Processamento de sinais usando wavelets para caracterização da repolarização ventricular durante hipoglicemia

Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Engenharia Elétrica.O quadro hipoglicêmico se origina a partir de reduções exarcebadas na taxa de glicose sangüínea, causando inclusive a morte caso não revertido a tempo. Esta tese objetiva o processamento do ECG durante hipoglicemia, visando testar a viabilidade de um detetor de hipoglicemia baseado neste sinal fisiológico. Assim, foi desenvolvido um algoritmo para a análise da repolarização ventricular baseado em transformada wavelet e procedeu-se à caracterização do ECG com o quadro hipoglicêmico, buscando distinguir hipoglicemia e normoglicemia. A metodologia desenvolvida se provou capaz de lidar com os desafios do processamento de ECG, tais como detecção do ponto J e delimitação dos limites da onda T. Para a análise, cerca de 17 variáveis foram identificadas no sinal não-promediado: fatores temporais, amplitudes e medidas morfológicas (como simetrias e áreas). Sinais de ECG simulados; coletados durante o exercício físico; e obtidos em um teste de estresse insulínico foram usados para refinamento do algoritmo. Na caracterização da hipoglicemia foram utilizados dados de 4 indivíduos diabéticos (2M e 2F) idades de 46,5±1,51 anos (média ± DP) obtidos em um grampeamento de glicose com o registro simultâneo do ECG em aparelho Holter (8 derivações, 16 horas de registro em média). Verificaram-se as mesmas alterações na repolarização ventricular descritas na literatura: notadamente o achatamento da onda T e mudanças na sua simetria. Variáveis redundantes foram descartadas: das 17 originais, 7 representaram 96,37% de toda variação registrada e 12 totalizaram 99,97%. A análise linear de discriminantes gerou modelos capazes de distinguir batimentos registrados em hipoglicemia ou normoglicemia. Sensibilidade de 68,7 % e especificidade de 73,10% foram obtidas analizando-se todos os indivíduos da amostra. A análise individual, contudo, registrou valores de até 98,8% e 91,20% de especificidade e sensibilidade, respectivamente. Acredita-se que tal variação é devida ao diferente grau de resposta contrarregulatória entre os indivíduos da amostra. Hypoglycaemia arises from unusually high falls at blood glucose (BG) rate, leading to death if not reversed in time. This thesis uses ECG signal processing in files recorded during hypoglycaemia episodes, aiming to assess the feasibility of an ECG-based hypoglycaemia detector. Firstly, we developed an wavelet-based algorithm for analysis of ventricular repolarisation. Further on, we established the characterization of ECG during hypoglycaemia, planning to distinguish between hypoglycaemia and normoglycaemia. The developed algorithm was able to overcome the challenges on ECG processing, notably J Point detection and assessment of T wave limits. From analysis, 17 variables were extracted from nonaveraged ECG signal: temporal information, wave amplitude and morphological measurements (areas and symmetry). Simulated ECGs; signals recorded during physical exercise; and data acquired in an Insulin Stress Test as well were used to refine processing. Data from 4 diabetic subjects (2M and 2F) age 46.5 ± 1.51 years (mean ± SD) were recorded in a glucose clamping procedure, ECGs were recorded simultaneously on a Holter device (8 leads, 16-hour files on average). Flattening of T wave and symmetry changes were common during hypoglycaemia, similar findings to those reported in medical literature. To avoid variable redundancy, a factor analysis was done: from the 17 originally evaluated parameters, 7 described 96.37% of the total variance showed in the ECG signals and 12 hold 99,97% of the total information. Linear discriminant analysis was able to single out hypoglycaemic from normoglycaemic heart beats. We registered an overall sensibility of 68.7% and specificity of 73.10%. These values were further improved in an individual analysis, up to 98.8% speci-ficity and 91.2% sensibility. We believe these differences between individual and overall analyses are due to differences in the magnitude of the counterregulatory responses among our sample individuals