacer una estimación simultánea y

aprovechar las interacciones entre las dos magnitudes al estar

basados en árboles de decisión tipo CART (Leo Breiman, et al.

Classification and Regression Trees. Wadsworth 1984), y la predicción

dada por los nodos terminales de los árboles consiste en un único

escalar.

• No se realiza una detección de la actividad de la señal digitalizada

procedente de un sensor (tal como un fotoplestimógrafo), ni se

controla la duración de la señal adquirida. Esta carencia afecta al

sistema de dos formas:

■ El uso de ventanas de señal de longitud variable

aumenta el número de nodos de cada árbol de "random

forest" y por tanto baja las prestaciones en cuanto al

MSE de estimación,

■ Detectar la presencia de señal, garantiza que la

estimación se pueda realizar con señal procedente del

sensor con un mínimo de calidad (SNR). Además

detectar la presencia de señal, según propone la

presente invención mediante un detector de actividad

(presencia de señal en la vía de comunicación), es

importante pues es bien conocido que las medidas

realizadas mediante un fotoplestimógrafo, 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 momentáneamente, lo

que hace que aparezcan picos espurios y pérdidas de

señal que alteran los parámetros estimados dan lugar a

estimaciones erróneas.

El uso de ventanas de longitud variable en las dos patentes

ES2336997 y ES 2338624 citadas hace que los estimadores del

modelo ARMA (Autoregresivos de media móvil) que incorporan las

mismas tengan una variabilidad no controlada, debido a que los

parámetros ARMA asociados con formas de onda semejantes

medidos en escalas de tiempo diferentes no serán los mismos, lo que

hace que la complejidad de los árboles de decisión asociados con el

sistema basado en 'random forests' sea mayor, debido a que cada

árbol necesitará un mayor número de nodos para poder modelizar un

determinado tipo de formas de onda.

En el sistema de medición de las patentes ES2336997 y ES 2338624

citadas la señal medida se modela mediante un sistema estocástico

ARMA. Se sabe que el uso de estos parámetros como entrada de un

clasificador es errónea, pues la métrica adecuada se basa en el error

de predicción no en los parámetros. La explicación detallada de

porqué el uso directo de los parámetros ARMA y en particular la

implementación AR que es la preferida en las dos patentes

ES2336997 y ES 2338624, para clasificar es erróneo está 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., "Mínimum prediction residual

principie applied to speech recognition," IEEE Trans. on Acoustics,

Speech and Signal Processing, Feb 1975).

En las reivindicaciones de las patentes ES2336997 y ES 2338624

citadas se menciona sin justificar el uso de información sobre la

coherencia cardíaca pero en la descripción no aparecen referencias

explícitas acerca del cálculo de estadísticas de variación de la


distancia entre pulsos cardíacos, ni estimaciones del ritmo respiratorio

de la persona.

• En las patentes ES2336997 y ES 2338624 se calcula la energía de

Teager (J. F. Kaiser, Some useful properties of teager's energy

operators, Proc. ICASSP93, 1993) para modelar el estado fisiológico

de la persona mediante los parámetros AR sin especificar qué aspecto

fisiológico querían captar.

• En la figura 4 de las dos patentes ES2336997 y ES 2338624 se

menciona el cálculo de cruce por cero como entrada del vector de

características. 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 presión arterial en una patente y el nivel

de glucosa en la otra.

• En ninguna de las dos patentes ES2336997 y ES 2338624 se utiliza

información sobre la estructura interna de la ventana de observación

de la señal. Esta información que en la presente invención se obtiene

de la secuencia de tramas, es muy importante para modelar

correctamente la variabilidad espectral y de energía, y poder

caracterizar el estado fisiológico de la persona mediante la evolución

temporal de las magnitudes de interés a lo largo de un tiempo fijo, que

en la implementación preferente será de un minuto

La presente invención se diferencia de las dos citadas patentes

ES2336997 y ES 2338624 por el hecho de que en un proceso o método de

estimación se utiliza para modelar la señal fotoplestimográfica información del

'cepstrum', que es un conjunto de parámetros en los que la métrica euclídea

está bien definida y es equivalente al cálculo del error cuadrático de la integral

de la diferencia de logaritmos de módulos de transformadas de Fourier de las

señales. La razón por la que esta propiedad es importante es que en los

sistemas de "machine learning" que se tomarán en consideración en la presente

invención las medidas de semejanza se basan ya sea en distancia euclídea en

el caso de las "radial basis functions", productos escalares en el caso de redes

neuronales tipo "percetrón" multicapa, o comparación de valores en el caso de


árboles de decisión. El uso de los parámetros cepstrales es más 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 o promedios de señales

vistas en el entrenamiento. Así en cada neurona se calcula la

distancia euclídea 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 generalización de los coeficientes AR y

calcular distancias sobre diferencias de coeficientes carece de sentido en cuanto

a comparación de espectros.

En la presente invención se utiliza una estimación del perfil de energía

de la señal para estimar la frecuencia respiratoria. En las dos patentes utilizan

un modelo AR de la energía de Teager. Sin embargo la energía de Teager es

insensible a componentes de baja frecuencia como es el caso de la frecuencia

respiratoria, y además la manera correcta de modelar la componente de baja

frecuencia del perfil de energía no es mediante comparación de los parámetros

AR, sino mediante el error residual de predicción obtenido de filtrar la señal de

entrada con un filtro blanqueador basado en éstos parámetros.

En la presente invención se calcula el perfil de energía de la señal,

mediante un estimador basado en promedios del cuadrado de la señal (es decir

realizando un filtrado paso bajo de la energía), que proporciona el perfil de la

componente respiratoria del individuo. Este aspecto de estimar la componente

respiratoria no se considera en las dos patentes ES2336997 y ES 2338624

citadas.

En la presente invención, los cruces por cero se usan en el módulo de

detección de presencia de señales, pues los cruces por cero en caso de que

haya presencia de señal del pulso cardíaco distal con poco ruido tendrán un

margen de valores muy limitado, mientras que en el caso de ruido o ausencia de


señal, tendrán valores elevados. En la presente invención ésta información no

se usa como entrada del sistema basado en 'machine learning'.

Exposición de la invención

La invención propone un método para la estimación simultánea y no

invasiva de la glucosa en la sangre, nivel de glucocorticoides y presión arterial,

basado en la forma de onda del pulso cardíaco distal de una persona, adquirida

a partir de un sensor (1), en particular un sensor de tipo fotoplestimógrafo que

proporciona una señal digitalizada, caracterizado por comprender las siguientes

etapas:

• detección de actividad de dicha señal digitalizada por selección de un

segmento de unas muestras consecutivas de dicha señal digitalizada,

de duración fija, denominadoventana

( generación a partir de

dicho segmento de una secuencia de subventanas o tramas

denominadas s (t ) de duración menor que la detrama »

sventana

(ten donde el índice t indica el número de la muestra dentro de una trama

y n es el número de la trama, permitiendo eliminar los segmentos de la

señal no útiles comprendiendo el transitorio inicial, falsos clics, pérdidas

de señal, ruido y saturaciones;

· tratamiento de las dos señales sventana

(Vt y

trama(Vt

') q̂

ue

contienen la forma de onda del pulso distal en un segmento de duración

fija, y generación a partir de las mismas de un vector X F que contiene

los parámetros de un modelo fisiológico; y

• alimentación de dicho vector X F y de una información acerca de las

características de la persona a un módulo (5) basado en aprendizaje

automático y que 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.

Para implementar el citado método la invención propone un sistema que

comprende los siguientes tres módulos que se muestran en la figura .


La forma de onda del pulso distal se obtiene mediante un sensor (1). La

señal digitalizada será una secuencia que se denomina SpulsoD¡stal . Esta

señal es la entrada al módulo (2) de detección de actividad de señal (DA), es

decir presencia de señal en la vía de comunicación. El módulo de DA selecciona

un segmento de SPulsoDistal de duración (t) fija. Este segmento de señal se

obtiene mediante: a) un clasificador local de la presencia y/o ausencia de señal

y que además detecta pérdidas de señal que se pueden producir por

movimientos de la persona, y b) un autómata de estados finitos que filtrará

falsos positivos y falsos negativos. El objetivo de éste módulo (2) es garantizar la

presencia de señal con calidad suficiente para realizar la estimación y al mismo

tiempo que sea de duración fija, es decir normalizada (para disminuir la

variabilidad en la estimación del modelo de predicción). En la implementación

preferente en la presente invención, la señal se obtendrá de un sensor de tipo

fotoplestimógrafo y la duración del segmento será de un minuto de señal limpia.

A este segmento se le denominaráventana

( · D e Ventana (0 s e 9enera una

secuencia de subventanas, denominadas trama t , Yl) de duración menor que

la de 5ventana ( ) Para evitar confusiones a las subventanas se las designará

como tramas. En (t. el índice t indica el número de la muestra dentrotrama v

de una trama y n es el número de la trama. En la implementación preferente se

segmentará ventana (í) n tramas de 5 segundos con un solapamiento del

50%. En esta implementación preferente el número de tramas en una ventana

es J trama = 24 .

Las dos señales s (t, í y S ( ) son la entrada al módulo (4)trama V » 1 ventana J '

de tratamiento de la señal (TS). Este módulo (4) calcula los parámetros que

describen el estado fisiológico al que se hizo referencia en la sección de

antecedentes. La salida del módulo (4) de (TS) junto con información acerca de

las características de la persona (3), incluyendo al menos sexo, edad e índice de

masa corporal, sirven para generar un vector X F que contiene los parámetros


que describen el estado fisiológico, junto con las características de la persona

(3).

El vector X F es la entrada al módulo (5) que es un sistema basado en

'aprendizaje automático' (Machine Learning) cuya salida es la estimación del

nivel de glucosa en la sangre (NGS), el nivel de presión sistólica (NPS), el nivel

de presión diastólica (NPD) y el nivel de glucocorticoides (NGC). En la

implementación preferida el tipo de glucocorticoide será cortisol.

El sistema basado en "aprendizaje automático" ha de ser capaz de tratar

entradas heterogéneas, y aproximar una función no lineal que relaciona el vector

X F con las variables de interés (NGS, NPS, NPD, NGC) a partir de ejemplos.

Otro requisito es que debe ser capaz de aprovechar la información común y las

interacciones entre las tres variables para realizar la estimación de las mismas.

Para ello se usará un sistema que combina las salidas de varios métodos de

regresión 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 comités de regresores. Los

regresores pueden ser de varios tipos, ya sea arboles de decisión, redes

neuronales multicapa, 'radial basis functions' o 'Support Vector Machines'. La

implementación preferida será una variante de 'Adaboost' compuesta por

regresores básicos del tipo 'radial basis functions'. La estructura de este bloque

de 'aprendizaje automático' será por tanto un comité de regresores basados en

'radial basis functions', y cada elemento del comité es entrenado mediante el

algoritmo Adaboost. Este algoritmo realiza el entrenamiento de una serie de

regresores de forma secuencial con el criterio de que cada estimador adicional

utiliza una versión de la base de entrenamiento sesgada hacia los elementos de

la base con los que los clasificadores anteriores tenían peores prestaciones.

Una característica de las 'radial basis functions' es que pueden aprovechar para


mejorar la estimación el hecho de que las magnitudes que se han de estimar

estén correlacionadas. Tal como se explicó en el apartado de la fisiología,

existe una interacción entre los niveles de glucosa en la sangre, el nivel de

presión diastólica y sistólica y el nivel de glucocorticoides en sangre que se

refleja en las componentes que conforman el vector X F . Se sabe que las redes

neuronales, por ejemplo del tipo 'radial basis functions', mejoran las prestaciones

si se entrenan para calcular simultáneamente funciones diferentes entre las que

existe una relación 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 invención se describirá seguidamente con un mayor detalle con la

ayuda de los dibujos adjuntos que tienen carácter ilustrativo y no limitativo.

Breve explicación de los dibujos.

La figura 1a de la muestra el diagrama de bloques general del sistema de esta

invención que implementa el método para medición simultánea y no invasiva de

glucosa y nivel de glucocorticoides en sangre, y presión arterial.

La figura 1b muestra con un mayor detalle la conexión, entradas y salidas de los

módulos de adquisición de la señal y detección de actividad (presencia) de la

señal del sistema de esta invención.

La figura 2 muestra un segmento de duración 5 segundos de señal

S PulsoDistal ( ) a d u da P r e l sensor de fi 9ura

La figura 3 muestra el diagrama de bloques del módulo de detección de

actividad DA.

La figura 4 es un diagrama del autómata de estados finitos usado en el módulo

DA.

La figura 5 ilustra las reglas de transición entre estados del autómata de estados

finitos usado en el módulo DA.


La figura 6 es un diagrama que muestra la obtención de las secuencias

utilizadas para calcular los parámetros agregados.

La figura 7 es un diagrama de la obtención de los parámetros globales.

Explicación detallada de la invención.

La invención consiste en un sistema y un método para realizar una

estimación del nivel de glucosa en la sangre (NGS), el nivel de presión sistólica

(NPS), el nivel de presión diastólica (NPD) y el nivel de glucocorticoides (NGC).

En la figura 1 se muestra el diagrama de bloques del sistema propuesto. La

señal PulsoDistal t que se utiliza para estimar los parámetros del modelo

fisiológico se capta con un sensor (1), que en la implementación preferente será

del tipo plestimográfico, que puede ser óptico, acústico o mecánico. La

implementación preferida de la invención se realizará mediante un sistema de

pulsioximetría (Sp02). Este tipo de sensor entrega una señal proporcional a la

diferencia de absorción de la hemoglobina reducida respecto a la oxi-

hemoglobina. Esta diferencia en la absorción genera una forma de onda

proporcional al pulso distal. En la figura 2 se presenta un ejemplo de un

segmento de señal de duración 5 segundos. Esta señal digitalizada es la

entrada al módulo de tratamiento de señal (4) que junto con información sobre

las características de la persona (3) se utilizan como entrada de un módulo (5)

con un sistema basado en 'aprendizaje automático', cuya salida es la estimación

del valor de las tres variables A/GS,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 teléfono

móvil/pda o audífono.

Se realizará a continuación una explicación en detalle de cada uno de los

módulos referidos.

Módulo de detección de actividad de señal (2)

El objetivo del módulo de DA es eliminar los segmentos de la señal que

no son útiles como: el transitorio inicial, falsos clics, pérdidas de señal, ruido,

saturaciones, etc. El resultado es un segmento de muestras consecutivas de


señal de calidad suficiente y duración normalizada, para realizar la estimación.

La salida de este módulo consistirá en las señales: s (t) . yventana V

contendrán la forma de

onda del pulso distal en un segmento de duración fija y su evolución por

segmentos. El módulo (2) de DA utiliza algunos parámetros en común con el

módulo de tratamiento de señal (4). Los parámetros que se utilizan para

determinar si la señal medida PulsoDista¡ t es útil (es decir corresponde a

un pulso cardíaco distal) también se utilizan en el módulo de tratamiento de

señal (4).

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

• Un submódulo (10) que calcula un vector de características X f ( )

asociado a cada trama str.ama(Vt

'ri .

• Una función de decisión basada en un clasificador ( 1 1) que para cada

trama decide una de las dos clases: "señal" o "ausencia de señal".

· Un bloque (12) que determina el segmento de señal útil. Este bloque

consta de un autómata de estados finitos (FSA) (figura 4) y un submódulo

que determina cuando e l FSA ha detectado un número de tramas

consecutivas correspondiente a la duración deseada del segmento de

señal útil. La salida de este bloque son las señales a , y

^tra a ( »¾ ^trama ( ¾ , · · · , (t, trama) .

El módulo DA (2) toma como entrada la señal p uisoDistal (0 y crea de

forma continua un conjunto de tramas ^trama (t,n) de duración menor que la

de ventana y que en la implementación preferente será de 5 segundos con

un solapamiento entre ^trama de 2.5 segundos. El

índice r indica el número de la muestra dentro de una trama y n es el número de

la trama.


A continuación se describen las operaciones que se realizan para calcular

el vector (figura 3) Χ Α (η)

Cálculo de la energía (submódulo 7)

La energía de cada trama permitirá detectar si el nivel de señal se

corresponde al de señal útil. La salida de este submódulo (7) consistirá en tres

parámetros:

• trama (») que se corresponde a la energía promedio de la trama y se

calcula según la fórmula:

=

( I )

siendo trama el número total de muestras de la trama.

^trama («) que se corresponde a la desviación típica del cuadrado de

cada muestra y se calcula según la fórmula:

-I L 2

ama = Σ ( *trama , n - Ε («)) (||)trama =

trama que se corresponde al sesgo del cuadrado de cada

muestra y se calcula según la fórmula:

∑ ( ^trama ) 2 - « ) )ske _ ¿''trama t=\

^trama V 1) , \ 3/2 | | |

Cálculo de la entropía espectral (submódulo 8).


La entropía espectral ^trama . s una función que se calcula para

cada trama y que toma un valor elevado para señales con espectros de

frecuencia planos y sin picos espectrales, como los que caracterizan las zonas

de baja energía con transitorios y/o clics. Por otra parte, para tonos y señales

armónicas este escalar toma valores bajos. Por tanto se trata de un indicador

adecuado de la presencia de señal útil pues el pulso cardíaco distal se

caracteriza por tener componentes armónicas importantes. Las propiedades de

este indicador están explicadas con detalle en 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 entropía espectral se calcula de la forma siguiente:

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

X = FFT(s (t, ),LFFT ) (iv)

siendo LFFT

la longitud de la transformada rápida de Fourier.

Seguidamente se normaliza el espectro de energía de la trama.

siendo el índice , la componente k-ésima de la transformada de rápida de

Fourier de la trama.

Cruces por cero (submódulo 9)


El uso de este parámetro se justifica porque, en ausencia de señal útil, la

señal cruzará por cero un número elevado de veces por segundo, mientras que

en presencia de un pulso cardíaco, el número de cruces por cero se

corresponderá al ritmo cardíaco y será del orden de un cruce por cero por

segundo. La implementación preferida del cálculo de los cruces por cero

Zt

(fí )rama

se realizará restando el valor medio detrama

( t ,'

) para eliminar

la componente continua y seguidamente se contará el número de veces que la

señal cruza el umbral de cero.

Generación del vector (submódulo 10)

Para cada trama se agruparán los parámetros calculados en los

submódulos (7), (8) y (9) en un vector que será la entrada de un clasificador ( 1)

que decidirá si la trama n-ésima se corresponde a una trama útil o no:

D ( = [ama ama

( )ama

( ) (IV)

Clasificador (submódulo 11)

Este submódulo ( 1 1) consta de un clasificador cuya salida para cada

trama es un índice que indica si la trama pertenecía a una de dos clases: 'señal

útil' o 'ausencia de señal'. 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 cuadráticos, árboles de decisión o support vector

machines'. La implementación preferida será un clasificador de tipo

discriminante de Fisher. Los detalles de implementación y entrenamiento de este

tipo de clasificador están descritos en T. Hastie, et al., The Elements of

Statistical Learning, Springer, 2001 .

Determinación del segmento útil (submódulo 12)

Este submódulo (12) tendrá como entrada la secuencia de clases a la que

pertenece cada trama. Esta secuencia es la entrada a un autómata de estados


finitos (figura 4) cuya función es la de determinar segmentos de tramas

consecutivas de señal útil. Este autómata consta de los estados siguientes:

• s 1- ausencia de señal útil'

• s2= 'señal útil'

· s3- zona ambigua'

Cada estado del autómata constará de contadores definidos como sigue:

• número de tramas consecutivas en el estado i-ésimo clasificadas

como 'señal útil'.

• AS ' número de tramas consecutivas en el estado i-ésimo clasificadas

como 'ausencia de señal'.

En la figura 5 se presentan las reglas que determinan las transiciones de un

estado al siguiente del autómata de estados finitos.

Los umbrales con los que se comparan los contadores s C AS para

decidir las transiciones se determinan a partir de ejemplos. El criterio para

determinar los umbrales es el de la minimización del número de vectores

ventana (0 con zonas de señal no útil en una base de entrenamiento. La

implementación preferida en esta invención usará los umbrales presentados en

la figura 5 .

Se considera señal útil a las tramas consecutivas que se encuentran en

los estados s2 y s3. La salida del módulo de DA consiste en las señales,

ventana(

y trama ( ) trama ¾ »' ' ' » trama ( trama ) Las Señales

de salida se entregan cuando el número de tramas consecutivas en los estados

s2/s3 es tal que la duración total acumulada es iguala a la prefijada para calcular

los parámetros del modelo fisiológico. En caso de que durante el cálculo se

produzca una pérdida de señal, o aparezcan picos de señal espúreos, el

contador empieza de nuevo para que la información que se entrega consista

únicamente en señal útil. La implementación preferida de la presente invención


utiliza unas duraciones de 1 minuto para el segmento que abarca ventana ( ·

Las tramas serán en la implementación preferente de duración 5 segundos. Por

lo que la duración abarcada por el conjunto de tramas

^trama ^trama ^trama ra ) Será también de 1 minuto, y COn

un solape entre tramas del 50%. El número total de tramas será de Ntrama=24.

El número de de tramas viene determinado por el hecho de que las tramas son

subsegmentos de la señal ^ventana ( 0 .

Módulo de tratamiento de señal (4)

La función del módulo de tratamiento de señal genera el vector X F que

contiene los parámetros que caracterizan el estado fisiológico de la persona. Los

parámetros que constituyen el vector X F serán de dos tipos,

• Parámetros globales calculados a partir de ν ηί ΐ t )

• Parámetros agregados de las características calculadas en la secuencia

^trama ^trama " ' * »^trama » trama ) · Estas Últimas Servirán

para modelar la evolución (dinámica) a corto plazo de algunos parámetros

fisiológicos y el ritmo respiratorio.

Se detalla seguidamente una justificación de la implementación preferida

aplicada en la presente invención del análisis espectral.

Tal como se refirió en la sección de antecedentes, los aspectos

fisiológicos que controlan el nivel de glucosa en la sangre, el nivel de

glucocorticoides y los niveles de presión arterial se manifiestan en la información

del espectro de frecuencias de la señal cardíaca. Debido a esto, una parte de

los parámetros del modelo del estado fisiológico consistirán en información de

tipo espectral. Existen diversas técnicas que permiten realizar el análisis

espectral de una secuencia. En particular en la bibliografía mencionada en los

antecedentes se utilizan modelos no paramétricos del tipo periodograma.

Aunque el uso del periodograma para representar la información fisiológica es


factible, y de hecho se utiliza aquí para calcular la entropía espectral, la

información contenida en el análisis espectral también será obtenida mediante el

análisis cepstral. Las razones que justifican esta elección son:

a) El análisis cepstral permite obtener información sobre la excitación

de un sistema y su respuesta espectral. Las diferencias entre

sistemas y excitaciones se pueden calcular mediante la distancia

euclídea entre coeficientes cepstrales. La distancia euclídea entre

coeficientes cepstrales es equivalente a calcular la integral del

módulo al cuadrado de la diferencia logaritmos de transformadas

de Fourier. Por otra parte, la comparación entre sistemas cuando

estos se caracterizan mediante los coeficientes AR o ARMA, no se

puede realizar mediante la distancia euclídea entre coeficientes

pues no equivale a la diferencia del módulo al cuadrado de

transformadas de Fourier. Es por esta razón que se decidió

caracterizar la información de contenido espectral de forma

indirecta mediante los coeficientes cepstrales. Subyacente a esta

argumentación, está el hecho que los sistemas de "machine

learning" funcionan comparando las entradas con centroides

mediante distancias euclídeas, o en el caso de "multilayer

perceptron", mediante un producto escalar. Se sabe que una

distancia euclídea 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 representación de la

información en forma de parámetros cepstrales es adecuada.

b) Los coeficientes cepstrales en el caso de que la respuesta

impulsional del sistema que genera la señal tenga una duración

inferior al período de una excitación periódica, permiten

caracterizar la frecuencia de la excitación. Esto justifica su uso

para caracterizar al mismo tiempo, la variabilidad cardíaca y el

estado de la vascularización distal.

La implementación preferida en esta invención será la utilización del

vector de coeficientes cepstrales, dado que tiene la misma información que el


espectro de potencia y el número de parámetros es más bajo, lo que permite

que el sistema de aprendizaje automático tenga mejores prestaciones. La forma

preferida para realizar el cálculo de los coeficientes cepstrales de cada

secuencia se realizará mediante el algoritmo recursivo descrito en Nonlinear

filtering of multiplied and convolved signáis, Oppenheim, et al. Proceedings of

the IEEE, 1968.

Parámetros globales

Los parámetros globales referidos se calculan conforme a la propuesta de

esta invención a partir de e ta a ( ) y proporcionan información acerca del

espectro de frecuencias de tres variables del pulso cardíaco distal (figura 6). En

esta invención la implementación preferente para estimar el espectro de

frecuencias será un modelo paramétrico basado en coeficientes cepstrales.

Para modelar la hemodinámica de la persona y el estado de la

vascularidad distal, se calcularán los coeficientes cepstrales de ventana ( )

(15) mediante el algoritmo recursivo de Oppenheim. El resultado es un vector de

coeficientes que se denominarán CEPSSeñal El orden preferido en esta

implementación es de 7 coeficientes.

Para modelar la variabilidad cardíaca (14) a partir de la secuencia

^ventana (0 se crea una secuencia nueva que consistirá en el período

instantáneo entendido como la distancia (número de muestras) entre cada pico

de pulso cardíaco distal. A esta secuencia se la denominará ¾ (í) cuya

duración coincidirá con el número de latidos en s t . Tal como seventana

muestra en la figura 2 , sería la distancia en tiempo entre máximos. La forma

preferida para obtener la secuencia ¾ stPicos t consiste en restarle a

s ( su valor medio y sobre la secuencia resultante calcular la distanciaventana

entre cruces por cero alternos. Los coeficientes cepstrales se asignarán al vector


CEPSR

El orden preferido en esta implementación ha sido de 6

coeficientes, obtenidos mediante el algoritmo recursivo de Oppenheim.

Para modelar la frecuencia de la respiración se calculará el perfil de la

energía de S a t (16). Existen varios métodos para calcular esta

información, ya sea por ejemplo vía 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 cálculo a partir de filtrar paso bajo la forma de

onda elevada al cuadrado. El método preferido en esta implementación será

ésta última, debido a que la señal entregada por el DA esta poco contaminada

por ruido, no tiene fluctuaciones producidas por artefactos de la medida y a que

las necesidades de cálculo son menores. El método preferido será restar el valor

medio a sventana

(Vt y elevar al cuadrado cada una de sus muestras,

seguidamente se filtra la secuencia resultante mediante un filtro paso bajo. En la

implementación preferida éste filtro será de Chebychev de tipo I I de orden 8 y

frecuencia de corte 1/20. De la secuencia resultante del proceso anterior se

calculan los parámetros cepstrales y se asignan al vector CEPSEnergia El

orden preferido en esta implementación ha sido de 6 coeficientes, obtenidos

mediante el algoritmo recursivo de Oppenheim.

Parámetros agregados

Los parámetros agregados se calculan a partir de la secuencia de tramas

consecutivas sm t ,1), ( , 2), · ·- M t Ntrama

) y proporcionan

información acerca de la evolución del estado fisiológico de la persona a lo largo

de la ventana de medida (figura 7). El cálculo de los parámetros agregados

utiliza información que se ha usado en el módulo de DA. Esto se justifica porque

son parámetros que además de caracterizar el estado fisiológico de la persona

permiten determinar si una trama determinada tiene señal útil.

El primer conjunto de parámetros agregados está relacionado con la

energía de trama. Para cada trama se calculan los parámetros


< > <"> <"'>

parámetros resumen las características estadísticas de la energía en cada

trama. A partir de estas secuencias se calculan los parámetros agregados

siguientes.

trama n—\

. LogE" = ¿¾ ( , ( ))(VI)

r m

~ ^trama 1) V | |)trama n=\

• CEPS _ E = CEPS (E l ) E L^), Orden) (VIII)

siendo LogE^ , LogE , E escalares, mientras que " s n

vector de longitud Orden, calculado sobre la secuencia de valores medios de la

energía en cada trama. En la implementación preferida el valor de Orden será

de 6 .

La entropía espectral H tsrama r ) se calculará según las formulas (IV),

(V) y (VI). Este parámetro proporciona una indicación de la pureza espectral de

la señal. Se tomará como valor agregado el promedio y los coeficientes

cepstrales calculados a partir de la secuencia de entropía espectral de las

tramas.

^trama

CEPS _ H = C >S H M' ' ,H L ,O de )

En la implementación preferida el valor de Orden será de 6 .


En cuanto a la frecuencia cardíaca se calcularán a nivel de trama los

valores intermedios HR r̂ama n), R rama (n), R a que son tres

secuencias que modelan las estadísticas del período instantáneo del pulso

cardíaco distal. Estos valores se calculan para todas las tramas del segmento de

análisis, es decir para, n=1 ,..., - .El cálculo se realiza creando a partir de

la señal S t ) una secuencia intermedia stpicos (t, J ) que consistirá

en las distancias entre picos de pulso cardíaco distal. Se calcularán en primer

lugar las tres secuencias siguientes;

A

DistPicos(t,n) (X|)

-^DistPicos '=1

siendo picos el número de muestras de ¾ stpicos (t, rí) .

'

-j Σ ( st os ) - amar n s ew _ '-'trama t=l

• trama n ) ~

( ¾ <»)

A partir de estas secuencias se calculan los parámetros agregados

siguientes.

. H R HR* m'-'trama n=\

(VI)

'-'trama n=l(VII)

CEPS _HR« = S(HR mfl (l),- - ¾ ( ,O^«) (V|||)

En la implementación preferida el valor de Orden será de 6 .


Estos parámetros caracterizarán el contenido espectral de la frecuencia

cardíaca.

Generación del vector X f

El vector X (ver figura 1a) es la salida del módulo de tratamiento de

señal (4) y contiene el conjunto de parámetros que modelan el estado fisiológico

de la persona, junto con características físicas de la persona, como sexo, edad,

índice de masa corporal, etc. Este vector será la entrada del módulo (5) que

estima las cuatro variables de salida del sistema mediante un sistema basado en

'aprendizaje automático'.

CEPSS al

, CEPSHR

, CEPSEnergia

, LogE , LogE", E ,

Ώ = CEPS _ Ε µ , Η CEPS _ H , HR ,HR ,HR skew ,CEPS _ HR , (IV)

Edad, Sexo, Indice de masa corporal

Robustez respecto al cambio de Sensor.

Un aspecto importante del sistema de la presente invención consiste en

hacer que la estimación sea independiente del sensor, de tal manera que al

sustituir un sensor por otro la estimación no cambie. Al sustituir un sensor por

otro, incluso siendo del mismo modelo, en general se producirán diferencias en

la respuesta frecuencial de los sensores que pueden alterar las medidas y por

consiguiente dar lugar a estimaciones erróneas. Para ello, se realizará un

proceso de substracción cepstral a las variables representadas por coeficientes

cepstrales. La substracción cepstral es una técnica habitual para compensar los

efectos producidos por el cambio de micrófonos en sistemas de reconocimiento

del habla (L. R. Rabiner, B.-H. Juang, Fundamentáis of Speech Recognition,

Prentice Hall, 1993).

Módulo de 'aprendizaje automático' (5)

El módulo de 'aprendizaje automático' tiene como entrada el vector X y

entrega a la salida las tres variables de interés. Se trata de un módulo que

implementa una regresión entre la entrada X y las variables NGS, NPS, NPD,


NGC. El algoritmo que se utilice tiene que ser capaz de aproximar una función

no lineal, proporcionar maneras de controlar el efecto de sobre generalización, y

ser capaz de aprender la función a pesar de que los datos contengan valores

ruidosos y/o inexactos. Además otro requerimiento de este módulo es que la

función obtenida no dependa de la persona y no necesite recalibración a lo largo

del tiempo.

Para ello se propone utilizar un sistema que promedie las salidas de

varios métodos de regresión 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 implementación preferida del sistema basado en aprendizaje

automático será la de un 'comité de predictores', entrenado mediante el

algoritmo de 'Adaboost' . El predictor básico del sistema tipo 'comité de

predictores' será de forma preferente una red neuronal tipo 'radial basis

function', que aprovecha las interacciones entre los valores de presión, nivel de

glucocorticoides y el nivel de glucosa para mejorar las estimaciones. Dado que

cada neurona de la capa oculta calcula una distancia euclídea de la entrada con

una referencia obtenida durante el entrenamiento, el uso de la parametrización

tipo cepstrum es la más adecuada para éste tipo de estimador. Como alternativa

se podrán usar como predictores sistemas de 'machine learning' del tipo

'Support Vector Machine', CART o "perceptrón" multicapa. La parametrización

tipo cepstrum también es la adecuada, pues estos sistemas se basan ya sea en

el uso de distancias o de productos escalares. La forma del pulso cardíaco distal

se medirá de forma preferente mediante un pletismógrafo.

La implementación de la invención puede incorporar una pantalla para la

visualización de datos, una conexión/teclado para introducir las características

de la persona y ordenes de control del aparato utilizado. Dispone de al menos

una sonda acústica, mecánica y/o óptica que proporciona la señal 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, teléfono

móvil o PDA o audífono.

La invención prevé también la disposición de pulsadores o botoneras de

control de acuerdo con el estado de la técnica, para activar y controlar el aparato

empleado, así como baterías y/o acceso a una fuente de alimentación exterior.

La invención prevé igualmente la utilización de medios para transmitir la

información, ya sea del sensor o de la estimación realizada por el aparato

empleado a otros sistemas, ya sean ordenadores y/o aparatos de diagnóstico

médico ya sea por puerto serie, USB, conexión inalámbrica o de red local.

Se sobreentiende que quedan comprendidas dentro de la invención

cuantas alteraciones de detalle o forma estén comprendidas en la esencia de la

invención que se especifica en las siguientes reivindicaciones.


REIVINDICACIONES

1.- Sistema para la estimación simultánea y no invasiva de la glucosa en

la sangre, nivel de glucocorticoides y presión arterial, basado en la forma de

onda del pulso cardíaco distal de una persona, adquirida a partir de un sensor

(1) que proporciona una señal digitalizada, caracterizado por comprender:

• un módulo (2) de detección de actividad de dicha señal digitalizada que

selecciona un segmento de muestras consecutivas de dicha señal

digitalizada, de duración fija, denominado S t y a partir del

mismo genera una secuencia de subventanas o tramas denominadas

S ra (t, de duración menor que la de ve ta a t ) , en donde el

índice t indica el número de la muestra dentro de una trama y n es el

número de la trama;

• un módulo (4) de tratamiento de señal que recibe las dos señales

^ventana (0 ^trama w) e contienen ,a forma de onda del pulso

distal en un segmento de duración fija, y que proporciona a su salida un

vector XF que contiene los parámetros de un modelo fisiológico; y

• un módulo (5) basado en aprendizaje automático al que se alimenta el

citado vector XF y una información acerca de las características de la

persona y que proporciona en su salida la estimación del nivel de


nivel de presión diastólica(NPD) y del nivel de glucocorticoides (NGC).

2 .- Sistema, según la reivindicación 1, caracterizado porque dicho sensor

es del tipo plestimográfico seleccionado entre óptico, acústico o mecánico,

incluyendo un sistema de pulsioximetría (Sp02), y dicho módulo (2) de

detección de actividad comprende:

• un submódulo (6) de segmentación en tramas que proporciona dicha

secuencia de

• un submódulo (7) de cálculo de la energía de cada trama;


• un submódulo (8) de cálculo para cada trama de entropía espectral; y

• un submódulo (9) de detección de cruces por cero,

generándose a partir de dichos submódulos (7, 8 y 9) un vector XD A(n)que se

alimenta a un submódulo clasificador ( 1 1) que implementa una función de

decisión y cuyo índice para cada trama indica si la trama pertenece a una

"señal útil" o corresponde a una "ausencia de señal".

3 .- Sistema, según la reivindicación 2 , caracterizado porque dicho

submódulo clasificador ( 1 1) está asociado para su entrenamiento a una base de

datos etiquetada con la clase a la que pertenece cada trama.

4 .- Sistema, según la reivindicación 3 , caracterizado porque dicho

clasificador está seleccionado entre los siguientes tipos K-nearest, neighbour,

discriminantes lineales incluyendo el discriminante de Fisher, discriminantes

cuadráticos, árboles de decisión o "support vector machines".

5 .- Sistema, según la reivindicación 2 , caracterizado porque dicho módulo

(2) de detección de actividad incluye además en su salida un submódulo (12) de

determinación de segmento útil que recibe como entrada la secuencia de clases

a la que pertenece cada trama, y dicho submódulo (12) integra un autómata de

estados finitos aplicado a determinar segmentos de tramas consecutivas de

señal útil, comprendiendo los estados siguientes:

■ s 1- ausencia de señal útil'

■ s2= 'señal útil'

■ s3='zona ambigua'

y cada estado del autómata constará de contadores definidos como sigue:

• C l número de tramas consecutivas en el estado i-ésimo clasificadas

como 'señal útil'; y

• AS número de tramas consecutivas en el estado i-ésimo clasificadas



6 .- Sistema, según la reivindicación 1, caracterizado porque dicho módulo

(5) de aprendizaje automático utiliza un comité de predictores entrenado

mediante el algoritmo de "Adaboost", utilizando como predictor básico del comité

de predictores una red neuronal tipo "radial basis function" que aprovecha las

interacciones entre los valores de presión, nivel de glucocorticoides y el nivel de

glucosa para mejorar las estimaciones.

7 .- Método para la estimación simultánea y no invasiva de la glucosa en

la sangre, nivel de glucocorticoides y presión arterial, basado en la forma de

onda del pulso cardíaco distal de una persona, adquirida a partir de un sensor

(1) que proporciona una señal digitalizada, caracterizado por comprender las

siguientes etapas:

• detección de actividad de dicha señal digitalizada por selección de un

se mento de unas muestras consecutivas de dicha señal digitalizada,

• tratamiento de las dos señales sventana

(Vt ) y' trama(t ' ri ) que contienen

la forma de onda del pulso distal en un segmento de duración fija, y

generación a partir de las mismas de un vector XF que contiene los

parámetros de un modelo fisiológico; y

• alimentación de dicho vector XF y de una información acerca de las

características de la persona a un módulo (5) basado en aprendizaje

automático y que proporciona en su salida la estimación del nivel de


nivel de presión diastólica (NPD) y del nivel de glucocorticoides (NGC).


8.- Método, según la reivindicación 8 , caracterizado porque dicha etapa de

detección de actividad comprende

• segmentación en tramas de la señal digitalizada ve ( )

proporcionando una secuencia de 5trama t , ri) ;

· cálculo de la energía de cada trama;

• cálculo para cada trama de su entropía espectral calculando la

transformada rápida de Fourier (FFT) de la trama y normalizando

seguidamente el espectro de energía de la trama; y

• detección de cruces por cero,

generándose a partir de dichos valores de energía y entropía espectral por

trama un vector XD A(n)que se alimenta a un submódulo clasificador ( )que

implementa una función de decisión y cuyo índice para cada trama indica si la

trama pertenece a una "señal útil" o corresponde a una "ausencia de señal".

9 .- Método según la reivindicación 8 , caracterizado porque dicha

segmentación de S a (t) se realiza en tramas de 5 segundos con un

solapamiento del 50% de la señal digitalizada.

10. - Método según la reivindicación 8 ó 9 , caracterizado porque dicha

detección de cruces por cero se realiza restando el valor medio de ama t ri)

para eliminar la componente continua y seguidamente se cuente el número de

veces que la señal cruza el umbral de cero.

11.- Método según la reivindicación 8 ó 9 caracterizado porque para cada

trama se agrupan los parámetros de energía, entropía espectral y cruces por

cero, en un vector que será la entrada de un clasificador que decidirá si la trama

n-ésima se corresponde a una trama útil o no:

DA = E a a a a ama


12.- Método, según la reivindicación 11, caracterizado porque dicho

clasificador se selecciona entre los siguientes tipos K-nearest, neighbour,

el discriminante de Fisher, discriminantesdiscriminantes lineales incluyendo

cuadráticos, árboles de decisión 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. - Método, según la reivindicación 9 , caracterizado porque para

determinación de un segmento útil la secuencia de clases a la que pertenece

cada trama obtenida a la salida de dicho submódulo clasificador ( 1 1) se alimenta

a un submódulo (12) que integra un autómata de estados finitos aplicado a

determinar segmentos de tramas consecutivas de señal útil, comprendiendo los

estados siguientes:

■ s 1- ausencia de señal útil'

■ s2= 'señal útil'

■ s3='zona ambigua'

y cada estado del autómata constará de contadores definidos como sigue:

• C s'' número de tramas consecutivas en el estado i-ésimo clasificadas

como 'señal útil'; y

• AS : número de tramas consecutivas en el estado i-ésimo clasificadas


14. - Método, según la reivindicación 8 , caracterizado porque la etapa de

tratamiento de señal comprende la generación de un vector XF que contiene los

parámetros que caracterizan el estado fisiológico de una persona, mediante

unos parámetros globales calculados a partir de 5 t (í) y unos parámetros

agregados de las características calculadas en la secuencia

) 2 ) ™ ) utiles Para modelar a

evolución a corto plazo de varios parámetros fisiológicos y el ritmo respiratorio,


utilizando el análisis cepstral para obtener información sobre el contenido

espectral.

15.- Método, según la reivindicación 14 caracterizado porque se sustrae

el valor medio de cada secuencia de parámetros cepstrales, para descontar el

efecto del sensor específico, calculando, cada vez que se cambia el sensor, un

valor medio de los cepstrums para cada grupo de parámetros y almacenando

dicho valor medio para hacer la substracción durante la etapa de tratamiento de

señal.

16.- Método, según la reivindicación 8 , caracterizado porque dicho

módulo (5) basado en aprendizaje automático recibe a su entrada el vector XF

junto con características físicas de la persona, incluyendo al menos sexo, edad

e índice de masa corporal y entrega en su salida las tres variables de interés:

glucosa en la sangre (NGS), nivel de glucocorticoides (NGC) y presión arterial

(NPS y NPD) aplicando para ello un algoritmo que implementa una regresión no

lineal entre entre dicha entrada XF y las citadas tres variables, seleccionando un

método de regresión que modela las interacciones entre las tres variables.

17. -Método , según la reivindicación 16, caracterizado porque dicho

aprendizaje automático utiliza un comité de predictores entrenado mediante el

algoritmo de "Adaboost", utilizando como predictor básico del comité de

predictores una red neuronal tipo "radial basis function" que aprovecha las

interacciones entre los valores de presión, nivel de glucocorticoides y el nivel de

glucosa para mejorar las estimaciones.


número publicación internacional w o 2012/072849 a 2 w p o ... · w o 2012/072849 \ 2 llll ii ii...

Documents