Clasificacion de Grabaciones Normales o

Anormales del Corazon

Juan Peralta
Escuela de Electronica Y
Telecomunicaciones
Universidad de Cuenca
Email: juan.peralta@ucuenca.ec
Homer Simpson James Kirk
Twentieth Century Fox and Montgomery Scott
Springfield, USA Starfleet Academy
Email: homer@thesimpsons.com San Francisco, California 966782391
Telephone: (800) 5551212
Fax: (888) 5551212

ResumenThe abstract goes here.

I.
I NTRODUCCI ON
El proyecto The PhysioNet/Computing in Cardiology Cha-
llenge 2016tiene como objetivo fomentar el desarrollo de
algoritmos para clasificar las grabaciones de sonido del co-
razon recogidos de una variedad de entornos clnicos o no
clnicos (tales como las visitas a domicilio). El objetivo es
identificar, a partir de una sola grabacion corta (10-60s) desde
una u nica ubicacion precordial, si el sujeto de la grabacion
debe ser referido por un diagnostico experto centrandose solo Figura 1: PCG y ECG Realizadas en simultaneo
en la clasificacion precisa de los sonidos cardacos normales
y anormales, especialmente cuando algunos sonidos cardacos
muestran una calidad de senal muy baja.
El objetivo de este proyecto es el analizar los algoritmos III. M ETODOLOGI A
planteados por algunos de los participantes de este proyecto ,
comparar los resultados ante un grupo de audios precordiales
de prueba y tratar mejorar estos algoritmos. Dentro de los diversos sistemas de automatizacion para la
deteccion de sonidos precordiales se selecciono 3 algoritmos
II.
M ARCO T E ORICO los cuales presentaban respuestas al problema que resultan
Durante el ciclo cardaco, el corazon genera en primer lugar, interesantes para su comparacion , cada uno de ellos presentan
la actividad electrica y luego la actividad electrica provoca metodologas distintas la solucion del problema por lo que se
contracciones auriculares y ventriculares. Esto a su vez las presenta una breve descripcion de cada sistema.
fuerzas de sangre entre las camaras del corazon y de todo
el cuerpo. La apertura y cierre de las valvulas del corazon
se asocia con aceleraciones y des-aceleraciones de la sangre,
dando lugar a vibraciones de toda la estructura cardaca Estas III-A. Sonidos cardacos anormales detectados a partir de
vibraciones son audibles en la pared del pecho, y la escucha de fonocardiogramas de corta duracion por entropa Wavelet
sonidos cardacos especficos pueden dar una indicacion de la
salud del corazon. La representacion grafica de estos sonidos La implementacion se basa en el uso de la transformada
se denomina fonocardiograma (PCG). wavelet como medio de separacion de tipos de capturas de
La segmentacion del FHSS (ruidos cardacos fundamenta- audio precordiales de los diferentes pacientes.
les) incluyen generalmente S1 y S2 del corazon, S1 se produce Una Wavelet es una pequena ondade duracion limitada, es
al comienzo de la contraccion ventricular isovolumetrica, decir, su energa esta concentrada en el tiempo alrededor de un
cuando las valvulas mitral y tricuspide se cierran debido punto, lo que proporciona una adecuada herramienta para el
al rapido aumento de la presion dentro de los ventrculos. analisis de fenomenos transitorios, no estacionarios, variables
S2 se produce al comienzo de la diastole con el cierre en el tiempo y aquellos que presenten discontinuidades. Este
de las valvulas aortica y pulmonar, esto se puede apreciar algoritmo calcula la entropa del audio empleado y separa el
claramente en la Figura 1. La localizacion exacta de la FHSS tipo de senal por medio de un limite establecido , tal como se
es un requisito previo para la identificacion de las regiones muestra en la Figura 2.
sistolica o diastolica, lo que permite la posterior clasificacion Una muestra del procesamiento de la senal de audio con este
de situaciones patologicas en estas regiones. algoritmo de puede apreciar en la Figura 3.
Figura 2: Diagrama de flujo del algoritmo usando la transfor-
mada Wavelet

Figura 4: Arquitectura CNN

Cuatro series de tiempo, una por cada banda de frecuencia,

Figura 3: Ejemplo del procesamiento de la senal con la
transformada Wavelet
III-B. Desarrollo de algoritmos para clasificar registros nor-
males o anormales de sonidos del corazon
Cada PCG comprende mas de un ciclo cardaco (latido), y
cada latido consta de cuatro estados de sonido del corazon (
S1, sstole, S2 y diastole).
El objetivo es desarrollar algoritmos para clasificar los
registros de sonido en dos grupos: normales y anormales.
Para ello se usa un conjunto de clasificadores: AdaBoost y
Convolutional Neural Network.
son las entradas a la red. Cada una de las CNN consta de tres
capas: la capa de entrada seguida de 2 capas de convolucion.
La salida de los 4-CNNs son aplanados y pasan a una red de
perceptron multicapa (MLP). , La capa de salida calcula la
puntuacion de clase (es decir, el valor de probabilidad, CNN
y ABN) del sonido anormal del corazon.
Finalmente en la salida de los dos clasificadores tanto de
ABN y CNN se combinan usando una regla de desicion para
producir el resultado de clasificacion final: normal o anormal
de acuerdo a un umbral de desicion.
IV. C ONCLUSION
The conclusion goes here.
ACKNOWLEDGMENT
The authors would like to thank...
R EFERENCIAS
[1] H. Kopka and P. W. Daly, A Guide to LATEX, 3rd ed. Harlow, England:
Addison-Wesley, 1999.

ADA BOOST

El clasificador Ada Boost para clasificar PCGs en normales

o anormales usa las caractersticas del dominio del tiempo y
frecuencia. En el dominio temporal uso intervalos y amplitudes
PCGs. En el dominio de la frecuencia usa el espectro de
potencia de cada estado del sonido del corazon utilizando una
ventana de Hamming y la transformada de Fourier de tiempo
discreto.
Convolutional Neural Network

El ciclo cardaco descompuesto con S1, sstole, S2 y diastole

es la entrada a la red CNN mostrada en la siguiente figura: