Tesi Galeotti Loriano

Tesi Galeotti Loriano
Alma Mater Studiorum
Università degli studi di Bologna
Dottorato di Ricerca in Bioingegneria
ING-INF/06
XX CICLO
Dispositivi e procedure per
l'assistenza tecnologica a malati
cronici, disabili, anziani
Ph.D. Thesis
Loriano Galeotti
presso
BIM Lab
Dipartimento di Sistemi e Informatica
Università degli Studi di Firenze
Supervisore:
Prof. C Marchesi
Controrelatore:
Prof. A Cappello
Esame finale anno 2008
Coordinatore:
Prof. A Cappello
II
Alla mia famiglia
per avermi sostenuto
A chi mi ha
sopportato in questi
anni.. e a chi mi
sopporterà nei
prossimi
III
IV
Indice
1 Assistenza e tecnologia
1.1 Raccomandazioni delle autorità per la salute ..........1
1.2 Il ruolo dell'assistenza tecnologica (Assistive
Technology).............................................................3
1.3 Una nuova proposta per l'assistenza tecnologica......5
1.3.a Approccio per Ambienti..................................6
1.3.b Un ruolo attivo per il paziente.........................8
1.3.c Procedure per l'analisi dei dati.......................10
1.3.d Sintesi delle caratteristiche principali richieste da
un dispositivo per l'Assistenza Tecnologica .............12
2 Metodi di analisi basati sulle tecniche di
ordinamento
2.1 Introduzione, descrizione generale ......................15
2.2 Variabili categoriche: Analisi delle corrispondenze
multiple (MCA).......................................................17
2.2.a Analisi delle Corrispondenze Semplice............18
2.2.b Analisi delle Corrispondenze Multiple..............20
2.2.c Categorizzazione dei dati .............................22
2.3 Variabili numeriche: Principal Component Analysis. 24
2.4 Applicazione metodi di analisi multivariata a dati
medici .................................................................28
3 Il sistema COMPASS-ALERT
3.1 Analisi dello stato dell'arte..................................29
3.1.a Introduzione ..............................................29
3.1.b Dispositivi commerciali.................................30
3.1.c Ricerca .....................................................33
3.2 Linee giuda per il progetto COMPASS-ALERT.........35
3.2.a Architettura “split” ......................................36
3.3 UPAD Unità Portatile Acquisizione Dati..................38
3.3.a Sistemi e sensori biomedici indossabili Wearable
Biomedical Sensor and System (WBSS)..................38
3.3.b Evoluzione UPAD: versioni e caratteristiche.....39
V
4
5
6
7
VI
3.3.c Acquisizione di segnali biomedici ..................41
3.3.d Sistema di comunicazione senza fili...............55
3.3.e Altre caratteristiche hardware.......................58
3.3.f Protocollo di comunicazione .........................60
3.3.g UPAD accelerometrico..................................68
3.3.h Elaborazione a bordo...................................69
3.4 User interface...................................................70
3.5 Interfaccia medico ............................................74
3.5.a Segmentazione ed estrazione dei parametri.. . .77
3.6 Valutazione delle prestazioni in sistemi multielemento...............................................................81
3.6.a Il problema della valutazione delle prestazioni in
sistemi multi-elemento.........................................81
3.6.b Valutazione globale ....................................82
Applicazioni
4.1 Tecniche di analisi esplorativa applicate a ECG da
sforzo di pazienti cardiopatici...................................83
Conclusioni
5.1 La valutazione delle prestazioni...........................90
5.1.a Linee guida................................................90
5.2 Risultati della valutazione del sistema COMPASSALERT...................................................................94
5.2.a Valutazione dei sottosistemi..........................94
5.2.b Valutazione globale tramite il giudizio di possibili
utenti................................................................97
5.3 Note finali .....................................................101
Appendici
A: Schemi elettrici................................................102
B: Algoritmi.........................................................105
C: Pubblicazioni....................................................108
Bibliografia
Introduzione
Questo studio costituisce una componente stand-alone di un più ampio
progetto che riguarda la struttura dei servizi in rete che rispondono ad
esigenze di assistenza della collettività.
L'assistenza tecnologica trova applicazione in interventi mirati al singolo
individuo che prevedono l'impiego di ausili tecnologici. Questi possono
essere intesi sia per servire come ausilio permanente nella rieducazione o
nello sviluppo di una diversa abilità, sia per operare osservazione da parte
di esperti o da parte del paziente stesso.
Si considerino tre livelli di intervento corrispondenti a tre diverse
situazioni del paziente:
● il paziente è a casa e riceve cure domiciliari;
● il paziente riceve cure ambulatoriali o in day hospital;
● il paziente è ricoverato.
Benché l'assistenza tecnologica sia utile in tutte e tre le situazioni, essa
trova il suo specifico campo di applicazione nel primo caso, quando cioè le
si attribuisce il più impegnativo dei compiti, quello di inserirsi nella sfera
dei bisogni personali dell'individuo (personal needs).
Potremo dire quindi che l'intervento specifico dell'assistive technology
abbia successo qualora consenta al paziente di intervenire nel processo di
osservazione clinica, completando le risultanze strumentali con una
valutazione globale.
Questo strumento è pensato per favorire il soccorso alle persone “fragili”:
malati cronici, disabili, anziani. Stime ISTAT parlano di un 5-10% della
popolazione potenzialmente interessata in vario modo.
Il progetto, introducendo metodi dell'assistive technology, nasce per
realizzare i seguenti obiettivi:
● offrire un prototipo di strumento portatile per l'assistenza
tecnologica, adatto ad essere utilizzato nel corso di studi
VII
●
●
epidemiologici anche estesi;
contribuire alla riduzioni dei ricoveri, nel caso l'apparecchio risulti
sufficientemente affidabile;
fornire uno strumento di auto-apprendimento per i pazienti, basato
sulla conoscenza dei propri dati.
Lo scopo principale per cui è stato intrapreso il presente studio è
sperimentare alcuni elementi di base del processo che porterebbe dal
sensore all'ausilio automatico, in particolare riguardo la parte hardware e
l'interazione coll'utente.
Il presente progetto è infatti la prosecuzione di vari studi effettuati
all'interno del gruppo di lavoro BIM dell'Università di Firenze che
rientrano nella famiglia di sistemi denominati COMPASS (CoOperative
Mobile Patient Assistance and Surveillance System). Questa branca del
progetto è stata individuata come COMPASS-ALERT poiché progettata
per consentire che le prestazioni di base siano condizionate dal paziente
stesso o dall'operatore.
Integrando i risultati del presente lavoro (hardware per il monitoraggio,
interazione col paziente, analisi MCA per il trattamento dei dati
contestuali) con i risultati ottenuti da studi precedenti possiamo disporre di
tutti i componenti necessari per passare alla realizzazione di un sistema per
l'assistenza tecnologica, capace di sorvegliare lo stato di salute del paziente
e rilevare situazioni di allarme.
Ci è sembrato fondamentale da un lato individuare una tecnologia
affidabile e a costo relativamente basso che consenta di realizzare prototipi
di vario tipo con modesto investimento iniziale, al fine di poter adattare il
progetto o il prototipo alle varie esigenze di cui si è fatto cenno. Dall'altro
accompagnare tale dispositivo con procedure di calcolo adatte a mettere in
evidenza i vari profili di diversi pazienti. Questo sistema di analisi
costituisce il presupposto per una sperimentazione estesa a più settori della
medicina e della riabilitazione realizzata da:
VIII
1. la definizione di un opportuno set-up sperimentale;
2. l'organizzazione di un opportuno servizio di assistenza;
3. il nuovo ruolo che il medico ed il paziente devono reciprocamente
assumere.
Lo studio si è concretizzato infine nella realizzazione e collaudo di
prototipi di sistemi hardware software secondo le linee guida dichiarate in
seguito. Sono state verificate varie soluzioni hardware, e si sono realizzate
alcune componenti fondamentali del software di gestione.
Si è inoltre sviluppato e testato su ECG da sforzo un algoritmo che
permetta di applicare il metodo MCA ai segnali elettrocardiografici allo
scopo di consentire al medico di individuare parti anomale nel tracciato.
L'uso di questa tecnica permette di tenere conto di dati di tipo categorico
(dati di cartella e informazioni contestuali fornite dal paziente), altrimenti
non gestibili con altre tecniche di analisi per dati continue (PCA).
Per poter dimensionare e realizzare algoritmi focalizzati sulle effettive
esigenze del paziente, si è previsto che fosse necessario valutare in modo
accurato, anche se qualitativo, i risultati prodotti dal sistema nel suo
insieme.
IX
X
1 Assistenza e tecnologia
1 Assistenza e tecnologia
1.1 Raccomandazioni delle autorità per la
salute
Una prima importante indicazione arriva dagli esperti del World Health
Organization, che invitano a porre in essere iniziative a livello nazionale
per stimolare le autorità sanitarie locali a intraprendere iniziative per
l'assistenza tecnologica nei prossimi anni.
“The next two decades will see dramatic changes in the health needs of the
world’s populations. In the developing regions, noncommunicable diseases
such as depression and heart disease are fast replacing the traditional
enemies, in particular infectious diseases and malnutrition, as the leading
causes of disability and premature death.
Injuries, both intentional and unintentional, are also growing in
importance and by 2020 could rival infectious diseases worldwide as a
source of ill-health. The rapidity of change will pose serious challenges to
health care systems and force difficult decisions about the allocation of
scarce resources.”
La conclusione di questa nota indica una prima soluzione per i problemi
sopra citati. Gli esperti stimolano infatti le autorità sanitarie nazionali a
tener conto delle statistiche che evidenziano “also [of] the impact of
premature death and disability on populations, and which combines them
into a single unit of measurement”.
1
1 Assistenza e tecnologia
Un ulteriore aspetto interessante di queste note è come disabilità, vecchiaia
e malattie croniche vengano accorpate in una unica categoria.
Risulta evidente la necessità di gestire questi nuovi scenari, in particolare
riguardo i malati cronici, i disabili e gli anziani che i sistemi ospedalieri
odierni, orientati principalmente alla cura dei casi acuti, non sono adatti a
seguire direttamente. E' evidente infatti come, sia dal punto di vista di
qualità della vita del paziente, sia per questioni meramente economiche,
non si possa pensare di tenere queste persone per mesi o anni in ospedale.
Emerge quindi con prepotenza la necessità di permettere a queste persone
una vita per quanto possibile normale, a casa propria, con i propri cari. In
questo caso la tecnologia può diventare un valido aiuto, sia per rendere più
agevole il lavoro del delle persone che assistono il malato, sia per garantire
un certo grado di sorveglianza delle funzioni vitali, permettendo un
tempestivo intervento del sistema sanitario in caso di ricadute,
riacutizzazioni, insorgenza di nuove patologie.
Gli esperti WHO – OMS indicano inoltre un nuovo ruolo per il paziente,
che dovrebbe essere allenato a gestire le sue stesse condizioni di salute, in
accordo alla disponibilità di un'adeguata strumentazione e iniziative
sociali: “Long-term care is an integral part of health and social systems. It
includes activities undertaken for people requiring care by informal
caregivers (family, friends, and neighbours), by formal caregivers,
including professionals and auxiliaries (health, social, and other workers),
and by traditional caregivers and volunteers.
The need for long-term care is influenced by changing physical, mental,
and/or cognitive functional capacities that are in turn, over the course of
an individual’s life, influenced by the environment. Many people regain
lost functional capacities, while others decline. The type of care needed
and the duration of such care are thus often difficult to predict.
The goal of long-term care is to ensure that an individual who is not fully
capable of long-term self-care can maintain the best possible quality of
life, with the greatest possible degree of independence, autonomy,
participation, personal fulfilment, and human dignity. Appropriate long2
1 Assistenza e tecnologia
term care therefore includes respect for that individual’s values,
preferences, and needs; it may be home-based or institutional.”
[WHO898]
1.2 Il
ruolo
dell'assistenza
(Assistive Technology)
tecnologica
E' piuttosto raro avvertire che sistemi di ausilio alla decisione, o comunque
sistemi per la gestione informatica delle strutture sanitarie, siano presentate
come "utili". Capita infatti che tali applicazioni della tecnologia del calcolo
e delle comunicazioni sia presentata come “moderna”, o come
“sorprendente”, come “innovativa”, ma, appunto non viene identificata
come "utile".
Una riflessione su tale constatazione porterebbe a ritenere che l'utilità è
data per scontata o che essa è tutta da dimostrare.
Noi crediamo che un sistema informatico per applicazioni mediche debba
soddisfare a dei requisiti di utilità, per qualcuno, per qualcosa, per un certo
tempo, ed in un certo luogo, ma comunque piegata all'esigenza di risultare
utile. È probabile che uno sforzo specifico in questo senso sia compiuto
raramente perché il concetto di "utilità" implica l'esistenza di un sistema
finito, cioè implica il fatto che un problema di informatizzazione in sanità
sia approcciato nel suo insieme e dia i suoi frutti in forma di soluzione ai
problemi in oggetto.
Fissiamo dunque una prima definizione: individuiamo come utile quel
sistema informatico che risulta, rispetto a dei criteri di valutazione
prefissati, in grado di soddisfare le specifiche richieste dal
"committente" (medico o paziente).
Naturalmente il committente in questione può essere esplicitamente
individuato ma anche appartenere ad una categoria in qualche modo
definita. E' anche chiaro che al paziente può essere utili sia direttamente
(con dispositivi che egli è in grado di utilizzare) che indirettamente
(facilitando il medico nei suoi compiti di sintesi dell'informazione che di
3
1 Assistenza e tecnologia
volta in volta può essere rilevante ai fini diagnostico-terapeutici).
Anzi, potremmo sostenere che il concetto di utilità in questo caso
presuppone una collaborazione ideale prima che pratica tra il paziente, il
medico specialista (che in genere stabilisce le linee principali della terapia
e la diagnosi) ed il medico generale o generalista che provvede alla tutela
della salute del suo paziente. In conclusione definiremo come utile un
sistema informatico che trova i tre principali partner consenzienti nella
valutazione del sistema in uso.
Accettato il principio che un sistema informatico debba risolvere un
problema nel suo insieme, se ne deve derivare anche il fatto che tale studio
non possa che essere il risultato di una iniziativa multi-disciplinare. E'
inevitabile infatti che la qualità delle competenze sia garantita dalla
presenza nel gruppo di lavoro di specialisti e che questi debbano imparare
a collaborare non solo in discipline quali l'informatica, l'elettronica, la
teoria dei sistemi, dei controlli, della meccanica e della meccatronica, dei
materiali, ecc... (cioè le discipline tradizionalmente riferite alla
bioingegneria), ma anche ai medici specialisti nei settori di competenza, lo
psico e fisio-terapista, competenze nei vari settori della ingegneria della
riabilitazione, e l'esperto di design industriale che curi gli aspetti globali
legati alla delicata e critica relazione tra estetica, gradevolezza, ergonomia
e facilità d'uso.
Tale team di progetto deve dunque aggregarsi attorno ad un problema di
rilievo, appunto quanto ad utilità per la collettività, l'individuo, ecc. Tra i
principali problemi non ancora risolti, suscettibili di costituire un notevole
risparmio (utilità per la collettività), migliorare le condizioni di lavoro e
l'efficacia dell'attività del medico, e rendere meno gravoso e meno
suscettibile di errore la cura della salute del paziente, vanno considerati
quei casi in cui la patologia grave, e ancora compatibile con la vita, purché
accuratamente sorvegliata e curata.
Finalmente questa razionalizzazione del problema ci porta a concludere
che: Un intervento di assistenza tecnologica deve essere utile, deve
affrontare un problema nella sua interezza, deve poter contare su una
collaborazione di una equipe multidisciplinare appropriata al problema,
4
1 Assistenza e tecnologia
deve essere disponibile anche in versioni per home-care ed eventualmente
personalizzate sul singolo paziente deve quindi essere di provata efficacia
ed efficienza per risultare davvero utile nel risolvere il problema
diagnostico-terapeutico che si pone.
In definitiva, non esistendo nessun dispositivo sufficientemente affidabile
gestire la salute di una persona, si conclude che la componente intelligente
della strumentazione dovrà essere in grado di utilizzare la presenza del
paziente come tutore della qualità dell'analisi. Tutto questo naturamenle
dovrà avvenire con la piena consapevolezza e collaborazione del paziente
stesso.
1.3 Una nuova
tecnologica
proposta
per
l'assistenza
Per dare una risposta alle varie raccomandazioni emerse nei paragrafi
precedenti è necessario concepire un sistema globale capace di gestire in
maniera semplice e sicura il supporto all'assistenza.
Tra lo studio dei molti elementi che compongono il sistema pensiamo che
la priorità debba essere concentrata sui dispositivi e le procedure che
riguardano i singoli individui.
L'obiettivo di questo studio è quindi la definizione di principi di progetto
per un sistema portatile che possa aiutare persone con impedimenti dovuti
a traumi, malattie o età tramite un sistema che ne consenta l'analisi dello
stato di salute in maniera interattiva. La tecnologia può anche favorire
l'indipendenza di queste persone permettendo di praticare interazione
sociale autonoma, integrando ausili per la comunicazione all'interno del
sistema stesso.
Varie esperienze mostrano come il successo di un dispositivo di assistenza
dipenda non solo dal sistema stesso ma anche dalla cooperazione fra il
paziente ed il personale di assistenza. Queste osservazioni ci hanno
condotto a introdurre il concetto di “ambiente” come entità scalabile che
include questi fattori che influenzano ll comportamento umano e le
5
1 Assistenza e tecnologia
condizioni di salute. Sono queste le considerazioni che forzano lo sviluppo
di nuovi dispositivi, un nuovo sistema di fornitura dell'assistenza, un nuovo
ruolo per il paziente e l'atteggiamento verso le sue condizioni.
Molti elementi di queste linee guida saranno considerati nei prossimi
paragrafi. Queste copriranno il concetto di paziente come centro del
sistema, la proposta di nuove modalità per gestire l'assistenza all'utente, e il
concetto di ambiente come strumento per standardizzare tutto il progetto.
1.3.a
Approccio per Ambienti
Abbiamo provato a impiegare un nuovo approccio per ottenere un modo
semplice di associare correttamente dispositivi e pazienti.
La parte di dati non riferibile ai segni vitali e combinata con dati di
contesto chiamata è chiamata “ambiente”. Possiamo così pensare come
una sorta di gerarchia di ambienti possa adattarsi alle diverse situazioni.
Una struttura ad ambienti come questa può rappresentare il sistema globale
di servizi distribuiti in un modo standardizzabile. Possiamo inoltre
associare questa struttura alla rete di comunicazione che permette di
connettere paziente, personale di assistenza, medici ed ospedale.
La struttura proposta, con tre ambienti e la relativa associazione a livello di
rete, è quindi del tipo:
1. Ambiente intra-paziente– Personal Area Network
2. Ambiente domestico– Local Area Network
3. Ambiente società – Wide Area Network
dove:
●
●
6
Ambiente intra-paziente rappresenta il paziente stesso e i dispositivi
che “indossa” o usa direttamente. In caso di malattia o disabilità si
riferisce alla strumentazione personale e ai dispositivi di
riabilitazione e assistenza.
Ambiente domestico è relativo ai dispositivi e alle persone che
operano per il intorno al paziente. Con ambiente domestico non
intendiamo solo il domicilio ma in generale l'ambiente circostante il
paziente in ogni situazione, comprendendo quindi, ad esempio, lo
1 Assistenza e tecnologia
studio medico nel periodo delle visite o l'ospedale in caso di
ricovero. In questo ambiente sono incluse le interazioni con coloro
che si occupano della salute del soggetto, ad esempio familiari,
personale infermieristico, medici generali e specialistici.
Ambiente società è definito per coprire tutta le rete di assistenza che
supervisiona da remoto il paziente. In questo ambiente sono
racchiuse non solo le infrastrutture tecniche e tecnologiche ma
anche il personale di supporto. A questo gruppo appartengono
quindi i centri di ascolto, gli operatori e i medici specialistici
reperibili.
P.A.N.
(Personal Area Network)
STRUMENTAZION
E ON BOARD
(PAZIENTE)
Personalizzazione
Acquisizione e
trasferimento dati
PC LOCALE
ATTORE:
paziente
B.A.N.
(Body Area Network)
so
ci
et
à
bi
en
te
Am
Pa
z
te
bi
en
Am
ATTORI:
familiari, personale di
assistenza
W.A.N.
(Wide Area Network)
ATTORI: medico
curante, specialisti
ie
nt
e
A
d o mb
m ie
(c est nte
as ic
a) o
Pre-elaborazione,
estrazione parametri
fondamentali,
Elaborazione,
Registrazione, allarmi,
interazione,
trasmissione
gestione allarme,
elaborazioni offline, datamining
L.A.N.
(Local Area Network)
(a Am
m bi
bu en
la te
to d
rio om
/ r es
ic tic
ov o
er
o)
●
TERRITORI
SERVER REMOTO
(Centrale di ascolto)
Elaborazione,
ATTORI:medico di elaborazioni offguardia, comunità line, datamining
scientifica, strutture
ospedaliere, ecc.
Figure 1.1: Gerarchia ambienti
Si va rivelando sempre più utile sfruttare dati contestuali per migliorare la
corrispondenza fra segni e malattie, infatti nel percorso dal segnale grezzo
7
1 Assistenza e tecnologia
alla matrice di dati MD1 (vedi Tabella 2 pagina 93) non è smepre
giustificata del tutto dai parametri estratti. Poiché il medico è interessato
soprattutto ad una valutazione globale, in tale percorso può essere utile
inserire una forma di analisi esplorativa che consenta di puntare
l'attenzione su alcune situazioni anomale.
1.3.b
Un ruolo attivo per il paziente
All'interno di questo paradigma il paziente assume un ruolo centrale,
divenendo un attore del processo di gestione del proprio stato di salute e
non più una mera “sorgente di segnali”.
Questa considerazione prende spunto anche da alcune ipotesi sviluppatesi
all'interno del laboratorio BIM in seguito all'esperienza accumulata negli
anni passati.
Il sistema di monitoraggio come uno specchio dello stato di salute:
un malato cronico ha un feedback naturale riguardo il proprio stato dovuto
alle proprie sensazioni. Queste possono però essere influenzati da stimoli
esterni non correlati con la patologia principale come ad esempio l'umore,
o altre patologie concomitanti. Influenze esterne possono portare ad errate
percezioni dell'evoluzione del decorso. In questa ottica uno strumento che
informa il paziente sull'effettivo andamento della patologia, evitando di
allarmare il soggetto può contribuire a migliorare la qualità della vita del
paziente e la spesa sanitaria, evitando stati inutili di ansia e ricoveri non
necessari.
● Accettazione della terapia:
è esperienza comune che i pazienti non sempre seguano correttamente la
terapia indicata. Il fatto che il paziente spesso non veda un effetto
immediato in questi casi, rafforza la convinzione che la terapia possa
essere “interpretata” personalmente. Qualora l'effetto della terapia sia
misurabile strumentalmente, la disponibilità di un feedback di questo tipo
può incentivare il paziente a seguire la terapia con maggiore cura.
●
8
1 Assistenza e tecnologia
Riduzione degli errori in medicina:
il problema degli errori medici è una questione emergente in medicina.
É probabile che non ci siano attualmente più errori adesso che in passato,
ma ci sia probabilmente una maggiore coscienza da parte dei pazienti e dei
familiari del fatto che i dottori possono commettere errori. C'è inoltre un
differente approccio da parte dei mass media e della legge tendente a
rilevare e sanzionare gli errori, cercando di diminuirne il numero.
La lotta agli errori in medicina è realizzata soprattutto studiando le cause e
i modi in cui gli errori avvengono. Il passo successivo è identificare
procedure che tendano a minimizzare le possibilità che queste cause si
manifestino, o rilevare errori prima che questi conducano a serie
conseguenze. Un modo per evitare danni gravi è l'identificazione
prematura degli errori, che può essere effettuata dalla persona che sta
commettendo l'errore o da un terzo.
Il monitoraggio dei segnali biomedici può permettere al medico di rilevare
e correggere errori e anomalie. Se inoltre permettiamo al paziente di capire
qual'è il proprio stato di salute, e di capirne l'evoluzione rispetto a certi
obiettivi fissati, questo può allertare il medico curante circa eventuali
incongruenze.
● Miglioramento nella qualità dei dati:
chi ha avuto a che fare con lo studio di segnali biomedici si sarà
probabilmente scontrato col problema della qualità dei dati. Dati mancanti,
o errati (ad esempio a causa di un errato posizionamento di un captatore)
sono molto frequenti negli archivi di dati annotati, e ancora più probabili
quando si ha a che fare con segnali provenienti da pazienti in monitoraggio
continuo. Quando i dati sono interpretati da personale medico, spesso gli
errori nei dati vengono rilevati al momento dell'acquisizione. Una volta
eliminata la causa che ha provocato l'errore, si può procedere, se necessario
ad una nuova acquisizione.
Ovviamente nel caso di registrazione di dati e di estrazione automatica di
informazione in tempo reale, il problema si complica, poiché non c'è, di
solito, nessuno in grado di rilevare tempestivamente l'errore e ancor meno
di eliminarne le cause. In questo caso si possono avere grandi periodi di
●
9
1 Assistenza e tecnologia
dati inutili (fatto relativamente frequente nel caso di monitoraggio holter)
oppure, nel caso si applichi un sistema automatico per il riconoscimento di
situazioni di rischio, la possibilità di generare falsi allarmi o di non
funzionamento degli algoritmi di rilevazione.
Per risolvere almeno una parte di questi problemi è possibile ricorrere alla
collaborazione dell'utente. Riuscendo ad identificare le possibili cause di
guasto, è possibile suggerire all'utilizzatore possibili soluzioni (ad esempio,
nel caso di un elettrodo ECG fuori sede si può chiedere all'utente di
ricollocare l'elettrodo correttamente).
In quest'ottica la possibilità per il paziente di avere una semplice
rappresentazione dei dati acquisiti può fornire un ulteriore incentivo a
mantenere una buona qualità dei dati, essendo egli in grado di verificare
con i propri occhi il degrado costituito dagli errori di acquisizione.
● Acquisizione di informazioni contestuali
Una buona interazione col paziente può permettere inoltre di reperire
informazioni contestuali, relative ad esempio al tipo di attività svolta in
occasione di un certo evento. Grazie ad un sistema di rilevazione delle
variazioni dello stato del paziente è possibile richiedere queste
informazioni solo quando necessario.
Queste considerazioni sul ruolo attivo del paziente sono solo ipotesi, per
quanto ragionevoli. Nell'attesa di trovare conferma in studi estensivi che
prevediamo di iniziare qualora riuscissimo a reperire fondi sufficienti,
ipotizziamo valide queste considerazioni nel definire le specifiche del
sistema che andiamo a progettare e realizzare.
1.3.c
Procedure per l'analisi dei dati
Allo stato attuale, nonostante la disponibilità di potenza di calcolo
facilmente reperibile a costi contenuti, non sembra vicina la realizzazione
di un sistema capace di effettuare automaticamente una diagnosi completa
a partire dai dati di un paziente. Il corpo umano è probabilmente troppo
complesso, e le variabilità inter-individuali troppo grandi, per realizzare un
modello gestibile da un computer allo scopo di realizzare una diagnosi
10
1 Assistenza e tecnologia
affidabile. Mentre la ricerca in questo campo continua ad avanzare (ad
esempio il progetto Virtual Physiological Human [VPH] sostenuto dalla
comunità europea o altri omologhi attivi in altre nazioni), la responsabilità
della cura resta al medico, che deve usare la sua esperienza e le sue
conoscenze per gestire le informazioni disponibili.
Un ruolo ormai assodato per la tecnologia in medicina è il supporto alla
decisione. I sistemi automatici sono capaci di gestire grandi moli di dati e
fornire informazioni ai medici (si pensi ad esempio al calcolo della
frequenza cardiaca). Molti sistemi oggi forniscono informazioni o indici
basati su elaborazioni su singoli segnali o combinazioni di questi (ad
esempio i monitor di corsia nelle unità di cura intensiva che sono in grado
di segnalare certi allarmi qualora alcuni valori oltrepassino una soglia
impostata).
Un settore emergente in medicina è l'analisi multivariata di dati. Si tratta di
tecniche, correntemente utilizzate in altri campi (economia, biologia..) che
permettono di “unire” dati da fonti diverse per estrarre informazioni non
direttamente accessibili dall'analisi di una unica fonte. Spesso viene fornita
una rappresentazione grafica per permettere all'operatore umano di
interpretare i dati calcolati. Queste tecniche possono essere impiegate in
campo medico, dove normalmente gli specialisti utilizzano certe regole per
tener conto di dati diversi, spesso sulla base di relazioni note a priori.
Un'analisi esplorativa può consentire un approccio più generale,
permettendo di scoprire nuove relazioni fra i dati.
I dati elaborati possono esere usati anche da sistemi automatici per fornire
informazioni agli utenti (ad esempio tecniche di clustering possono essere
usare per determinare similarità fra gruppi di soggetti o situazioni). Un
monitoraggio continuo a lungo termine, con la conseguente disponibilità di
dati relativi all'evoluzione dello stato di salute di uno stesso paziente, Può
agevolare questo tipo di studi.
Le prospettive attese da questo tipo di analisi sono quindi:
● La possibilità di fornire al medico un metodo semplice di gestire
dati multidimensionali in maniera compatta e facilmente
11
1 Assistenza e tecnologia
●
●
interpretabile, al fine di estrarre informazioni qualitative o
quantitative.
Uso dell'analisi esplorativa multivariata per identificare relazioni
nascoste nei dati originali. L'identificazione di queste relazioni
possono servire a una migliore interpretazione dei meccanismi
fisiologici e a sviluppare nuove metodologie per la diagnosi.
Queste tecniche possono essere utilizzate anche per verificare teorie
biomediche ad esempio evidenziando relazioni causa-effetto.
Osserviamo infine che la disponibilità di un metodo che consenta di
riassumere una quantità di segnali sotto forma di un unico (o pochi) indice
permetterebbe anche ad un utente non esperto, come il paziente stesso o i
suoi familiari, di comprendere quella che sia la “misura” del proprio stato
di salute.
1.3.d Sintesi delle caratteristiche principali
richieste da un dispositivo per l'Assistenza
Tecnologica
Queste considerazioni sono basate sull'esperienza maturata nel Laboratorio
BIM negli anni precedenti. Questa tesi e questo progetto sono un tentativo
di riassumere alcune di queste esperienze in un sistema per l'assistenza
tecnologica (Assistive Technology), capace di acquisire dati dal paziente e
supportare la comunicazione e favorire l'accesso alle informazioni
all'utente ed al medico.
Usualmente per AT si intende un dispositivo atto a promuovere una
migliore indipendenza a persone con disabilità. Utilizziamo questo termine
in una accezione più estensiva, pensando come disabilità qualunque
mancanza di capacità potenziali di interazione o comunicazione. In questo
modo possiamo intendere come dispositivo per l'Assistenza Tecnologica
anche un sistema che permette una più facile interazione con un PC ad una
persona anziana, o una maniera semplice di presentare dati complessi a un
medico specialista o a un ricercatore. Estendiamo cioè la categoria
12
1 Assistenza e tecnologia
dell'Assistive Technology anche ai sistemi per la sorveglianza dello stato di
salute in ambito domestico, in particolare quando questi siano dotati di
appositi sistemi per semplificare l'accesso alle informazioni e l'interazione.
Poiché questi sistemi possono essere applicati ad una vasta gamma di
diversi problemi e patologie, un requisito fondamentale è la
personalizzabilità, che si ottiene sia avendo a disposizione un ampio
numero di soluzioni diverse fra cui scegliere la più opportuna, sia tramite
dispositivi standard le cui funzioni possano essere scelte secondo il caso in
esame, sia con una combinazione di entrambi.
In questa tesi punteremo l'attenzione sul problema della sorveglianza
continua dello stato di salute in ambito domestico, tramite il progetto di un
sistema per l'acquisizione e l'accesso ai dati biomedici. In realtà il sistema è
in grado di integrare funzionalità per l'aumento delle capacità comunicative
(in particolare riferimento a utenti diversamente abili), ottenibili tramite
sensori esterni e opportuni software applicativi. Il sistema hardware UPAD
usato per l'acquisizione dei segnali può integrare vari sensori fra quelli
sviluppati all'interno del BIM Lab in questi anni o reperibili in commercio.
L'ampio margine dei personalizzazione permette di utilizzare lo stesso
dispositivo per monitoraggio di segnali biologici e per interfacciare
dispositivi di comunicazione. Tralasciamo comunque la trattazione di
queste ultime poiché di minore interesse ingegneristico.
Possiamo quindi definire alcune delle caratteristiche principali del sistema.
Per chiarezza facciamo riferimento ad un caso particolare (un paziente,
presumibilmente anziano, che ha bisogno di un monitoraggio domestico
per malattie cardiorespiratorie), anche se queste considerazioni sono valide
in generale.
● Il sistema deve essere semplice da usare;
● deve fornire dati biomedici affidabili, anche in continuo se
necessario;
● l'interazione con l'utente deve essere più semplice possibile;
● il sistema deve gestire se possibile errori nei dati;
13
1 Assistenza e tecnologia
●
14
deve essere economico.
2 Metodi di analisi basati sulle tecniche di ordinamento
2 Metodi di analisi basati sulle
tecniche di ordinamento
2.1
Introduzione, descrizione generale
Il divario fra il livello della tecnologi e della strumentazione clinica non si
è ridotto particolarmente col passare del tempo. Possiamo osservare infatti
come di solito un medico non sia abituato a sfruttare totalmente le
caratteristiche disponibili negli strumenti sempre più complessi a sua
disposizione. Stiamo assistendo quindi al tentativo da parte dei produttori
di strumentazione medica di fornire sempre più possibilità di indagine ed al
contempo semplificare l'accesso ai medici alle varie funzioni disponibili.
La disponibilità di un numero sempre maggiore di dati provenienti dai vari
esami che vengono prescritti ad un singolo paziente sta facendo emergere
la necessità di introdurre anche in ambito medico metodi di analisi
multivariata.
Da questo punto di vista, caratteristiche interessanti sono la capacità di
ridurre la dimensionalità del set di dati e la possibilità di gestire dati
disomogenei. Si riconoscono almeno i seguenti tipi di dati:
● Dicotomici: tipo presenza / assenza, di essi si può solo constatare se
in un'osservazione si manifestano o no.
● Qualitativi: i caratteri presentano modalità differenti, senza alcuna
relazione fra di esse.
● In scala: le modalità sono dotate d’un ordine totale.
15
2 Metodi di analisi basati sulle tecniche di ordinamento
Quantitativi discreti: le modalità sono dei numeri interi, in quantità
limitata.
● Frequenze: la modalità corrisponde al numero di elementi che sono
rilevati.
● Quantitativi continui: vere e proprie misure.
In medicina può capitare di avere a che fare con dati disomogenei ad
esempio avendo le informazioni anamnestiche, dati di cartella e segnali
campionati.
●
La catena di elaborazione può essere schematizzata come segue:
Signal Pick-Up
Pre-processing
analisi
Elab. analogica
Estraz. parametri
Conversione A/D
Dati contestuali
Conversione
in dati omogenei
Esplorazione
eventi
Definizione eventi
classificazione
classificazione
Figure 2.1: Catena di elaborazione nel caso di classificazione con analisi esplorativa e
dati non omogenei
Questa catena implica la disponibilità di una opportuna interfaccia per
l'analisi esplorativa dei dati (Exploratory Data Analysis - EDA) fino a
giungere alla classificazione richiesta.
16
2 Metodi di analisi basati sulle tecniche di ordinamento
In questo ambito un ruolo principale è giocato dalle cosiddette “tecniche di
ordinamento” data la loro tendenza ad ordinare le variabili oggetto di
studio (o una loro trasformazione) secondo certi criteri che rendano più
semplice l'interpretazione del fenomeno in esame.
Possiamo separare due approcci principali, uno basato su l'analisi di dati
numerici quantitativi, l'altro che fa uso di dati categorici qualitativi. Questi
approcci, sviluppati presso vari gruppi di ricerca, possono essere riferiti
principalmente ai lavori di Benzecri (analyse des corrispondences), Joliffe
(I. T. Joliffe. Principal Component Analysis. Springer-Verlag, 1986), e
Greenacre (unificazione delle orientation techniques), ed infine il lavoro di
Gifi sulla cosiddetta Homogeneity Analysis allo scopo di giungere ad una
base teorica comune.
Questi metodi rientrano nella più ampia famiglia dei metodi di analisi
esplorativa dei dati (EDA, Exploratory Data Analysis).
2.2 Variabili
categoriche:
Analisi
corrispondenze multiple (MCA)
delle
L’Analisi delle Corrispondenze Multiple fu introdotta negli anni 70 da
Benzecri, per lo studio di tabelle di contingenza generate dall’incrocio di
due variabili qualitative (Analisi delle Corrispondenze Semplice). In
seguito fu estesa ai casi con un numero qualsiasi di variabili (Analisi delle
Corrispondenze Multiple).
E’ un’analisi di tipo fattoriale, che ha come scopo quello di individuare
dimensioni soggiacenti alla struttura dei dati, dimensioni intese a
riassumere l’intreccio di relazione di “interdipendenza” tra le variabili
originarie.
L’Analisi delle Corrispondenze Multiple, o MCA, può essere introdotta in
molti modi. Uno di questi può essere quello di introdurre l’Analisi delle
Corrispondenze Semplice, e poi applicarla a più variabili.
17
2 Metodi di analisi basati sulle tecniche di ordinamento
2.2.a
Analisi delle Corrispondenze Semplice
Il punto di partenza di questa analisi è la compilazione di una tabella di
contingenza che incrocia una variabile riga (A) e una variabile colonna (B).
In particolare nella variabile riga vengono poste le osservazioni, mentre in
quella colonna appaiono le categoria alla quale ciascuna osservazione
appartiene.
Dalla Tabella di Contingenza vengono ricavate le matrici dei profili-riga e
profili-colonna nel modo seguente:
A questo punto viene valutata la dispersione dei profili riga e profili
18
2 Metodi di analisi basati sulle tecniche di ordinamento
colonna rispetto al loro “centro di gravità” (o centroide), utilizzando la
metrica del Chi-quadro:
(r − r ) 2
X 2 = ∑ ni di2 = ∑ ni ∑ ij j
rj
i
i
j
X =
2
∑
j
njd =
2
j
∑ n∑
(cij − ci ) 2
j
j
ri
i
La variabilità totale presente nella matrice dei dati viene denominata
inerzia. Essa è proporzionale al Chi-quadro calcolato sulla tabella di
partenza:
X2
Inerzia =
n
Vengono poi estratti degli assi fattoriali, ortogonali tra loro, ciascuno dei
quali spiega, in ordine decrescente, il massimo della variabilità della
matrice dei dati.
Esiste un numero massimo di fattori estraibili (k), dato dal minimo tra il
numero di modalità riga e colonna meno uno.
Il numero di fattori da considerare è determinato dalla rilevanza dei fattori
stessi, ovvero dalla grandezza del loro contributo alla spiegazione
dell’inerzia totale.
La quota di inerzia spiegata da ciascun fattore è proporzionale
all’autovalore associato al fattore stesso:
λi
λi
IS ( Fi ) =
=
INERZIA ∑ λ i
i
L’origine degli assi è il centro di gravità della nuvola di punti; tanto più gli
elementi, riga o colonna, sono lontani dall’origine, tanto più i loro profili
sono lontani da quello marginale [Paoletti06].
19
2 Metodi di analisi basati sulle tecniche di ordinamento
Figure 2.2: Esempio di distribuzione degli assi nella
MCA
Per interpretare il significato dei fattori, più delle coordinate fattoriali, si
utilizzano alcuni indicatori che permettono di valutare l’importanza che
ogni modalità (riga o colonna) riveste nella formazione degli assi fattoriali:
•
Il contributo assoluto, rappresenta la parte di inerzia totale del
fattore spiegata dalla modalità in esame
•
Il coseno quadrato, o contributo relativo, che permette di valutare il
contributo che un certo fattore fornisce alla spiegazione della
variabilità della modalità
2.2.b
Analisi delle Corrispondenze Multiple
Le struttura di dati che si trattano sono di solito formate da tabelle n × m ,
dove n rappresenta il numero di osservazioni e m il numero di categorie,
dove la variabile j ha k j categorie.
Nel caso finito, ciascuna variabile è codificata in m matrici indicatore G j ,
dove G j è una matrice binaria n × k j con esattamente un elemento diverso
da zero per ciascuna riga, che indica a quale categoria la variabile j
appartiene.
m
K
=
La matrice n × K , con
∑j = 1 k j ,G, composta dalle varie colonne G j , è
chiamata matrice indicatore, o Tabella Disgiuntiva
Uno dei modi classici di definire la MCA è l’applicazione dell’Analisi
delle Corrispondenze Singole alla Tabella Disgiuntiva
Si definisce innanzitutto la Matrice di Burt, in cui le modalità riga
20
2 Metodi di analisi basati sulle tecniche di ordinamento
corrispondono alle modalità colonna:
La Matrice di Burt, B, è collegata alla Tabella disgiuntiva, Z, come:
B = ZT Z
La matrice di Burt, nel nostro caso, è una matrice di 5x5 blocchi, con 25
sottomatrici.
Un modo alternativo per definire la MCA è quello di applicare l’Analisi
delle Corrispondenze Singole alla Matrice di Burt.
La relazione che intercorre tra le due definizioni alternative è la seguente:
•
In entrambi i metodi di analisi le coordinate standard delle
categorie sono identiche. Questo è diretto risultato della (1.1)
•
Inoltre, come risultato della (1.1), le inerzie principali dell’analisi di
Burt sono i quadrati di quelle con la tabella disgiuntiva
Nella MCA possiamo distinguere due tipi di variabili:
•
Attive, cioè quelle che entrano direttamente nell’analisi,
concorrendo alla formazione degli assi fattoriali (q);
•
Supplementari o Illustrative, cioè variabili di tipo “passivo” che
sono escluse dalla fase di estrazione dei fattori, ma si utilizzano
successivamente considerando la loro posizione sugli assi fattoriali
come ausilio per la loro interpretazione.
Se si indica con p il numero di categorie, si può definire la quantità:
(q − p)
Inerzia =
p
Vengono estratti degli assi fattoriali, ortogonali tra loro, che spiegano
ciascuno, in ordine decrescente, il massimo della variabilità della matrice
21
2 Metodi di analisi basati sulle tecniche di ordinamento
dei dati (inerzia).
Il numero massimo di fattori estraibili è pari al numero di categorie, meno
il numero di variabili attive. I fattori da considerare si determinano in base
alla loro rilevanza, ovvero alla quota di inerzia totale che spiegano.
L’autovalore, e quindi il fattore ad esso associato, diviene insignificante
quando esso risulta inferiore ad un valore calcolato come 1/p.
Per interpretare il significato degli assi fattoriali, si utilizzano i seguenti
indicatori [Paoletti06][Bruce01]:
•
La massa, ovvero la frequenza relative della categoria rapportata al
numero di variabili attive
•
Il contributo assoluto e il contributo relativo (coseno quadrato)
Poiché ogni osservazione viene rappresentata con un punto nello spazio
trasformato, al fine di semplificare l'interpretazione grafica può essere utile
diminuirne il numero. Nel caso di parametri che abbiano un'evoluzione
relativamente lenta (ad esempio nell'analisi delle modificazioni
morfologiche all'insorgere di episodi ischemici) possiamo accorpare i dati
relativi a più cicli cardiaci successivi in un'unica osservazione
corrispondente alla media o alla mediana dei parametri dei singoli battiti.
2.2.c
Categorizzazione dei dati
Poiché l'analisi MCA è applicabile a dati categorici, visto che molti dati
biomedici sono di tipo continuo, è necessaria un'operazione di
categorizzazione ottenuta dividendone il range di variabilità in un numero
limitato di sezioni.
Si noti che per mantenere tempi di calcolo “ragionevoli” dobbiamo usare
un numero abbastanza basso di categorie per le variabili che utilizziamo.
Fra le varie tecniche di categorizzazione le due usate più di frequente sono
quelle dette a intervalli costanti (il range viene diviso in intervalli di eguale
ampiezza), e a frequenza costante (facendo in modo che la numerosità dei
campioni sia uguale fra i vari intervalli).
Queste tecniche, valide in molte applicazioni, non i sembrano adatte nel
caso di segnali biomedici, infatti operiamo di solito in presenza di una
condizione di “normalità”, diversa da paziente a paziente, e alcune
22
2 Metodi di analisi basati sulle tecniche di ordinamento
possibili situazione di anomalia. In questo caso ci aspettiamo una grande
quantità di dati nella zona di normalità, e un piccolo numero di dati anche
molto distanti da questi (anomalie). Sussiste inoltre la possibilità che
all'interno di una sessione di monitoraggio il paziente rimanga sempre in
una condizione di normalità.
Se usassimo una categorizzazione a frequenza costante, nel primo caso
otterremmo molte categorie nella zona di normalità, mentre le zone di
anormalità sarebbero coperte da un'unica categoria, perdendo capacità di
discriminare situazioni diverse. Il problema potrebbe essere risolto usando
un approccio a intervalli costanti, ma nel secondo non si verifichino
episodi anomali la zona di normalità verrebbe comunque suddivisa in varie
categorie diverse, mentre in realtà dovrebbe essere rappresentate solo dalla
categoria “normali”.
Abbiamo lavorato sui dati in nostro possesso (ECG da sforzo), elaborando
un nuovo metodo di categorizzazione. Tenendo conto che un ECG da
sforzo è caratterizzato da una prima parte a riposo (o a basso carico), una
fase centrale dove viene effettuato l'esercizio alla massima potenza, ed una
terza parte di “recupero”, abbiamo cercato di usare la prima sezione come
riferimento per l'operazione di categorizzazione. La registrazione è di
solito circa 15', ogni fase dura circa 5', ed eventuali modificazioni (ad
esempio slivellamenti nel tratto ST dovuti ad episodi ischemici) sono
presumibilmente localizzati prevalentemente nella seconda fase.
s cala := floor
rows ( Picco ) 
5.655

 rows ( seg ) 
showcont
6
4
show1cont− seg0
seg cont ⋅ 1
44
2
− .5 0
0
0
100
200
300
400
500
600
700
800
cont
900
1000
1100
1.05× 10
3
s cala = 38
Figure 2.3: esempio di categorizzazione per il parametro maxT. I punti fini rappresentano
la misura relativa ad un ciclo cardiaco, la linea la media mobile, i punti massicci la
categorizzazione di 30 secondi di tracciato.
Per effettuare la categorizzazione viene ricavata media e deviazione
standard del primo tratto, allo scopo di definire un “range di normalità”.
23
2 Metodi di analisi basati sulle tecniche di ordinamento
Vengono inoltre definiti ulteriori range per valori maggiori ed inferiori,
della stessa ampiezza. In questo modo, nel caso si presenti un paziente che
non mostri anomalie durante il test, i dati continueranno a ricadere nella
zona di normalità. Nel caso i valori durante una crisi si discostino
eccessivamente dalla situazione di normalità, richiedendo la creazione di
troppe categorie, queste ultime vengono “riscalate” (incrementate di
ampiezza) in modo da mantenerne il numero scelto in partenza.
Effettuiamo cioè una categorizzazione “ampiezza costante” nel caso i
campioni escano dagli intervalli calcolati a partire dalla situazione di
riposo. Poiché in alcuni casi una variazione in aumento o diminuzione
rispetto alla normalità di uno stesso parametro può avere significati
fisiologici ed andamenti dinamici diversi, nel caso di riscalatura degli
intervalli si è scelto di effettuare due diverse riscalature.
Al fine di facilitare il lavoro del medico, che nel grafico MCA può trovare
una serie di punti relativi alle osservazioni, plottati insieme alle posizioni
delle categorie, abbiamo scelto di associare ad ogni categoria un'etichetta
numerica corrispondente alla differenza fra il valore a riposo e il punto
medio dell'intervallo di valori. In questo modo il medico, vedrà sul grafico
in direzione dei punti relativi alle osservazioni, il valore dei parametri
corrispondenti alle categorie.
Questo metodo di categorizzazione, non lineare, permette di gestire sia il
caso di dati che rimangono vicini alla situazione di normalità, sia in
occasione di ampie variazioni rispetto a questa, mantenendo informazioni
riguardo le variazioni di ampiezza.
2.3 Variabili
numeriche:
Component Analysis
Principal
L’analisi PCA consente di ridurre la dimensione dello spazio nel quale
viene rappresentata la popolazione d’interesse, cercando di minimizzare la
perdita di informazione che deriva dal processo di riduzione. Per il calcolo
PCA viene utilizzata la trasformata di Karhunen-Loewe (più
24
2 Metodi di analisi basati sulle tecniche di ordinamento
semplicemente detta KL). Si può introdurre l’utilizzo delle componenti
principali mediante due diversi approcci, uno di tipo statistico, l’altro di
tipo geometrico; questa distinzione è da intendersi in termini formali al
solo fine di spiegare il metodo.
Nell’approccio statistico la popolazione di interesse può essere costituita
da un numero p di unità di qualsiasi natura purché descrivibili da un
numero finito n di variabili quantitative. Da un punto geometrico le p unità
possono essere pensate come punti di uno spazio Rn. Le variabili
divengono quindi le coordinate di questi punti nello spazio. L’utilizzo delle
componenti principali permette di ridurre il numero delle variabili in gioco
al fine di descrivere le unità costituenti la popolazione, operando di fatto
una riduzione della dimensione dello spazio dei parametri.
Diminuendo il numero delle variabili attraverso le quali i nostri punti
vengono individuati si corre il rischio di perdere le relazioni che esistono
tra gli individui stessi. Sostituendo alle n variabili di partenza un numero
q, inferiore a n, di nuove variabili (dette PCA), combinazioni lineari delle
variabili originali, dobbiamo fare in modo che queste q variabili
rappresentino il più fedelmente possibile le p unità iniziali. Per far ciò si
cercano gli assi che massimizzano la varianza delle proiezioni dei punti su
loro stessi. La trasformata KL consente dunque di ottenere nuove variabili,
dette componenti principali, tra loro scorrelate e ordinate in modo che le
prime componenti assorbano la maggior parte della varianza presente nelle
variabili originali.
Si dimostra che una base ortonormale adatta a dar luogo a questi nuovi assi
di riferimento è costituita dagli autovettori associati agli autovalori della
matrice di covarianza ottenuta dalla matrice M originaria dei dati. Le righe
della matrice M dei dati costituiscono gli elementi della popolazione o
unità, le colonne rappresentano le variabili che descrivono le unità.
Nel caso in cui si abbiano p individui descritti da n variabili la matrice M
sarà dunque così composta:
25
2 Metodi di analisi basati sulle tecniche di ordinamento
 x1 , 1 x1 , 2


M := 


x
 p, 1







x
p, n 
x
1, n
Successivamente procediamo con il calcolo di un vettore media, le cui
componenti sono le medie calcolate sulle colonne di M:
µ
T
:= ( µ 1 , µ 2 , , , µ p )
Calcoliamo poi la varianza relativa alle colonne di M (Xj e la j-esima
colonna di M):
2
Var( X ) := E X − µ j 
j
 j

(
)
Calcoliamo poi matrice Σ di covarianza
(
)(
)
σ i , j := E X − µ i X − µ j 
j
 i

 σ 1 , 1 σ 1 , 2

Σ := 


 σ n, 1

σ 1, n 





σ n , n 
A questo punto non rimane che ricavare gli autovalori della matrice Σ,
ordinarli e calcolare gli autovettori associati. Gli autovettori ottenuti
rappresentano la base ortonormale cercata.
Se con a indichiamo gli elementi della matrice costituita da questi
autovettori (colonne) otteniamo la trasformazione cercata:
26
2 Metodi di analisi basati sulle tecniche di ordinamento
Y := a
j
⋅X + a
i, j
1
⋅ X + ........ + a
2, j
2
⋅X
p, j
p
Occorre notare che dopo aver effettuato la trasformazione abbiamo
comunque ancora n variabili ordinate in merito alla varianza da esse
assorbita. Nel ricostruire gli individui elimineremo dunque le componenti
che si riferiscono a valori di varianza minori. In effetti una difficoltà
nell’uso della trasformata KL è data dalla scelta delle dimensioni dello
spazio ridotto dei parametri e dalla definizione di quante siano le variabili
primarie rilevanti ai fini dell’analisi. Il primo problema si può affrontare in
vari modi [Joliffe86] in relazione ai diversi contributi della varianza. Il più
usato consiste nel valutare l’entità di varianza (tk) assorbita dalle prime k
componenti:
k
tk = 100 ⋅
∑
λ
j
∑
λ
j
j= 1
p
j= 1
Dove con λ si indicano gli autovalori della matrice di autocorrelazione (o
di covarianza).
Da un punto di vista computazionale l'approccio sopra esposto non è
particolarmente soddisfacente. In particolare, supponendo di conoscere a
priori il numero di componenti principali che vogliamo, dovremmo in ogni
caso calcolare tutti gli autovettori per poi scartare quelli in eccesso. Un
altro metodo Singular Values Decomposition (SVD) richiede un numero di
colonne maggiore di quello di righe e non è adatto a matrici troppo grandi.
Nel nostro caso viene utilizzato l'algoritmo NIPALS (Nonlinear Iterative
Partial Least Squares) che permette di calcolare pesi e punteggi
iterativamente, su data set di dimensioni arbitrarie e calcolando solo il
numero di componenti principali volute.
27
2 Metodi di analisi basati sulle tecniche di ordinamento
2.4 Applicazione
metodi
multivariata a dati medici
di
analisi
Come già accennato, le applicazioni mediche dei metodi di analisi per dati
multivariati sono relativamente recenti per una lontananza della cultura
medica dall'impiego di tecniche statistiche avanzate. Tali metodi, così
come del resto la metodologia dei modelli matematici, richiederebbero
precisione nella valutazione delle variabili lontane spesso dalle possibilità
pratiche dell'ambiente medico. Le applicazioni mediche sono caratterizzate
innanzitutto da una numerosità molto elevata con cui il medico cerca di
sopperire alla mancanza di accuratezza, precisione, ecc. Ecco perché la
natura e la effettiva ridondanza nei dati medici favorirebbe molto le
applicazioni che prevederebbero l'ordinamento delle variabili piuttosto che
l'evidenza numerica del loro valore.
In definitiva i passaggi essenziali nell'approccio medico al problema
dell'analisi multivariata è il seguente: acquisizione dei segnali, loro
riduzione a eventi, combinazione/fusione di dati provenienti dall'analisi di
segnali con le variabili misurate offline o in vitro, fra cui le variabili di tipo
antropometriche, dati da laboratorio chimico-clinico, referti anamnestici.
Si tratta dunque di un vasto insisme di lavori tra di loro spesso non
omogenei quanto a rappresentazione. Benché si potrebbe simmetricamente
portare valori categorici in numerico, si preferisce fare il contrario,
partendo da valori numerici per ridurli a valori categorici.
La predita di precisione dovuta alla trasformazione in categorie è spesso
solo apparente in quanto relativa a dati in origine poco precisi.
28
3 Il sistema COMPASS-ALERT
3 Il sistema COMPASS-ALERT
3.1
3.1.a
Analisi dello stato dell'arte
Introduzione
Durante il primo anno di questo studio è stata effettuata una ricerca allo
scopo di verificare la disponibilità di sistemi compatibili con le specifiche
che stavano delineandosi. L'analisi è stata fatta sia per applicazioni in
ambito di ricerca che di soluzioni commerciali effettivamente disponibili
sul mercato. Poiché il monitoraggio domestico di pazienti cronici è un
ambito in continua crescita, e in mancanza di archivi organici ed aggiornati
delle soluzioni disponibili, è molto difficoltoso effettuare una ricerca
esaustiva. Si è quindi optato per l'utilizzo di motori di ricerca generalisti,
seguendo eventualmente la catena delle citazioni nel caso di articoli
scientifici. Vengono in seguito elencate alcune delle soluzioni rilevate,
tralasciando quelle a nostro avviso meno rappresentative o meno
promettenti.
Si noti come il sistema COMPASS-ALERT nasca per integrare, quando
necessario, soluzioni a problemi di comunicazione/interazione e di
identificazione dello stato di salute dell'utente. Il problema della
comunicazione, particolarmente sentito nel caso di persone portatrici di
handicap, può essere affrontato facendo riferimento alla grande varietà di
ausili codificati nell'ambito dell'Assistive Technology intesa in senso
stretto. In questo caso esistono apposite pubblicazioni e rassegne di
29
3 Il sistema COMPASS-ALERT
prodotti adatti a trovare soluzioni adeguate alla grande maggioranza dei
casi. Poiché gran parte delle soluzioni per l'Assistive Technology reperibili
sul mercato può essere interfacciata o implementata in un sistema come
COMPASS-ALERT, tralasciamo l'analisi di questa parte del problema,
concentrando l'attenzione sui sistemi per il monitoraggio continuo dello
stato di salute e il supporto alla decisione.
3.1.b
Dispositivi commerciali
Produttori vari - Wireless monitoring systems
Molte compagnie attive nell'ambito del
monitoraggio in corsia, stanno producendo
sistemi di acquisizione wireless di parametri
biomedici. Spesso si tratta comunque di
dispositivi nati per permettere al paziente un
certo
margine
di
mobilità
all'interno
dell'ospedale. Le configurazioni adottate non
sembrano a nostro avviso adatte ad un
monitoraggio autonomo in ambito domestico. In
questa categoria possiamo citare ad esempio la
General Electric con i sistemi ApexPro e
TeleGuard, o la Philips con PatientMonitoring
systems
●
Delmar Reynold
Questo produttore commercializza
vari sistemi per l'ECG holter e
monitor di segnali biomedici.
Prevede software appositi per l'analisi in tempo
differito dei segnali acquisiti, ma non per l'analisi in
tempo reale.
●
30
3 Il sistema COMPASS-ALERT
●
HealtFrontier [email protected]
Si tratta di un
dispositivo
per
l'automonitoraggio capace di acquisire una
derivazione ECG (I o II a scelta) e trasmettere i
dati via telefono tramite un accoppiamento
acustico. Rileva anche alcuni parametri del segnale elettrocardiografico che
possono essere comunicati al medico curante o parzialmente interpretati
dal paziente adeguatamente addestrato. Per la sua struttuta non è adatto ad
un monitoraggio continuo ma può essere usato per effettuare una o più
misurazioni giornaliere.
PocketView
Con una particolare scheda
acquisisce ECG su palmari tipo
PocketPC, da cui è possibile effettuare la stampa,
l'archiviazione o l'invio dei tracciati. Mette a disposizione
le derivazioni standard e le precordiali. È possibile
effettuare alcune analisi automatiche sui tracciati (solo in
maniera differita) ed inviarli via e-mail.
●
HomMed
Si tratta di una serie di apparecchi per il monitoraggio
giornaliero delle condizioni del paziente. Vengono
rilevati peso, pressione, pletismografia. Questi dati
possono essere registrati ed inviati ad un centro di
ascolto o ad un medico. Il monitoraggio in questo
caso non è continuo ma avviene ad intervalli di tempo relativamente lunghi
(giornalmente, di solito).
●
●
WIRELESS SENSOR NETWORKS SRL – Guardiano
elettronico
31
3 Il sistema COMPASS-ALERT
Il sistema proposto
nella
versione
Smart-Dress
presenta
molte
analogie con il
sistema
da
noi
progettato.
Probabilmente probabilmente pensato per
monitoraggio in ambito ospedaliero. E’ in grado di condurre statistiche
semplici sui parametri estratti dai vari segnali acquisiti.
Dynapulse
Permette la registrazione su PC di
pressione arteriosa e frequenza cardiaca
●
Bodymedia Sensewear Armband
Si tratta di un dispositivo indossabile su un
braccio, come alcuni lettori MP3, capace di
acquisire
informazioni
accelerometriche,
temperatura esterna e del corpo, galvanic skin
response, frequenza cardiaca.
I dati sono inviati ad un PC per l'elaborazione ed il
salvataggio. Orientato ad applicazioni in campo
sportivo.
●
VivoMetrics LifeShirt
E' un sistema per l'acquisizione
di vari parametri biomedici.
Utilizzato principalmente in
applicazioni
di
ricerca,
permette di alloggiare sensori
per varie grandezze (ECG,
respiro, SPO2, postura/accelerazioni). I dati sono
●
32
3 Il sistema COMPASS-ALERT
acquisiti da un apposito palmtop che ne permette la visualizzazione ed il
trasferimento su PC.
3.1.c
Ricerca
AMON
Si tratta di un sistema per il monitoraggio continuo
pulsiossimetrico, che può misurare opzionalmente anche
ECG (1 derivazione), la pressione sanguigna e l'entità delle
accelerazioni subite. L'analisi dei dati viene fatta a bordo.
Un collegamento via radio permette di contattare centri di
ascolto.
●
Intelligent ECG monitor
Effettua la registrazione dei dati in forma
compressa e può effettuare una prima analisi. Il
sistema monta un DSP per l'elaborazione e la
compressione dei dati ricevuti.
●
Remote Human Health Monitoring System
Analizza un segnale ECG, pletismografia in visibile ed infrarosso,
accelerazione. Anche questo sistema utilizza un'architettura “Split”, con
parte di acquisizione divisa da quella di elaborazione.
●
Georgia Tech Wearable Motherboard
Si tratta di un corpetto sviluppato, in collaborazione
con l'esercito USA per monitorare le condizioni dei
soldati in missione. Misura vari parametri (fra cui
ECG, respiro), ed integra una fibra ottica, tessuta
nella stoffa, che, con la propria rottura, permette di
individuare la posizione di eventuali colpi ricevuti.
Trasmette questi dati via radio.
●
33
3 Il sistema COMPASS-ALERT
Sensitron
L'azienda sviluppa
un sistema wireless
per il monitoraggio dei segni vitali, basato su BlueTooth, che raccoglie vari
segnali (pulsazioni, temperatura, ossigenazione, concentrazione di
glucosio, ecc..) e li trasmette tramite ad una stazione base che si occupa di
reinstradarli via web, così da poter essere elaborati e registrati su sistemi
remoti. È pensata per il monitoraggio di pazienti in ambito ospedaliero e
casalingo, ma non sembra prevista la possibilità di elaborare i dati in tempo
reale.
●
Portable Telemedical Monitoring Using Wireless Sensors
on the Edge of the Internet
Prevede l'uso di una serie di sensori
(accelerometri, respiro, ECG...) che
rilevano segnali in varie parti del corpo,
che comunicano via radio con un “personal
server” all'interno di una PAN (Personal
Area Network). Il personal server provvede
poi a inviare i dati verso l'esterno ed
attraverso la rete internet per l'elaborazione.
●
Ring sensor
Si tratta di un anello che contiene un
sensore pletismografico ed un apparato
di
trasmissione.
Ponendo
nelle
vicinanze una stazione ricevente (che
può a sua volta elaborare o ritrasmettere
il segnale) si può realizzare un
monitoraggio pletismografico continuo.
●
34
3 Il sistema COMPASS-ALERT
SmarTex Wealthy
Il
progetto
Wealthy, guidato
dall'azienda
Smartex,
ha
come obiettivo lo sviluppo di “indumenti intelligenti”
capaci di acquisire dati per monitorare utenti in situazioni
di rischio (malati cronici, lavori pericolosi, sportivi,
piloti..). Il progetto è focalizzato soprattutto allo sviluppo
delle tecnologie per l'integrazione dei sensori nel tessuto,
ma prevede anche la possibilità di teletrasmettere i dati attraverso
connessioni GSM/GPRS.
●
Mobile Health Assistant
Un gruppo di ricerca costituito da vari istituti di Fraunhofer (Germany),
hanno sviluppato un indumento “sensorizzato” con un'interfaccia utente
basata su PALM, mostrando all'utente i segni vitali e permettendo
l'interazione col medico. Le unità sono connesse senza fili.
●
3.2 Linee giuda per il progetto COMPASSALERT
Possiamo riassumere le caratteristiche di sistema introdotte in precedenza
come segue: Il sistema dovrebbe essere economico, facile e confortevole
da usare, e permettere all'utente ed al medico di accedere alle
informazioni contenute nei dati.
Per raggiungere questi obiettivi, anche sulla scorta delle conoscenze
accumulate nel laboratorio BIM durante gli anni precedenti, abbiamo
realizzato vari sistemi hardware/software,.
I modelli disponibili sul mercato non soddisfano pienamente i nostri
requisiti, e, soprattutto, si tratta di sistemi “chiusi” che non possiamo
modificare per verificare le nostre ipotesi. Abbiamo quindi deciso di
35
3 Il sistema COMPASS-ALERT
realizzare una nostra soluzione sia nelle componenti hardware che
software. I requisiti più specifici sono:
● economia
● il sistema, per la parte di acquisizione dei segnali, deve essere
indossabile
● leggero
● niente cavi (or pochi cavi)
● alimentato a batteria
○ lunga autonomia -> basso consumo
● design
● interazione col paziente
● capace di rilevare alcuni malfunzionamenti
● capace di presentare informazioni a persone senza conoscenze
mediche specifiche
● interattivo per il medico
● esplorazione grafica multivariata
● rispettare le normative
3.2.a
Architettura “split”
Fra le varie architetture di sistema valutate, riteniamo che al momento
quella che chiamiamo “split” sia la più adatta a soddisfare i vari requisiti
posti. Il nome “architettura split” è stato introdotto nel precedente progetto
COMPASS-ALERT del BIM Lab, ed è detta così poiché consiste nel
dividere il processo di acquisizione ed analisi dati fra due dispositivi
fisicamente separati, connessi senza fili.
Il primo è un modulo intelligente di acquisizione dati biomedici indossato
dal paziente (UPAD Unità Portatile Acquisizione Dati).
Il secondo è l'Unità di Elaborazione (Processing Unit, PU), costituita da un
PC, un PDA uno Smartphone o altro. UPAD e PU sono connessi via radio
senza fili, inoltre PU può essere connesso ad un ospedale o apposito centro
di ascolto attraverso ADSL, WiFi, GSM/GPRS, WiMax o altro.
La divisione del sistema in due parti permetre di ottimizzare il design
36
3 Il sistema COMPASS-ALERT
hardware della UPAD senza preoccuparsi di integrare troppa capacità di
calcolo su questa. Risolviamo così anche il problema della trasmissione dei
dati attraverso reti LAN/WAN in cavo o wireless. L'architettura split
permette infatti di utilizzare dispositivi di trasmissione a corto raggio per la
connessione UPAD/PU, che sono in generale, più piccoli, economici e
consumano meno rispetto ad una connessione a lungo raggio come
potrebbe essere GPRS o WiFi. La trasmissione al centro remoto viene
effettuata a cura della PU che in generale ha minori vincoli riguardo
autonomia e peso, dovendo sottostare nella peggior ipotesi a vincoli di
portabilità ma non di indossabilità.
processing unit
UPAD Portable unit
User
Interface
Blue Tooth
Tranceiver
Practitioner
Hospital
Specialist
Services on demand
μP
ECG
Front
End
A/D
Conversion
Web
BlueTooth
Tranceiver
Pulsi
oxymeter
Figure 3.1: Architettura Split
L'uso di due dispositivi al posto di uno unico permette di solito di utilizzare
display più grandi per la comunicazione con l'utente, senza vincoli dovuti
ai cavi dei sensori. Dal punto di vista del costo, produrre due diverse unità
custom è in generale più costoso di produrne una singola, ma tenuto conto
che come PU si prevede di sfruttare un sistema per il mercato consumer, in
virtù dell'elevato rapporto prezzo/prestazioni delle produzioni in massa
rispetto a quelle custom, possiamo stimare che una ipotetica unità unica
comprendente le caratteristiche di UPAD e PU verrebbe a costare
probabilmente più di un sistema split con analoghe prestazioni.
Si noti comunque che questa al momento appare essere la “migliore
soluzione” ma in futuro evoluzioni tecnologiche potrebbero suggerire
37
3 Il sistema COMPASS-ALERT
architetture diverse.
3.3
UPAD Unità Portatile Acquisizione Dati
3.3.a Sistemi e sensori biomedici indossabili
Wearable Biomedical Sensor and System
(WBSS)
Vista la continua espansione dei sistemi di acquisizione di dati biomedici
portatili, la IEEE/EMBS, nel 2004, ha deciso di fondare un comitato
tecnico dedicato a questo tipo di sistemi. Il comitato ha definito cosa siano
e con che nome identificarli: «un Werable Biomedical Sensor and System
(WBSS) è un sensore/attuatore biomedico portatile che insieme ad un
sistema di trasmissione “sensor-based” può monitorare e/o stimolare, e/o
trattare, e/o sostituire funzioni biofisiche dell’essere umano». Per
completare la definizione possiamo noitare che i sensori impiantabili e le
protesi non sono direttamente richiamate nella definizione, pertanto
saranno da considerare come interfacce con i WBSS . Le “Unità Personale
di Acquisizione Dati”, come abbiamo deciso di definire i sistemi di cui
parleremo, appartengono ad un sottogruppo delle WBSS; rispetto alle
WBSS non stimolano e non sostituiscono le funzioni biologiche umane,
ma si limitano a misurarle e trattarle.
Le WBSS fanno parte di un area di ricerca e sviluppo in larga e rapida
crescita, che coinvolge numerose discipline in modo trasversale tra le
quali: biologia, fisiologia, fisica, chimica, micro-nano tecnologie, scienze
dei materiali. Inoltre sono molti anche i settori industriali coinvolti in
queste realizzazioni: attrezzature ad uso medico, elettronica, microchip,
tessile, telecomunicazioni e numerosi altri settori industriali.
La UPAD (Unità Portatile per l'Acquisizione Dati) è il dispositivo che
permette di “catturare” i segnali biomedici dal paziente ed opzionalmente
di realizzare una semplice comunicazione con l'utente. Ancorché la UPAD
sia principalmente orientata all'acquisizione dei segnali, essa può
38
3 Il sistema COMPASS-ALERT
accogliere una selezione di routines ottimizzate per l'analisi dei segnali.
Questi algoritmi possono permettere di riconoscere alcune situazioni di
rischi potenziale anche quando il collegamento con l'unità di elaborazione
non fosse disponibile.
3.3.b Evoluzione
caratteristiche
UPAD:
versioni
e
In questi anni sono state realizzate varie versioni di UPAD per verificare
alcuni aspetti tecnici. Le versioni principali sono caratterizzate da
possibilità diverse circa i segnali acquisibili.
● v0: ECG 2 derivazioni (semplificato) + fascia respiratoria Piezo +
pletismografia.
● v1: 1 derivazione ECG + fascia respiratoria Piezo + pulsiossimetro
esterno; PCB di dimensioni ridotte, microcontrollore ad alte
prestazioni. Da questa versione UPAD può usare elettrodi a secco.
● v2: come v1, eccetto le maggiori dimensioni e l'uso di un
microcontrollore DSP DSPIC invece dei normali controllori PIC
delle altre versioni.
● V3: 2 derivazioni ECG in configurazione a ponte bilanciato +
fascia respiratoria Piezo + pulsiossimetro esterno + gestione
alimentazione + microcontroller ad alte prestazioni + PCB di
dimensioni ridotte inscatolato.
● vA: accelerometro triassiale in piccole dimensioni.
Illustriamo adesso in dettaglio le principali caratteristiche dei vari
sottoristemi. Si noti che mentre le configurazioni dei segnali sono definite
dall'hardware della scheda, il firmware caricato sulla UPAD può essere
facilmente modificato per adattare il funzionamento alle necessità di
monitoraggio.
39
3 Il sistema COMPASS-ALERT
Figure 3.2: UPAD v0 e v1
Figure 3.3: UPAD v3
40
3 Il sistema COMPASS-ALERT
3.3.c
Acquisizione di segnali biomedici
Elettrodi ECG a secco
Vista l'importanza della caratteristiche ergonomiche che il dispositivo deve
avere per l'utente finale, per la rilevazione dei parametri vitali quali l'ECG
e la respirazione è stato previsto l'impiego di particolari elettrodi a secco,
prodotti a scopo sperimentale dalla Bionen S.a.s di Firenze. Essi, a
differenza dei comuni elettrodi in Ag/AgCl adesivi o quelli metallici per
ECG a riposo, sono costituiti di gomma siliconica, caricata con materiale
conduttivo (fibra di carbonio) e dotata di un innesto metallico per fornire il
collegamento con il conduttore per la connessione all’apparecchio
diagnostico.
Usualmente nel monitoraggio a lungo termine è realizzato con elettrodi
adesivi monouso Disposable Pre-gelled Electrode (DPE) (ad esempio i
RedDot(r) prodotti dalla 3M), dove la conduzione elettrica è demandata ad
una soluzione elettrolitica, immobilizzata in una spugna o in un gel, a
contatto con una superficie ricoperta di argento. L'uso di questa tecnologia
risolve alcuni dei problemi dovuti alle reazioni elettrochimiche fra pelle e
materiali metallici, inoltre la presenza di gel o spugne inumidite rende
stabile la superficie di contatto anche in caso di movimenti del soggetto in
esame. L'uso di elettrodi a secco in gomma siliconica conduttiva per
monitoraggio cardiaco è relativamente recente e non si è ancora diffuso.
Gli elettrodi a secco usualmente impiegati per monitoraggio ambulatoriale
sono di solito metallici o in grafite, sotto forma di placche rigide tenute in
posizione da pinze, cinghie o pompette a vuoto. Solitamente le superfici di
contatto sono maggiori rispetto a quelle degli elettrodi a umido. La
maggiore superficie di contatto da un lato permette una minore resistenza
di contatto, dall'altro aumenta i problemi in caso di movimento del
paziente. In questo caso infatti variando la superficie di contatto si possono
indurre potenziali variabili per effetto capacitivo e/o elettrochimico. Nel
nostro caso gli elettrodi sono flessibili e mantenuti in contatto con la cute
41
3 Il sistema COMPASS-ALERT
del paziente tramite la piccola pressione esercitata dalla fascia toracica.
Questo fa si che non ci siano perdite di contatto evidenti anche in presenza
di movimenti relativamente ampi del paziente. Episodi di rumore sui
segnali causati da movimento si possono notare in caso di movimenti ampi
o rapidi. Si nota comunque come l'elettrodo ricominci a funzionare
correttamente una volta interrotto il movimento. Rispetto agli elettrodi AgAgCl, possiamo constatare come questi ultimi tendano a staccarsi più
difficilmente, ma anche come il distacco sia spesso permanente, perdendo
questi le loro capacità adesive in caso di riposizionamento. Questo
problema si può presentare in maniera più evidente a causa del sudore, che
tende a facilitare il distacco del collante. Viceversa, gli elettrodi a secco in
silicone conduttivo tendono a migliorare le loro caratteristiche in presenza
di maggiore umidità che tende a diminuire la resistenza degli strati
epidermici. Si nota quindi un miglioramento del segnale dopo alcuni
minuti dall'applicazione degli elettrodi, e come comunque anche in
presenza di sudore questi continuino a funzionare correttamente, poiché
tenuti in loco da una fascia e non da adesivo. Questo tipo di soluzione può
quindi essere utile in caso di sportivi o in ambienti ad alte temperature.
Le considerazioni sopra esposte sono state confermate da piccoli
esperimenti, non essendo questo studio l'obiettivo principale di questo
lavoro.
L'uso di questi elettrodi in applicazioni di monitoraggio continuo in ambito
domestico può comunque condurre a vari problemi, fra cui:
● gli elettrodi possono spostarsi o scollarsi in seguito ai movimenti
del paziente e presenza di umidità sulla pelle;
● il piazzamento manuale degli elettrodi può essere non banale da
realizzare per un paziente in monitoraggio domestico;
● la rimozione degli elettrodi alla fine delle sessioni di misura può
essere difficoltosa;
● si tratta di elettrodi monouso il cui costo diventa non trascurabile
nel caso di uso giornaliero.
42
3 Il sistema COMPASS-ALERT
Figure 3.4: elettodo a secco in gomma siliconica conduttiva ( BioNen
sas - Florence)
Gli elettrodi da noi usati sono costituiti da una base in gomma di silicone
caricata con fibre elettroconduttive di carbonio. Il materiale è venduto in
grani da vari produttori (nel nostro caso DuPont), e può essere usato per
creare oggetti di forma anche complessa tramite estrusione, stampaggio a
caldo o lavorazioni meccaniche su lastre o blocchi precedentemente
realizzati. Il materiale ha buone caratteristiche meccaniche, è flessibile,
può essere lavorato meccanicamente con facilità, è inoltre inerte, biocompatibile e può essere lavato e riusato varie volte
Nel nostro caso si tratta di elettrodi di forma ovale, realizzati dalla
fustellatura di un foglio di circa 3mm di spessore. Il fornitore ha applicato
delle clip metalliche per connettere il conduttore elettrico e una superficie
di velcro sul retro. Questa permette di posizionare gli elettrodi su una
apposita fascia elastica in velcro, per adattarsi alle diverse circonferenze
toraciche dei possibili utilizzatori. Sulla fascia elastica viene anche
montato il modulo piezoelettrico per il segnale respiratorio.
43
3 Il sistema COMPASS-ALERT
La resistenza misurata per i fogli di 3mm in nostro possesso è di circa 300
ohm/cm, mentre la resistenza totale misurata fra pelle ed elettrodo è circa
180 Ohm. Questo valore è circa due ordini di grandezza minore della
resistenza fra il cuore e la cute. Alla frequenza di nostro interesse (la banda
passante per l'ECG è inferiore a 150Hz) possiamo considerare in prima
approssimazione un carico puramente resistivo. Gli effetti capacitivi
possono essere valutati per poter ottenere un miglior accoppiamento delle
impedenze fra elettrodo e amplificatore [muhl04], ma poiché abbiamo
lavorato su prototipi, quindi con varie modifiche circuitali per verificare
diverse configurazioni, abbiamo preferito lasciare questa fase ad un
secondo tempo. La scelta di utilizzare elettrodi con montaggio tramite
velcro alla fascia di supporto è stata intrapresa per avere la possibilità di
Figure 3.5: electrodes mounted on elastic belt
valutare diversi possibili posizionamenti, ma, ovviamente in una ipotetica
produzione commerciale, gli elettrodi verrebbero fissati nella giusta
posizione all'interno di fasce o indumenti appositi. In questo modo
otterremmo l'autoposizionamento degli elettrodi qualora l'utente indossi
44
3 Il sistema COMPASS-ALERT
correttamente l'indumento. Nelle prove effettuate con la fascia elastica è
stato possibile insegnare ad usare correttamente il mezzo con una breve
spiegazione.
Figure 3.6: Fascia toracica indossata da un volontario
Posizionamento degli elettrodi
Figure 3.7: electrodes belt
La registrazione Holter standard prevede il posizionamento di vari elettrodi
sul torace. Sfortunatamente le posizioni Holter non sono particolarmente
45
3 Il sistema COMPASS-ALERT
adatte all'uso di elettrodi sostenuti da fasce elastiche, abbiamo quindi
provveduto a individuare posizioni più adatte al nostro sistema, cercando
di fare in modo che queste siano più simili possibile a derivazioni standard.
Come mostrato in figura 3.7 e 3.8 abbiamo posizionato quindi 4 elettrodi ,
uno (#4 ) con funziona di potenziale di riferimento, ottenendo dagli altri tre
due derivazioni (differenziali). In particolare possiamo ottenere un segnale
riferibile ad una derivazione V4 (fra #1 e #2) e uno riferibile alla I
Einthoven (fra #2 e #3).
Figure 3.8: electrodes belt - section see - up: front;
down:back
ECG front-end
L'acquisizione dei segnali ECG è particolarmente critica a causa del basso
rapporto segnale rumore tipico del segnale elettrocardiografico. In
particolare in caso di movimenti del paziente (tipici nel caso di
monitoraggio a lungo termine e Holter ), i potenziali mioelettrici e i
movimenti degli elettrodi possono portare segnali molto maggiori rispetto
all'ECG, conducendo alla saturazione degli stadi analogici. Per ridurre
questo tipo di problemi si possono usare frequenze di filtraggio diverse per
l'uso diagnostico e di monitoraggio. Riducendo la frequenza di filtraggio
46
3 Il sistema COMPASS-ALERT
passa alto si può diminuire il contributo del rumore mioelettrico, mentre
innalzando la frequenza del filtro passa alto si possono minimizzare gli
effetti degli spostamenti degli elettrodi e si permette un più veloce recupero
in caso di saturazione. La definizione della banda passante migliore per il
segnale ECG è un problema aperto da decenni [Bailey90]. Con particolare
riferimento al caso di ECG diagnostico (quindi col paziente immobile
durante l'acquisizione), viene raccomandata una banda passante da 0.05 a
100 Hz (150 Hz per ECG pediatrico). In realtà, negli ultimi anni, grazie
anche minor costo delle memorie e dei convertitori Analogico-Digitale, si
preferisce utilizzare campionamenti ad alta velocità ed eventualmente
aumentare la banda passante del segnale. Si tenga comunque conto che i
contributi in frequenza fra i 100 e i 500 Hz sul segnale ECG non sono
comunque percepibili dai cardiologi con un'analisi visuale del tracciato. Se
nel caso di ECG ambulatoriale questo sovracampionamento non implica
eccessivi problemi tecnici (ma, anzi, può essere una caratteristica da
sfruttare dal punto di vista commerciale), nel nostro caso un aumento nella
frequenza di campionamento comporta un aumento dei consumi di batterie
direttamente proporzionale (poiché come vedremo più approfonditamente
nel par 3.3.e).
Si consideri comunque che gran parte del contenuto informativo del
segnale ECG è compreso nella banda 1-30 Hz. Poiché nel caso di paziente
ambulante, i potenziali mioelettrici dovuti alle fasce muscolari nella zona
degli elettrodi introducono rumore che può diventare preponderante
rispetto al segnale ECG già oltre i 50Hz, possiamo diminuire la banda
passante (diminuendo la frequenza del filtro passa basso). In questo modo,
pur con la perdita di una parte del segnale, che sarebbe stata comunque
presumibilmente “mascherata” da rumore nella stessa banda, riusciamo ad
aumentare il rapporto segnale-rumore (tagliando una banda a
preponderanza di rumore) e contemporaneamente possiamo diminuire la
frequenza di campionamento riducendo i consumi (e di conseguanza
aumentando l'autonomia) della UPAD.
La frequenza di campionamento non può comunque essere ridotta
eccessivamente, infatti, a causa dell'energia posseduta dal segnale
47
3 Il sistema COMPASS-ALERT
elettromiografico, si rende necessario un filtraggio analogico anti-aliasing
di ordine elevato per poter utilizzare frequenze di campionamento vicino al
limite imposto dal teorema di Shannon. D'altra parte, una frequenza di
campionamento troppo bassa limita la risoluzione temporale con la quale è
possibile identificare la posizione del complesso QRS. Volendo realizzare
studi di variabilità della frequenza cardiaca, potremmo aver bisogno di una
maggiore risoluzione temporale per il calcolo delle serie R-R. Una
possibile soluzione a questo problema è un sovracampionamento del
segnale elettrocardiografico (a 500 o 1000 Hz), su cui ricavare a bordo
della UPAD le posizioni dei complessi QRS ad alta risoluzione temporale.
Se siamo interessati alle sole serie R-R, trasmetteremo solo l'informazione
relativa alla frequenza cardiaca (istante di campionamento al quale è
attribuito il picco dell'onda R o tempo R-R o frequenza cardiaca),
ottenendo una compressione di circa 500:1 del segnale. Supponendo per
comodità di calcolo una frequenza cardiaca di 60/s, campionamento a 16
bit, nel caso di invio di tutto il segnale trasmetterei 500*2=1000 B/s,
mentre se invio la sola frequenza cardiaca, che suppongo codificata con 16
bit, invio soli 2 B/s in corrispondenza del complesso QRS individuato.
Volendo inviare anche il segnale ECG corrispondente, posso decimare il
segnale ad alta risoluzione acquisito (ovviamente supponendo di aver posto
a monte del convertitore un filtro anti-aliasing compatibile con la
frequenza di campionamento ottenuta dopo la decimazione). Inviando il
segnale decimato, oltre alla frequenza cardiaca ricavata dal segnale ad alta
risoluzione, ottengo una riduzione dei dati da trasmettere circa uguale al
coefficiente di decimazione. Poiché sul nostro sistema l'operazione di
campionamento e calcolo della posizione del complesso QRS è
sostanzialmente ininfluente dal punto di vista dei consumi globali,
possiamo ottenere un forte aumento di autonomia.
Per quanto riguarda il filtraggio passa alto, un aumento della frequenza di
taglio permette una maggiore reiezione dei disturbi a bassa frequenza
dovuti principalmente agli atti respiratori e allo spostamento degli elettrodi.
Questi segnali a bassa frequenza, di ampiezza elevata in confronto al
segnale ECG utile, possono portare alla saturazione degli amplificatori
48
3 Il sistema COMPASS-ALERT
analogici. Un aumento della frequenza di taglio passa alto diminuisce la
probabilità che ciò avvenga. Da [Bailey90] si evince come la frequenza di
taglio do 0.05 Hz suggerita sia valida nel caso di filtri del primo ordine, ma
in realtà, usando filtri di ordine maggiore, si possa innalzare la frequenza di
taglio passa alto fino al limite teorico di 0.63 Hz.
La riduzione della banda passante del filtraggio analogico (e l'aumento
dell'ordine dei filtri utilizzati) sono tecniche comunemente usate
nell'elettrocardiografia Holter, dove si preferisce aumentare l'affidabilità e
l'autonomia di registrazione anche se a scapito dei segnali al di fuori della
banda 1-30 Hz che contiene il maggior contributo informativo del segnale
ECG. Un ulteriore problema viene dalle interferenze dovute alla rete di
distribuzione elettrica. Le tensioni indotte a 50 o 60 Hz (secondo la
frequenza di rete utilizzata) può essere dell'ordine di grandezza del volt,
circa mille volte maggiore dell'ampiezza del segnale ECG di interesse. Le
tecniche utilizzate per ridurre l'effetto di questi disturbi prevedono una
corretta disposizione e schermatura dei cavi di collegamento dei captatori,
l'uso di stadi di ingresso con amplificatori differenziali ad alto CMRR e
Figure 3.9: balanced impedance ECG front-end configuration
l'uso del “leg drive” (applicazione all'elettrodo di riferimento, di solito
49
3 Il sistema COMPASS-ALERT
connesso alla gamba destra, di una tensione per “cancellare” il disturbo
dovuto alla rete elettrica).
Lo stadio di ingresso di un amplificatore differenziale per i segnali
biologici come i potenziali cardiaci richiede un accoppiamento di tipo AC.
Questo è ottenibile con semplici capacità in serie ma, dovendo fornire un
percorso per la corrente di bias degli amplificatori del primo stadio, si
introducono resistori verso massa (fig. 3.10), che portano però ad una
degradazione del CMRR.
Figure 3.10: usual ECG front-end configuration
Una possibilità alternativa consiste nell'accoppiamento bilanciato in figura
3.9. Questo circuito, fornendo un percorso per le correnti di bias senza
utilizzare connessioni a massa, consente il mantenimento di elevati CMRR;
essendo inoltre passivo, non influisce sulle tensioni in continua in ingresso
consentendo il controllo da parte di un pilotaggio al piede destro. Si
possono raggiungere CMRR di123 dB a 50 Hz [Spinelli03].
50
3 Il sistema COMPASS-ALERT
Ulteriori filtri analogici provvedono alla reiezione dei segnali a bassa
frequenza (artefatti da movimento e respirazione) ed ad alta frequenza
(potenziali elettromiografici e artefatti da movimento).Il filtraggio passa
Figure 3.12: ECG paziente a riposo
basso è ottenuto da un filtro di Bessel (2nd ordine) a 40Hz per eliminare il
rumore prodotto dai muscoli e parte del disturbo di rete a 50Hz. La banda
passante di 40Hz si è scelta poiché l'applicazione prevede il monitoraggio
continuo tipo Holter. Nei periodi in cui il paziente è fermo si può ipotizzare
di allargare la banda secondo le specifiche per gli ECG ad uso diagnostico.
Le performances dei filtri sono state analizzate con simulazioni Pspice e
Figure 3.11: registrazione ECG durante corsa (sinistra) e con paziente fermo (destra)
51
3 Il sistema COMPASS-ALERT
verificate con registrazioni ECG su volontari.
Possiamo vedere le forme d'onda acquisiete a riposo (figure 3.12), durante
ampi movimenti del busto (figure 3.14) e durante la corsa (figure 3.11).
Figure 3.14: ECG durante rapide torsioni del busto
Possiamo notare che anche in questi ultimi casi la qualità del segnale
permette ancora il calcolo della frequenza cardiaca tramite il filtro U3 (fig.
3.13).
Figure 3.13: applicazione del filtro U3 a un segnale ECG affetto da rumore. Si noti come
l'uscita U3 (traccia superiore) continui a identificare i complessi QRS
52
3 Il sistema COMPASS-ALERT
Integrazione sensori Nonin SPO2
Allo scopo di rilevare i parametri pletismografici-pulsiossimetrici, al
sistema BlueCOMPASS-ALERT è stato collegato tramite l’interfaccia
seriale dell'UPAD un pulsiossimetro Xpod fornito dalla Nonin Medical Inc
(USA). Questo dispositivo, di dimensioni ridotte, è composto da un
sensore a clip applicabile al lobo auricolare o al dito e da un circuito di
controllo ed elaborazione del segnale. Il sensore, sostituibile e disponibile
in varie versioni (per lobo, per dito, per adulti e per bambini, risuabile o
monouso..) comprende le sorgenti luminose e i rilevatore. Il circuito di
controllo, alloggiato in un contenitore plastico di circa 2 x 5 cm trasmette
in forma digitale i dati rilevati. Nel nostro caso vengono trasmessi 3
pacchetti di 25 frames al secondo di 5 bytes ciascuno. Ogni pacchetto
Figure 3.15: Nonin Xpod – La scatola grigia contiene l'elettronica per
l'elaborazione del segnale, mentre a sinistra vediamo la clip – sensore.
contiene i dati relativi alla misura di saturazione SPO2 ed hearth rate,
attuali e mediati, mentre in ogni frame è contenuta la lettura
pletismografica. Si ha quindi la pletismografia a 75 campioni al secondo,
mentre la saturazione e la frequenza vengono inviate 3 volte al secondo.
53
3 Il sistema COMPASS-ALERT
Alcuni bit di stato consentono la corretta sincronizzazione all'interno del
pacchetto e l'identificazione di problemi con i sensori.
La UPAD può provvedere a inviare i dati verso la PU così come questi
provengono dal Xpod, oppure spacchettare i dati localmente per effettuarne
elaborazioni (ad esempio il calcolo del Pulse Wave Transit Time per
identificare variazioni di pressione arteriosa) o per ridurne la ridondanza
prima della trasmissione.
Sensore per movimenti respiratori
Per rilevare informazioni riguardo l'attività respiratoria abbiamo utilizzato
un sensore piezoelettrico montato sulla fascia toracica che sostiene gli
elettrodi ECG. Altri altri tipi di sensori comunemente utilizzati (basati su
PTC) per il monitoraggio a breve termine avrebbero richiesto un
posizionamento vicino al naso e sono stati esclusi per motivi di comfort. Il
metodo dell'impedenza transtoracica, applicabile nel nostro caso in
presenza di elettrodi ECG, è in fase di studio.
Figure 3.16: Sensore piezoelettrico per attività respiratoria
Il sensore piezoelettrico permette di ottenere in maniera semplice un
segnale riferibile all'attività respiratoria. Si tratta di un foglio di materiale
piezoelettrico alloggiato entro una banda elastica (fig. 3.17) che può essere
montata sulla fascia che sostiene gli elettrodi ECG. Applicando una forza
al sensore, il materiale piezoelettrico viene “stirato” dalla banda elastica,
generando un potenziale piezoelettrico ai capi dei cavi di connessione del
sensore. Questa tensione può essere dell'ordine di grandezza dei volt
durante l'uso normale. Anche questo sensore è fornito dalla BIONEN sas.
54
3 Il sistema COMPASS-ALERT
Si noti che ancorché non sia possibile determinare quantitativamente il
volume inspirato/espirato, abbiamo comunque un'informazione qualitativa
riguardo la “profondità” della respirazione, e possiamo comunque calcolare
la frequenza respiratoria. Il segnale è elaborato analogicamente (filtrato
antialiasing ed amplificato opportunamente per essere adattato alla
dinamica dell'ADC) e convertito in digitale. Si noti comunque che i
requisiti di qualità di questo segnale sono molto bassi rispetto a quelli del
segnale ECG. E' sufficiente una risoluzione di 8 bit e una frequenza di
campionamento di 10 Hz (poiché solitamente la frequenza respiratoria è
inferiore ad un atto al secondo).
3.3.d
Sistema di comunicazione senza fili
Per realizzare la comunicazione fra UPAD e PU sono stati analizzati vari
standard disponibili sul mercato, in particolare riguardo i protocolli radio
digitali. Escludendo i protocolli proprietari e poco diffusi, la scelta finale è
ricaduta sul sistema BlueTooth. Wifi è stato scartato a causa dei consumi di
potenza maggiore, mentre GPRS-UMTS sono stati esclusi a causa degli
alti costi di gestione e i consumi eccessivi. Lo standard ZigBee è stato
selezionato per le prossime versioni, infatti il produttore dei moduli in
nostro possesso non ha ancora rilasciato le implementazioni dei protocolli
di trasmissione necessari alla nostra applicazione.
Moduli Bluetooth
Per la trasmissione dei dati si è scelta la tecnologia Bluetooth, nata nel
1998 da un accordo tra diverse imprese leader nel settore dell’elettronica
consumer ed industriale, tra le quali Agere, Ericsson, IBM, Intel,
Microsoft, Motorola, Nokia e Toshiba, che ne hanno definito le specifiche.
Si tratta di uno standard di comunicazione a corto raggio fra dispositivi di
dimensione ridotta e/o portatili (computer, palmari, telefoni, auricolari ed
altro), basato sul trasporto via radio dei segnali.
Caratteristiche peculiari dei sistemi Bluetooth sono l’affidabilità della
comunicazione, il basso consumo energetico, e la facilità di configurazione
e d’uso, unite ad un costo relativamente basso.
55
3 Il sistema COMPASS-ALERT
L’applicazione dello standard Bluetooth alla costruzione di un dispositivo,
ne garantisce la piena compatibilità con tutta la vasta gamma di prodotti
che ne prevede l’impiego.
Il sistema Bluetooth opera nella banda radio “ISM” (Industrial Scientific
Medical) che va da 2.4 a 2.485 GHz, disponibile per applicazioni di debole
potenza nella maggior parte dei Paesi (tra i quali l’Italia), senza la necessità
di richiesta di licenze d’uso ai rispettivi organismi governativi. La
trasmissione di segnali radio tramite terminali Bluetooth avviene tramite la
tecnica FHSS (Frequency Hopping Spread Spectrum), che è in grado di
attuare un rapido cambiamento della frequenza del segnale RF tra le 79
diverse frequenze della banda ISM, al tasso nominale di 1600 hops/sec.
Durante la trasmissione, trasmettitore e ricevitore saltano da un canale
all’altro secondo una sequenza pseudo-casuale. Tale tecnica garantisce un
più efficiente impiego della banda in uso, ottenendo nel contempo due
sostanziali vantaggi: una maggiore sicurezza dei dati veicolati dal
collegamento contro indebite intercettazioni, ed una maggiore immunità
alle interferenze presenti nella banda. Infatti, essendo la banda ISM di
libero uso, non è infrequente che il dispositivo Bluetooth si trovi in
presenza di fonti di interferenza dovuti a dispositivi che implementano altri
standard, ma che trasmettono sempre in ISM, oppure ad altri dispositivi
Bluetooth stessi. Il FHSS fa sì che eventuali interferenze ad una certa
frequenza si trovino sincronizzate con la frequenza del dispositivo
Bluetooth solo per il breve istante di permanenza in quel particolare canale,
mentre non influiscono quando viene compiuto il successivo salto ad uno
degli altri 78.
A tutto ciò vengono unite specifiche routine di correzione degli errori, in
modo che nel complesso vengano garantite ottime prestazioni sul fronte
dell’affidabilità dei dati ricevuti. Le caratteristiche del ricevitore devono
essere tali da garantire una sensibilità minore o uguale a -70 dBm e un
BER (Bit Error Rate) inferiore allo 0,1%.
Lo standard definisce tre diverse classi di potenza, con diverse portate:
● classe 1 , potenza max 100mW, copertura 100m;
56
3 Il sistema COMPASS-ALERT
classe 2 , potenza max 2.5mW, copertura 10m;
● classe 3 , potenza max 1mW, copertura 1m.
Alcuni dispositivi permettono di diminuire automaticamente la potenza di
trasmissione quando possibile.
Nel nostro caso abbiamo utilizzato moduli ToothPic (della Flexipanel ltd)
comprendenti un microcontrollore e la parte radio BlueTooth. Il
microcontrollore è un PIC18LF6720, che integra varie periferiche
hardware, fra cui ADC (fino a 12 ingressi a 10 bit), porte seriali UART e
I2, contatori e timers programmabili e generatori PWM. Il trasmettitore
BlueTooth implementa lo standard v 1.1 in classe1 (il range nominale è
quindi circa 100 metri).
●
Figure 3.17: Modulo Flexipanel ToothPic comprendente un modulo BlueTooth ed un
microcontrollore
57
3 Il sistema COMPASS-ALERT
3.3.e
Altre caratteristiche hardware
Modulo di gestione dell'alimentazione
Abbiamo scelto di alimentare sia la parte analogica che digitale con una
tensione di 5V, ritenuta un buon compromesso fra le varie esigenze
presenti nelle parti analogiche e digitali. Si consideri comunque che,
mentre il consumo per gli stadi analogici è tendenzialmente indipendente
dal segnale presente, gli stadi digitali ed il modulo radio richiedono
potenze diverse secondo il lavoro svolto. In particolare si ha maggior
assorbimento di energia nel caso di pesanti lavori di elaborazione o
soprattutto in occasione di trasferimento di grosse moli di dati. I moduli
Bluetooth assorbono energia non solo durante la trasmissione ma anche
durante i periodi di inattività. Risultando impossibile stimare i consumi a
regime, poiché questi sono dipendenti dal lavoro svolto, siamo andati a
misurare gli assorbimenti di corrente di picco e simulando i casi di alto
assorbimento. Abbiamo rilevato come gran parte dell'assorbimento di
energia sia imputabile al trasmettitore BlueTooth, questo è inoltre la
probabile causa di improvvisi picchi di assorbimento che possono
ripercuotersi al resto del circuito sotto forma di fluttuazioni della tensione
di alimentazione.
Nei primi prototipi l'alimentazione era ottenuta da pacchi di batterie NiCd
o NiMh, che forniscono una tensione di 4.8V nominali. Questa era
ragionevolmente vicino a 5V che abbiamo individuato come compromesso
quale tensione di alimentazione sia per le parti analogiche che digitali.
Negli ultimi prototipi abbiamo utilizzato una tecnica più sofisticata basata
su convertitori DC-DC step-up.
L'analisi dei prototipi ha portato ad identificare alcuni problemi, in
particolare legati alla presenza del trasmettitore BlueTooth che presenta
grandi picchi di assorbimento di corrente durante la trasmissione. Questi,
soprattutto a causa della resistenza-serie delle batterie/alimentatori, si
ripercuotono sulle linee di alimentazione sotto forma di brusche variazioni
della tensione di alimentazione, dell'ordine delle decine o centinaia di mV.
58
3 Il sistema COMPASS-ALERT
Poiché i segnali ECG di nostro interesse hanno ampiezze dell'ordine del
mV, è evidente che disturbi di questa entità sull'alimentazione non sono
compatibili con una corretta elaborazione dei segnali analogici.
Altro effetto negativo nell'uso dell'alimentazione non regolata è dovuto al
calo di tensione ed all'aumento di resistenza interna che si può osservare
nelle batterie parzialmente scariche. Ciò impone la sostituzione delle
batterie anche solo parzialmente scariche per prevenire malfunzionamenti e
degrado delle caratteristiche del segnale non facilmente prevedibili.
Di seguito elenchiamo i motivi principali che hanno spinto l'adozione di
questa strategia:
– incremento del range di tensioni utilizzabili: essendo il convertitore
capace di operare con tensioni in ingresso comprese fra 0.7 e 5 V,
potendo così utilizzare indifferentemente batterie realizzate con
tecnologie diverse (NiCd, NiMh, Alcaline, LiPo, LiIon..).
– migliore sfruttamento dell'energia nelle batterie: durante la scarica delle
batterie si può osservare un aumento della resistenza serie equivalente,
che porta una diminuzione della tensione disponibile all'aumentare
della corrente assorbita, particolarmente evidenti nel nostro caso a
causa dei picchi di assorbimento dovuti al trasmettitore.
– Disaccoppiamento delle alimentazioni analogica e digitale: i picchi di
assorbimento del trasmettitore BlueTooth causano spikes di tensione
evidenti sulle linee di alimentazione degli stadi digitali. L'entità di
queste fluttuazioni è dell'ordine di grandezza delle decine o centinaia di
mV.
Nella versione più evoluta è stato impiegato un convertitore DC-DC StepUp MAX756 (Maxim semiconductors), che fornisce in uscita una tensione
di 5V a partire da qualunque tensione compresa fra 0.7 e 5V, allo scopo di
ottenere i seguenti vantaggi:
– si possono usare differenti tipi di batterie,
– le batterie possono essere sfruttate più a fondo, poiché la diminuzione
di tensione in seguito alla scarica viene compensata dal convertitore;
59
3 Il sistema COMPASS-ALERT
usando due convertitori distinti per alimentare la parte analogica e
digitale possiamo ottenere il completo disaccoppiamento usando un
unico pacco di batterie;
– usando la funzione di spegnimento del convertitore si può togliere
l'alimentazione alla parte analogica quando non necessaria migliorando
l'autonomia.
Dal punto di vista degli svantaggi, osserviamo come il ripple residuo
sull'alimentazione causato dai convertitori può essere filtrato a sufficienza,
la maggior complessità circuitale introdotta è comunque “ragionevole” se
confrontata al circuito attuale, senza contare che usando componenti SMD
si mantengono comunque dimensioni contenute. Le perdite di energia sul
convertitore (dell'ordine del 10-20% ) sono compensate dal fatto che le
batterie possono essere sfruttate più a fondo.
–
3.3.f
Protocollo di comunicazione
La grande varietà di segnali che il sistema può gestire ha richiesto lo
sviluppo di un protocollo di comunicazione più complesso nelle ultime
versioni. Si pensi as esempio alla upad v3, che è in grado di acquisire due
derivazioni ECG, un segnale respiratorio e un segnale del pulsiossimetro.
Ciascuno di questi segnali ha requisiti diversi, infatti ad esempio per l'ECG
è richiesta una banda passante di almeno 70 Hz per registrazioni da
“diagnosi” (paziente fermo disteso) o 30 Hz durante il montoraggio tipo
holter (paziente libero di muoversi normalmente), ed una risoluzione di
almeno 8 bit. Per essere sicuri di rispettare questi limiti possiamo optare
per una conversione a 12 bit a 250 campioni/secondo nel caso di
misurazione per diagnosi, ma ridurre la frequenza di campionamento fino a
100Hz per registrazioni di monitoraggio (ovviamente impostando una
diversa risposta del filtro passabasso antialiasing per rispettare il teorema
di Shannon).
Il segnale respiratorio è invece più “lento”, la banda passante è dell'ordine
di grandezza dell'Hertz, e può essere quindi campionato a 10 Hz con 8 bit
di risoluzione (la risoluzione può essere diminuita a 8 bit considerando
60
3 Il sistema COMPASS-ALERT
l'entità del rumore introdotto dagli artefatti da movimento che può arrivare
ad essere dell'ordine di grandezza del segnale utile). Il segnale proveniente
dal pulsiossimetro, invece, è una sequenza digitale, con un clock scorrelato
rispetto a quello utilizzato dalla UPAD. In questo caso sappiamo quale è la
la velocità media del flusso di dati ma non possiamo prevedere a priori
quanti campioni saranno ricevuti in un certo intervallo di tempo.
E' evidente come diverse esigenze di monitoraggio possano suggerire
diverse configurazioni ottimali di sensori (personalizzazione) e come le
diverse situazioni contingenti
Inoltre dovrebbe essere possibile modificare i parametri di trasmissione
anche durante l'utilizzo, in modo da potersi adattare alle effettive esigenze
del momento, ad esempio limitando la banda di un segnale ECG nel caso
di paziente in movimento o sostituendo l'invio del segnale completo da un
suo segnale derivato (es. inviando il solo heart rate invece dell'ECG
completo) o ancora evitando la trasmissione di segnali affetti da evidenti
artefatti .
Tenuto conto che la trasmissione radio assorbe una potenza dieci volte
maggiore rispetto alle rimanenti sezioni del sistema UPAD, è evidente che
avremo bisogno di ridurre, per quanto possibile, la quantità dei dati inviati.
A questo scopo sarà necessario prevedere un protocollo che consenta di
trasferire in tempo reale dati acquisiti a diverse risoluzioni e frequenze di
campionamento, oltre a veicolare comandi e informazioni utili al corretto
funzionamento del sistema. .
Possiamo riassumere come segue i principali requisiti del protocollo di
trasmissione:
● Bidirezionalità
● capacità di gestire dati acquisiti a diverse frequenze e risoluzioni
(chiameremo in seguito questo tipo di dati “sincorni” perché la loro
acquisizione o generazione è direttamente effettuata dall'UPAD, la
loro disponibilità è nota a priori e sincrona con la generazione dei
pacchetti di dati)
● capacità di gestire dati acquisiti con temporizzazioni non correlate
61
3 Il sistema COMPASS-ALERT
●
●
●
(che chiameremo “asincroni” ad indicare che la loro disponibilità
non è sincronizzata con la generazione dei pacchetti di dati)
capacità di trasmettere comandi e informazioni di sistema
con overhead ridotto per quanto possibile
sufficientemente semplice da essere implementato su un
micorocontrollore a basse prestazioni.
Poiché abbiamo assunto di utilizzare un collegamento BlueTooth o
comunque uno standard che implementi già a livello di stack ISO/OSI le
tecniche di correzione di errore e gestione dell'integrità dei dati, non sono
state implementate tecniche di correzione dell'errore all'interno del
protocollo ma solo di identificazione. Lo scopo è quello di rilevare la
perdita di parte del pacchetto dati, ad esempio in seguito alla perdita del
contatto radio. Abbiamo deciso di non provvedere alla ritrasmissione dei
dati persi, ma alla semplice identificazione ed eliminazione, perché in caso
di perdita di connessione prolungata (evento possible nel caso si perda la
connessione radio e l'utente non si accorga di ciò o non possa/non voglia
correggere subito il problema) la quantità di dati da ritrasmettere potrebbe
diventare proibitiva, sia in termini di memoria per contenerla, sia di banda
di trasmissione. Poiché trasmettiamo dati grezzi, e i sensori sono proni agli
artefatti, la perdita di parte del flusso dati può essere considerata una
ulteriore fonte di artefatto, con effetto trascurabile sulla qualità generale dei
dati. Si tenga conto comunque che con trasmettitori Class1 si ottiene una
copertura totale per un appartamento di dimensioni ragionevoli.
Il protocollo è stato sviluppato ex novo, poiché non si sono trovati
protocolli di trasmissione standard valutati opportuni rispetto ai requisiti
sopra esposti.
Senza scendere eccessivamente nel dettaglio, possiamo dire che ogni
pacchetto dati è costituito da un header, contenente le informazioni
necessarie a rilevare l'inizio del pacchetto ed a provvedere alla corretta
estrazione dei dati, un payload, contente i dati utili inviati, ed un footer che
chiude il pacchetto.
62
3 Il sistema COMPASS-ALERT
L'header è composto da 6 bytes. Il primo, di sincronizzazione, contiene il
byte 0xAA e permette di identificare l'inizio di un pacchetto. Si noti che
ancorché lo stesso valore possa comparire anche all'interno del pacchetto,
sincronizzazioni errate verrebbero rilevate in fase di controllo dell'integrità
del pacchetto. Il byte successivo contiene l'ID del mittente e destinatario
del pacchetto (questa caratteristica è al momento non utilizzata poiché
viene impiegata una trasmissione punto-punto, ma può rivelarsi utile in
futuro nel caso di sistemi con più di due dispositivi interconnessi). Il terzo
byte e il nibble più significativo del quarto definiscono le dimensioni (in
byte) del payload, consentendone quindi una dimensione massima di 4KB
(12 bit). Il bit LSB del quarto byte consente di discriminare l'invio di
comandi da quello di dati, mentre i rimanenti 3 bit dichiarano
l'identificativo della configurazione secondo la quale è codificato il
pacchetto.
I bytes 5 e 6 sono lasciati liberi per usi futuri.
Figure 3.18: Header
63
3 Il sistema COMPASS-ALERT
La composizione del payload è relativamente complessa a causa della
necessità di veicolare dati acquisiti a frequenze e risoluzioni diverse.
La prima parte del Payload contiene i dati “sincroni”, cioè i segnali
direttamente acquisti o generati dalla UPAD. Supponiamo di dover allocare
nello stesso pacchetto un insieme di dati costituito da un canale ECG
campionato a 200Hz 16 bit, uno a 100Hz 8 bit e un segnale respiratorio a
20Hz 8 bit. Fra le varie possibilità possiamo scegliere di inviare un
campione del secondo segnale ogni due campioni del primo (infatti il
rapporto di frequenze è 1:2), ed inviare un campione del terzo segnale ogni
10 campioni del primo (il loro rapporto di frequenze è 1:10).
Possiamo quindi utilizzare una grande varietà di frequenze di
campionamento diverse definendo la frequenza di campionamento più alta
e, per i segnali più lenti, quante volte non trasmettere il campione rispetto a
quello campionato a frequenza massima (chiamiamo questo valore numero
drop, a indicare un campione “scartato”dalla trama).
Nel nostro esempio avremmo definito una frequenza di campionamento di
200Hz, drop 0 per il primo canale, drop 1 per il secondo, drop 9 per il
terzo.
Si noti che le informazioni riguardo la struttura non sono contenute nel
pacchetto dati, ma vengono modificate con opportuni comandi e ritenute
valide fino alla modifica successiva.
La dimensione del payload sarà quindi:
dove
Nbyte è il numero di bytes nel payload,
Nch è il numero di canali sicnroni,
nbitCh è il numero di bit nel casnale Ch
nbytepacchetto è il numero di campioni del segnale a frequenza più alta presenti
nel pacchetto,
fcampCh è la frequenza di campionamento del canale Ch
fmaxcamp è la frequenza di campionamento del canale acquisito a frequenza
64
3 Il sistema COMPASS-ALERT
più alta.
Per come è strutturato il pacchetto dati, si nota come sia necessario che la
frequenza di campionamento più alta sia un comune multiplo delle altre
frequenze di campionamento. In ogni caso, questa condizione è
Figure 3.19: Possibili strutture per il payload
dati
relativamente facile da soddisfare con le frequenze di campionamento da
noi usate, e comunque avremmo incontrato comunque questo vincolo in
ogni caso volendo il campo dati di lunghezza fissa.
Per risolvere il problema dei dati “asincroni”, questi vengono accodati al
payload “sincrono” sotto forma di “sottopacchetti”, ciascuno dei quali
contiene un byte di header, di cui i 3 bit MSB identificano il canale di
provenienza, mentre i rimanenti 5 dichiarano la dimensione (in bytes) del
contenuto. In questo modo possiamo trasmettere dati provenienti da 8
periferiche distinte, fino a 31 bytes per pacchetto. Nel caso un
sottopacchetto non fosse sufficiente per esaurire i dati in attesa, è
possibile generarne ulteriori indefinitamente. Quando si siano esauriti i dati
65
3 Il sistema COMPASS-ALERT
asincroni da trasmettere viene inviato un sottopacchetto con campo
dimensione uguale a zero.
A questo punto viene inviato un byte di chechsum contenente la somma
(troncata a 8 bit) di tutto il pacchetto inviato (header + payload sincrono +
payload asincrono).
Il ricevente confronta il checksum ricevuto con quello calcolato localmente
dai dati ricevuti, scartando il pacchetto nel caso questi differiscano.
Nel caso dobbiamo inviare comandi o informazioni di sistema, l'header
sarà sostanzialmente uguale a quanto visto in precedenza (eccetto per il
LSB del quarto byte, che stavolta è 1 per indicare che siamo in modo
Figure 3.20: Payload comandi - generale
comandi).
Segue quindi un payload costituito dalla codifica del comando che
andremo ad inviare. Il primo byte del payload (fig. 3.20) identifica la
classe di comando, mentre quelli che seguono contengono eventuali dati
66
3 Il sistema COMPASS-ALERT
accessori secondo un opportuno schema. Per rendere più robusta la fase di
trasmissione dei comandi è previsto che la periferica che riceve un
comando ritrasmetta il comando ricevuto (acknowledgement), in modo da
permettere a chi ha inviato il comando di verificare che se questo è stato
correttamente ricevuto. In questo modo, inoltre, nel caso a seguito di un
eventuale errore di trasmissioni una periferica riceva un pacchetto
interpretabile come comando valido, l'altra periferica, ricevendo un
acknowledgement relativo ad un comando mai inviato può inviare gli
opportuni comandi per ripristinare la situazione corretta. Poiché si suppone
che l'invio i comandi sia un evento relativamente poco frequente, riteniamo
l'incremento di dati trasmessi dovuto a questa ridondanza trascurabile
rispetto ai possibili benefici in termine di robustezza del sistema.
Possiamo vedere il payload comandi come un sottopacchetto, costituito da
un subheader e da un subpayload comandi.
Il subheader contiene come MSB il bit che permette di discriminare una
richiesta da un acknowledgement. Il nibble meno significativo identifica
invece la “classe” di comando (fig. 3.20). Delle 16 classi codificabili ne
sono state definite 6 secondo le prime esigenze emerse. La classe 0 e dalla
7 alla 15 sono state lasciate libere.
0. non disponibile
1. comando di sistema (impostazioni generali di funzionameno)
2. configurazione interfacce/canali di trasmissione
3. impostazione frequenza campionamento
4. diagnosi
5. errore
6. messaggi di testo
ogni classe di comandi prevede una struttura diversa per il sub-payload
corrispondente. Ad esempio i comandi di sistem prevedono un subpayload
di un solo byte, all'interno del quale sono codificabili fino a 256 azioni
diverse (che possono essere ad esempio del tipo: entra in modo stand-by,
inizia ad inviare dati, reset, ecc.. ). I comandi di impostazioni interfaccia
invece avranno una struttura più articolata (vedi fig. 3.21), dovendo
67
3 Il sistema COMPASS-ALERT
codificare una quantità maggiore di informazioni come ad esempio il
routing dei dati dalle periferiche di ingresso, la risoluzione, il numero di
drop nell'invio ecc.
Si noti come la struttura scelta permetta di decodificare correttamente dati
e comandi con strutture tipo albero di decisioni pilotate da logiche bitwise.
Questo tipo di approccio permette di risparmiare risorse di memoria e di
calcolo sul microcontrollore che gestice la UPAD, sia perché non è
necessario memorizzare tutto il pacchetto per interpretarlo, correttamente,
sia perché si può omettere il codice per la decodifica di comandi relativi a
periferiche o opzioni non presenti risparmiando spazio in eeprom.
Figure 3.21: Payload comandi - dettaglio
3.3.g
UPAD accelerometrico
Una diversa unità è stata sviluppata per acquisire segnali accelerometrici.
68
3 Il sistema COMPASS-ALERT
Monta un microcontrollore della famiglia pic18 e un accelerometro
triassiale freescale MMA7260Q. In questo caso, trattandosi di un primo
prototipo volto a verificare la possibilità di identificare situazioni di rischio
per anziani, malati e disabili a partire da dati accelerometrici, non sono
state effettuate particolari ottimizzazioni. La scheda risultante può essere
comunque alloggiata insieme alle batterie in una piccola scatola di circa
8.3 x 6 x 2.5 cm. Si è sviluppato uno specifico protocollo di trasmissione
per interfacciare il sistema col software di datalogging Tasatellite della
MpSpace.
Si possono rilevare accelerazioni su tre assi con fondoscala di 1.5g, 2g, 4g
o 6g, fino a 250 campioni al secondo per canale. I parametri di
funzionamento sono riconfigurabili via software.
AUPAD è stata usata per raccogliere dati da atleti (judo) e persone in
buona salute al fine di verificare la possibilità di rilevare cadute ed
identificare alcuni task motori.
3.3.h
Elaborazione a bordo
Le risorse di calcolo presenti su una UPAD sono limitate, e dopo aver
gestito acquisizione e trasmissione dati non ne rimangono libere molte.
Abbiamo comunque sviluppato alcune versioni particolarmente ottimizzate
di algoritmi per l'elaborazione dei segnali che possono essere implementate
su piccoli microcontrollori. In particolare abbiamo implementato una
versione del filtro U3 per l'identificazione del complesso QRS del ciclo
cardiaco. Applicando questo algoritmo ai dati acquisiti è possibile ad
esempio calcolare la frequenza cardiaca istantanea, da trasmettere al posto
dell'intero segnale ECG campionato. Altra possibilità è sovracampionare
in locale il segnale ECG per ottenere un heart rate ad alta risoluzione, per
poi decimare e trasmettere insieme heart rate a bassa frequenza di
campionamento e heart rate campionato ad alta risoluzione.
Si può inoltre, confrontando i tempi di ritardo fra l'onda pressoria rilevata
dal pulsiossimetro e il complesso QRS sull'ECG, calcolare il Pulse Wave
Transit Time (PWTT) che permette di identificare variazioni della
pressione arteriosa.
69
3 Il sistema COMPASS-ALERT
In generale l'elaborazione a bordo può servire per diminuire la quantità di
dati da trasmettere e per mantenere un certo livello di sorveglianza nello
stato di salute qualora il collegamento alla PU non fosse disponibile.
3.4
User interface
“Un interfaccia è a Misura d’uomo se è sensibile alle necessità degli
esseri umani e rispettosa delle loro fragilità.” [Raskin]
L’importanza del concetto di Interfaccia Uomo Macchina è dimostrato
dalle numerose pubblicazioni e corsi universitari ad esso dedicati. Uno dei
maggiori teorizzatori di questa disciplina è Jef Raskin, uno degli ideatori
delle prime interfacce dei sistemi Machintosh. Dalle sue idee coglieremo
alcuni concetti fondamentali che sono stati reinterpretati per progettare il
sistema qui descritto. Dovremo quindi definire un'interfaccia utente che sia
per quanto possibile semplice da usare e familiare. Non ci sembra
particolarmente corretto parlare invece di interfaccia “naturale” o
“intuitiva” infatti, proprio il mouse ad spesso citato come esempio
interfaccia naturale e intuitiva per antonomasia, ha dato modo di
dimostrare il contrario con un noto esperimento, purtroppo non ripetibile al
momento.
Raskin chiese ad alcune persone senza alcuna familiarità con il mouse (si
era all'epoca dei primi personal computer e i mouse erano ancora una
rarità) di usare un semplice programma per bambini che come unica
operazione di interazione richiedeva dei clic in varie parti dello schermo.
Per fare ciò era ovviamente necessario un mouse; Raskin presentava al
soggetto un computer privo di tastiera e indicava loro il mouse. Invitava
quindi il soggetto ad utilizzarlo senza dargli alcuna ulteriore spiegazione
sul metodo. Una persona che aveva buona conoscenza dell’uso dei
computer per prima cosa raccolse il mouse dal tavolo, dopodiché
capovolse il mouse e cercando di far ruotare la pallina; visto che ciò non
sortiva alcun risultato, provò dapprima ad agitare il mouse, poi tenendolo
poggiato sulla mano destra, mosse la pallina con le dita da sotto e cliccò
con la mano sinistra. Questo esperimento ha dimostrato come la rapidità di
70
3 Il sistema COMPASS-ALERT
apprendimento e la facilità d’uso di un’interfaccia non abbiano nulla a che
vedere con le proprietà che chiamiamo abitualmente “intuitività” e
“naturalezza”. Imparare a usare il mouse è semplicissimo: lo ha dimostrato
il fatto che per i soggetti in esame, nell’esperimento di Raskin, sia bastato
che lo sperimentatore poggiasse in modo corretto sulla scrivania il mouse,
facendo vedere agli esaminati come muoverlo e cliccare correttamente, e
nel giro di pochi secondi qualunque utente sapeva usarlo. «Rapido e
semplice sì, ma non intuitivo e naturale perché nessun manufatto lo è» .
Alla luce delle teorie di Raskin precedentemente enunciate e dall'analisi di
altre realizzazioni esistenti per dispositivi assimilabili, dovuta allo stato
dell’arte degli apparecchi esistenti, il primo problema da risolvere è stato
come rendere l’interfaccia “user friendly”. Partendo dal presupposto che il
target di persone a cui è indirizzato il sistema è spesso costituito da anziani,
ci si è chiesti quali fossero gli strumenti di uso quotidiano che potessero
essere utilizzati da questi in piena autonomia per interfacciarsi con il
sistema.
Dopo aver valutato la possibilità di usare un normale personal computer,
abbiamo ipotizzato che l'uso di tastiera e mouse potesse essere difficoltoso
da gestire per un utente non avvezzo alle moderne tecnologie. Si è scelto
quindi di usare come interfaccia di uscita un normale TV e come
interfaccia di ingresso un telecomando, anche in seguito all'interazione con
progettisti e responsabili di Montedomini ente di Firenze che si occupa di
telesorveglianza di anziani in ambito domestico.
Lo schermo TV è infatti uno strumento di diffusione comune, e non porta
quel “senso di soggezione” di un PC, inoltre le caratteristiche di
risoluzione e dimensioni sono ragionevoli per i nostri scopi. Allo stesso
modo il telecomando è uno strumento di uso comune, con un numero di
tasti limitato ma sufficiente alle interazioni basilari da noi previste. Si noti
che, ancorché il sistema COMPASS-ALERT è configurabile per poter
utilizzare lo stesso telecomando del TV, potrebbe essere opportuno fornire
un telecomando apposito, poiché molti utenti hanno difficoltà ad
interiorizzare il fatto che lo stesso telecomando serva per due usi
71
3 Il sistema COMPASS-ALERT
completamente diversi.
Poiché esistono in commercio appositi “TV-Box” che altro non sono che
PC IBM compatibile con una uscita TV ed alcune caratteristiche particolari
che gli rendono adatti al telemonitoraggio, supponiamo di avere a
disposizione una di queste macchine anche se per comodità le prove sono
state fatte su un normale PC. Poiché il sistema operativo impiegato sui
TVBox è spesso Linux (per motivi di leggerezza, robustezza e risparmio
sulle licenze), abbiamo previsto la possibilità di avere il software di analisi
dati ed interfaccia utente compilabile a piacere per windows o per Linux.
Figure 3.22: Esempio delle maschere presentate all'utente durante la fase di acquisizione
Ciò è stato ottenuto usando come ambiente di sviluppo Lazarus, che è un
clone OpenSource dell'ambiente Borland Delphy / Kylix, quindi Object
Pascal. Questo ambiente nasce multipiattaforma, e lo stesso programma
72
3 Il sistema COMPASS-ALERT
può essere compilato per Linux o per Windows. Molte librerie (tutte quelle
necessarie a questo progetto) sono disponibili per entrambi gli ambienti. La
scelta di questo ambiente di sviluppo è stata effettuata anche alla luce degli
eventuali costi per l'acquisizione delle licenze per analoghi prodotti
commerciali.
Un'altra possibilità per ottenere un programma multipiattaforma sarebbe
stata l'uso del linguaggio Java. In questo caso avremmo potuto avere
problemi per l'accesso diretto alle periferiche (porta seriale per BlueTooth e
ricevitore telecomando IR, rete LAN ).
Alcuni algoritmi provvedono a verificare la qualità del segnale, rilevando
possibili problemi di acquisizione (come ad esempio la sconnessione o un
errato piazzamento di un sensore), fornendo istruzioni al paziente su come
risolvere il problema, con istruzioni grafiche e testuali.
Il software è inoltre predisposto per l'implementazione di algoritmi di
analisi dei segnali in tempo reale allo scopo di rilevare possibili anomalie
dovute all'aggravarsi della patologia. In questo caso, oltre ad una
segnalazione al centro di ascolto possono essere richieste all'utente ulteriori
informazioni contestuali utili a migliorare l'accuratezza della diagnosi, e
fornite istruzioni allo scopo di diminuire il rischio di complicazioni.
Al paziente può essere inoltre presentato un rapporto sintetico
dell'andamento del proprio stato di salute, secondo quanto ipotizzato nel
paragrafo 1.3.b.
73
3 Il sistema COMPASS-ALERT
Figure 3.23: Esempio di dialogo col paziente: un messaggio grafico e testuale spiegano
le operazioni da effettuare
I dati acquisiti dalla UPAD e disponibili sulla PU del paziente, possono
essere registrati sulla PU o inviati ad un centro di ascolto remoto. Per il
trasferimento dei dati può essere utilizzata una normale connessione
internet (ADSL). Per garantire la privacy può essere utilizzato un
“protocollo sicuro” standard (ad esempio SFTP) e/o criptando i dati prima
della trasmissione.
La privacy per quanto riguarda la connessione fra UPAD e PU può essere
garantita dalle caratteristiche di criptazione dati insite nel protocollo
BlueTooth.
3.5
Interfaccia medico
Dopo aver visto come l'interazione col paziente viene favorita dall'uso del
74
3 Il sistema COMPASS-ALERT
sistemaCOMPASS-ALERT, osserviamo come un ulteriore obiettivo sia
fornire ai medici (medico generico e specialista) uno strumento atto non
solo a rilevare i dati del paziente, ma anche a mostrarli ed estrarne
conoscenza.
In particolare si è previsto l'uso di tecniche di analisi esplorativa dei dati
multivariati acquisiti allo scopo di evidenziare relazioni fra stati e momenti
diversi.
Abbiamo scelto di applicare tecniche di analisi multivariata basate
sull'ordinamento, in particolare applicando la Principal Components
Analysis (PCA) nel caso di dati continui, e l'analisi delle corrispondenze
multiple (MCA) nel caso di dati categorici. L'analisi MCA è stata inoltre
utilizzata anche per trattare un mix di variabili continue e categoriche,
dopo aver provveduto ad un'opportuna categorizzazione delle variabili
continue.
Figure 3.24: signal processing and explorative analysis path
Il sistema complessivamente dovrebbe agevolare le seguenti operazioni:
75
3 Il sistema COMPASS-ALERT
1. definizione del vettore aleatorio (scelta delle quantità e tipo di
variabili in relazione alla patologia di interesse). Ogni paziente (o
ogni stato del singolo paziente) è un punto nello spazio delle
variabili aleatorie. Le variabili possono essere continue o
appartenere ad altre categorie (nominali, continue a tratti, ..). In
generale le variabili non sono omogenee tra loro e alcuni campioni
possono essere mancanti o errati.
2. Preaparazione dei dati (aiuto all'utente nel trattamento di outliers e
dati mancanti ).
3. analisi esplorativa, PCA per variabili tutte continue, MCA per
variabili categoriche o nel caso riportiamo in forma categorica
eventuali variabili continue.
In ogni caso il risultato è una rappresentazione grafica dei dati originali che
può essere esplorata in modo interattivo. Il medico può giungere a questo
risultato senza bisogno di conoscenze statistiche approfondite.
Per questo lavoro abbiamo utilizzato i le funzionalità messe a disposizione
da alcuni software commerciali disponibili (Mathcad, xlstat) e BioLab, un
tool per l'elaborazione dei segnali ECG sviluppato all'interno del
laboratorio BIM e adattato alle nostre esigenze.
A titolo di esempio è stata utilizzata la MCA per fornire una
rappresentazione grafica della morfologia caratteristica dei vari cicli
cardiaci. I dati (parametri empirici misurati sul tracciato ECG) sono stati
categorizzati per poter essere trattati dall'algoritmo MCA. Per evitare di
rendere il grafico illeggibile per la presenza di troppi punti, e per
alleggerire il carico di lavoro per il programma di analisi, si è deciso di non
rappresentare tutti i punti relativi a tutti i cicli cardiaci, ma di ottenere i
valori medi per certi intervalli temporali (ad esempio ogni 30 secondi). In
questo modo possiamo avere un numero minori di punti sul grafico MCA,
in grado comunque di caratterizzare segnali a lenta evoluzione, come nel
caso di crisi ischemiche. Abbiamo inoltre ad utilizzare come etichette per
le variabili il valor medio della categoria corrispondente (ad esempio per
per lo slivellamento Tmax compreso fra +1 e +2 mm l'etichetta sarà
76
3 Il sistema COMPASS-ALERT
+1.50) . In questo modo il medico, guardando il grafico MCA su cui sono
visualizzate contemporaneamente variabili e realizzazioni, potrò facilmente
associare una osservazione ai parametri che la caratterizzano.
3.5.a Segmentazione
parametri
ed
estrazione
dei
Per ridurre l'impegno di risorse si sono sviluppati algoritmi di
classificazione e rilevazione che sfruttano il più possibile la conoscenza a
priori del segnale di interesse. Ci siamo concentrati in particolare sullo
studio dell'ECG (in seguito faremo sempre riferimento a questo salvo
diversa indicazione), poiché oltre ad essere un segnale di interesse per
svariate patologie, pone i maggiori problemi per la rilevazione delle sue
forme d'onda caratteristiche.
Nel caso di segnali “continui” come ad esempio l'ECG, l'informazione di
interesse medico non è direttamente rappresentata dal valore assunto dai
campioni in un certo istante di tempo, ma è costituita da una serie di
parametri che possono essere ricavati dalla “forma” del segnale.
Le tecniche sviluppate per l'analisi dell'ECG possono poi esere adattate allo
studio degli altri segnali, essendo in generale la rivelazione di un evento la
sequenza di decisioni da prendere su pendenze e ampiezze di parti del
segnale rispetto ad un certo riferimento. L'utilizzo di informazioni relative
alla fisiologia permette di migliorare le prestazioni degli algoritmi che
determinano i parametri di interesse. Illustriamo con un esempio il
possibile uso della conoscenza a priori per l'estrazione di parametri dal
segnale ECG. Con riferimento alla figura 3.25 si immagini il ciclo
cardiaco diviso in 3 parti. Quella relativa alla depolarizzazione ventricolare
e quella relativa alla ripolarizzazione divise in due sezioni: la prima sede di
variazione morfologica prodotta da ischemia miocardica, la seconda (fine
ripolarizzazione) che inizia l’intervallo dove è fisiologicamente possibile il
formarsi di aritmie. Si è deciso di includere la fase di refrattarietà del
potenziale di azione per evitare falsi positivi. Avendo fissato con chiarezza
77
3 Il sistema COMPASS-ALERT
il significato fisiologico di questi tre parametri, è possibile prevedere le
finestre temporali nelle quali questi eventi si possono manifestare. Una
apposita logica deterministica provvederà poi a identificare opportuni
eventi all'interno di questa finestra temporale. Il fatto di lavorare su zone
limitate del segnale permette di semplificare la logica stessa e
tendenzialmente migliorarne le prestazioni.
Per l'importante operazione di sincronizzazione temporale rispetto ai cicli
cardiaci, ci siamo basati sull'algoritmo U3, che sfruttando trasformazioni
non lineari offre ottime prestazioni pur con basso carico computazionale
[Paoletti 04a] nella ricerca del complesso QRS, dopodiché, per estrarre i
parametri descrittori dell'evento abbiamo utilizzando conoscenze “a priori”
Figure 3.25: principali "onde" del ciclo cardiaco
78
3 Il sistema COMPASS-ALERT
di medicina e fisiologia. In questo modo è stato possibile identificare le
sezioni di tracciato nelle quali andare a misurare con maggiore facilità i
parametri caratteristici di nostro interesse.
L'uscita del filtro U3 viene normalizzato e sogliato per identificare la
posizione del complesso QRS (in particolare l'onda R), raffinando il
posizionamento con la ricerca del baricentro del picco su U3. Viene
effettuato un controllo per verificare la congruità delle posizioni ottenute
con i vincoli fisiologici. A questo punto è possibile calcolare le finestre
temporali all'interno delle quali cercare le varie “onde” costituenti il ciclo
0.003
ecg_detrendcont
Showme4cont
0.8
0.0025
0.002
Showme5cont
Showme6cont
0.6 Showmecont
0.0015
Showme2cont
Showme7cont
Showme8cont
Showme3cont
0.001
0.4
Showme9cont
Showme10cont
5 . 10
4
0
5 . 10
Showme1cont
0.2
4
0.001
4
1.535 . 10
4
1.54 . 10
4
1.545 . 10
4
1.55 . 10
0
4
1.555 . 10
cont
Figure 3.26: esempio di misura dei parametri su un ciclo cardiaco
cardiaco.
79
3 Il sistema COMPASS-ALERT
Fluttuazioni della linea base (fig. 3.27) possono essere “cancellate”
andando a misurare il valore assunto dal tracciato ECG nella zona relativa
al periodo di refrattarietà, relativamente ai vari cicli cardiaci e sottraendo il
segnale ottenuto interpolando questi valori. Dopo la cancellazione delle
fluttuazioni, all'interno delle finestre temporali ricavate in precedenza,
possiamo andare a calcolare le ampiezze spaziali e temporali delle varie
onde applicando le definizioni utilizzate dai cardiologi. Il risultato è
visibile in figura 3.26
Figure 3.27: Tracciato ECG in cui è presente un "trend" lineare
Buona parte degli algoritmi di pre-elaborazione hanno un basso peso
computazionale e possono essere implementati direttamente sul
microcontrollore che gestisce la UPAD.
80
3 Il sistema COMPASS-ALERT
3.6 Valutazione delle prestazioni in sistemi
multi-elemento
3.6.a Il problema della valutazione delle
prestazioni in sistemi multi-elemento
Confrontandoci con la salute del paziente è palese la necessità di
affidabilità da parte della tecnologia. Sfortunatamente questo risultato non
è facile da garantire a causa della complessità della catena di funzioni
coinvolte. Questo anche a causa delle diverse modalità usate per accertare
la qualità dei componenti del sistema per l'analisi dei segnali.
Signal Pick-Up
Pre-processing
Elab. analogica
Estraz. parametri
Conversione A/D
analisi
classificazione
Figure 3.28: Catena di acquisizione
Nella catena di acquisizione ed elaborazione (fig. 3.28) ogni blocco può
essere visto come un punto di ingresso di rumore o una sorgente di errore.
Il problema di una valutazione globale obiettiva avrebbe richiesto risorse
non compatibili con quelle a nostra disposizione. I primi prototipi sono
stati valutati in termini relativamente ampi, poiché l'obiettivo primario era
la verifica della robustezza delle varie componenti, la portabilità ed in
generale la verifica delle scelte tecniche adatte per l'applicazione.
Abbiamo quindi valutato solo due caratteristiche principali: la fattibilità
della nostra architettura in termini di ergonomia e gli algoritmi per l'analisi
dei segnali e dei dati del paziente.
81
3 Il sistema COMPASS-ALERT
Dal nostro punto di vista le ultime evoluzioni di COMPASS-ALERT
rappresentano un sistema originale in quanto offre una soluzione pratica al
problema dell'automonitoraggio del paziente.
3.6.b
Valutazione globale
La qualità globale di un prodotto è di difficile valutazione poiché non
dipende solo dalla qualità del lavoro svolto, ma nache da aspetti più
soggettivi, come ad esempio quelli legati all'ergonomia ed al design.
In questo studio abbiamo deciso di raccogliere l'opinione di possibili utenti
riguardo una realizzazione di COMPASS-ALERT. Questa operazione,
comune nel caso di prodotti di massa, non ci risulta sia particolarmente
usuale in ambito biomedico, in particolare per i prodotti che devono essere
usati da personale non specializzato. Nel nostro caso, trattandosi di un
sistema paziente-centrico, possiamo considerarlo per certi versi un
prodotto destinato ad un mercato di massa, e quindi tener conto a maggior
ragione delle esigenze di interazione con l'utente finale.
Per valutare globalmente il progetto ed identificare possibili miglioramenti,
abbiamo selezionato un piccolo campione di potenziali utenti e, dopo una
breve presentazione delle funzioni principali e una spiegazione di come
usare ed indossare il sistema, gli abbiamo invitati a provare il sistema loro
stessi ed a iniziare una sessione di monitoraggio.
Abbiamo preso nota dei tempi necessari alla messa in opera, i problemi
emersi, ed abbiamo presentato un questionario per raccogliere opinioni e
suggerimenti.
82
4 Applicazioni
4 Applicazioni
Tra le molte applicazioni realizzabili con apparecchiature portatili
derivabili da COMPASS-ALERT, abbiamo scelto l'analisi di un ECG da
sforzo, poiché esso ha la capacità di evidenziare vizi latenti in breve tempo,
e risulta utile per misurare in modo accelerato ciò che avverrebbe nella vita
normale.
4.1 Tecniche di analisi esplorativa applicate
a ECG da sforzo di pazienti cardiopatici
L'analisi MCA da noi effettuata sui tracciati elettrocardiografici non ha lo
scopo di fornire una diretta diagnosi di una certa patologia, bensì quello di
indicare al medico porzioni di tracciato elettrocardiografico in cui siano
presenti situazioni anomale. Rimane compito del medico identificare e
classificare correttamente queste anomalie.
I metodi per la verifica delle prestazioni usualmente impiegati per testare
gli algoritmi risultano di ardua applicazione, poiché l'uscita globale
corrisponde alla combinazioni delle prestazioni del sistema e del medico
che analizza il tracciato.
Tenendo conto di questo si sono analizzati i tracciati ecg da sforzo
disponibili. Nella totalità dei casi di pazienti positivi per ischemia al test da
sforzo si è verificato uno spostamento nello spazio MCA corrispondente
alla zona di crisi. Nei 7 pazienti negativi le zone di tracciato indicate come
anomale si sono dimostrate affette da artefatti o da episodi aritmici
83
4 Applicazioni
frequenti. Si noti comunque che il numero di episodi “anomali” da
analizzare manualmente è di norma molto limitato (usualmente 1-2,
raramente 4), seguendo la semplice regola di andare ad analizzare in prima
istanza i tracciati relativi alle posizioni di massima distanza dalla
condizione di riposo rilevate nello spazio MCA. Basta cioè concentrare
l'attenzione su poche decine di secondi di tracciato, senza la necessità di
seguire attentamente 15 minuti di prova da sforzo.
Questi casi sono stati scelti perché rappresentano diverse variazioni di
morfologia del segnale. Sono adatti quindi allo scopo da noi stabilito di
realizzare uno strumento utile al medico nell'esplorare i dati e ricavare le
informazioni più significative ai fini diagnostici.
L'analisi MCA permette i discriminare battiti normali da altri
morfologicamente alterati. In caso di crisi ischemiche si può osservare lo
spostamento dei punti rappresentanti i battiti dalla zona di normalità verso
altre posizioni. Le etichette delle categorie riportano l'entità dello
scostamento del parametro dalla condizione di normalità, permettendo
l'interpretazione del significato della posizione dei punti.
I tracciati ECG sono stati inoltre analizzati con la tecnica PCA per
verificare visualmente la presenza di questi “percorsi” dei punti al passare
del tempo. Si noti che anche la PCA è stata effettuata non sui campioni
presenti in segmenti di tracciato ma su parametri estratti dall'analisi. La
preparazione dei dati ed estrazione dei parametri è effettuata da un apposito
algoritmo in Mathcad. Nello stesso ambiente si è realizzata la PCA basata
sui parametri estratti. La MCA è stata realizzata con l'apposito tool
presente nell'ambiente XLSTAT/MSOffice.
Le prove sono state realizzate su alcuni segnali appartenenti ad un database
realizzato presso IFC-CNR di Pisa, con tracciati ECG (12 leads) e dati di
cartella relativi a 36 pazienti.
84
4 Applicazioni
Grafico simmetrico (assiF1 eF2: 30,71 %)
2.5
maxP - -0.08
2
rr - 0.067
j80 - -0.412
rr - 0.022
maxt - -0.109
1.5
j80 - -0.618
maxt
- -0.326
maxP
- -0.027
Oss22
j40 - -0.335
rr - 0.044 Oss23
maxQ - -0.365
MaxRmaxs
- -0.513
- -0.793
maxt - -0.217
Oss26
Oss25
Oss30
Oss24
j80 - -0.206
Oss28
Oss27
MaxR - -1.026
1
0.5
maxqd - 25.354
j40 - -0.167
Oss21
Oss29
Oss20
Oss11
maxQ - 0
maxt ---0.858
maxs
maxP
-2.378
0.442
0--0
Oss17
tpte
jt
qj
pq
-0-00- 0
maxP - 0 maxsd -maxtd
Oss19
maxsd - 0.965
Oss15 Oss16
Oss10
Oss14
rr - 0
Oss13 maxt - 0.429rr - -0.155 rr
j40- -0.232
- -0.502
maxP Oss12
- 0.147
maxQ - -1.096
MaxR - -1.539
rr - -0.077
maxs - -1.586
maxP - 0.295
Oss9
Oss18
maxQ - -0.731
(Oss1)
0
-0.5
j80 - 0
Oss8
Oss2
Oss3
Oss4
Oss5
Oss6
maxqd - 0
maxt
-0
Oss7
j40 - 0
maxs - 0
-1
Osservazioni attive
Modalità attive
j80 - 0.276
maxt - 1.287
MaxR - 0
maxQ - 0.017
-1.5
-2
-2.5
-2.5
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
2.5
-- asseF1(17,60 %) -->
Figure 4.1: Grafico MCA. In rosso i campioni in nero le categorie
85
4 Applicazioni
Come esempio analizziamo i dati del paziente #2. Il grafico MCA (fig 4.1)
mostra la proiezione di campioni (osservazioni) e categorie sugli assi 1 e 2.
Ogni osservazione rappresenta circa 30” di tracciato, ottenuta mediando i
valori dei parametri relativi ai battiti compresi nell'intervallo temporale. Si
sono create un massimo di 7 categorie per ogni parametro. Ingrandendo
(fig. 4.2) possiamo identificare le posizioni relative ai primi battiti
(normalità) evidenziati dal cerchio verde, una seconda parte (cerchio rosso)
durante la quale si presenta la presunta crisi ischemica, e l'ultima parte di
recupero.
Possiamo notare che nella direzione del cerchio verde si addensano i
parametri con suffisso 0, ad indicare che non ci sono variazioni rispetto
Grafico simmetrico (assiF1 eF2: 30,71 %)
2.5
maxP - -0.08
2
rr - 0.067
j80 - -0.412
rr - 0.022
maxt - -0.109
1.5
j80 - -0.618
maxt
- -0.326
maxP
- -0.027
Oss22
j40 - -0.335
rr - 0.044 Oss23
maxQ - -0.365
MaxRmaxs
- -0.513
- -0.793
maxt - -0.217
Oss26
Oss25
Oss30
Oss24
j80 - -0.206
Oss28
Oss27
MaxR - -1.026
1
0.5
maxqd - 25.354
j40 - -0.167
Oss21
Oss29
Oss20
Oss11
maxQ - 0maxsd -maxtd
maxt ---0.858
maxs
maxP
-2.378
0.442
0---00-00- 0
Oss17
tpte
jt
qj
pq
maxP - 0
Oss19
maxsd - 0.965
Oss15 Oss16
Oss10
Oss14
rr - 0
Oss13 maxt - 0.429rr - -0.155 rr
j40- -0.232
- -0.502
maxP Oss12
- 0.147
maxQ - -1.096
MaxR - -1.539
rr - -0.077
maxs
-1.586
maxP
0.295
Oss9
Oss18
maxQ - -0.731
(Oss1)
0
-0.5
j80 - 0
Oss8
Oss2
Oss3
Oss4
Oss5
Oss6
maxqd - 0
maxt
-0
Oss7
j40 - 0
maxs - 0
-1
j80 - 0.276
maxt - 1.287
MaxR - 0
maxQ - 0.017
-1.5
-2
Figure 4.2: Paziente #2 canale 8, evoluzione plot MCA F1 vs F2. Possiamo notare lo
spostamento dei punti al passare del tempo (evoluzione della crisi ischemica)
-2.5
-2.5
-2
-1.5
-1
-0.5
0
-- asseF1(17,60 %) -->
86
0.5
1
1.5
2
2.5
Osservazioni attive
M odalità attive
maxP - -0.08
rr - 0.067
j80 - -0.412
rr - 0.022
maxt - -0.109
j80 - -0.618
maxt
- -0.326
4 Applicazioni
maxP
- -0.027
Oss22
- -0.335Il quadrante in basso a destra è caratterizzato dai
allo stato j40
di riposo.
r - 0.044 Oss23
maxQ
- -0.365
massimi
scostamenti rispetto alla condizione di riposo (indicati dai più alti
MaxRmaxs
- -0.513
-0.793
valori assoluti dei suffissi). In particolare vicino alla osservazione 18
maxt - -0.217
Oss26
Oss25
(Oss18) lo scostamento del massimo dell'onda T, variabile maxt, assume il
Oss30
Oss24
j80 - -0.206
valore
1.287. Questo campione corrisponde al 9° minuto di esercizio.
Oss28
Oss27 Un ulteriore ingrandimento (fig 4.3) consente di visualizzare il percorso
MaxR - -1.026
maxqd
- 25.354
dei punti
spazio
MCA
durante l'esercizio (linea tratteggiata), fino ad
j40nello
- -0.167
Oss21andare nella zona di “recupero”.
Oss29
Oss20
Oss11
maxQ - 0maxsd -maxtd
0---00-00- 0
tpte
jt
qj
pq
axP - 0
Oss19
Oss10
-0
Oss9
(Oss1)
Oss8
Oss2
Oss3
Oss4
Oss5
Oss6
-0
xt - 0
Oss7
j40 - 0
0
maxt ---0.858
maxs
maxP
-2.378
0.442
Oss17
maxsd
0.965
Oss15 Oss16
Oss14
Oss13
maxt - 0.429rr - -0.155 rr
j40- -0.232
- -0.502
maxP Oss12
- 0.147
maxQ
-1.096
MaxR
-1.539
rr - -0.077
maxs - -1.586
maxP - 0.295
Oss18
maxQ - -0.731
j80 - 0
j80 - 0.276
maxt - 1.287
Figure 4.3: Zoom sul III quadrante. La linea tratteggiata mostra il percorso dei punti
proiettati nello spazio PCA (F1 vs F2) durante la fase centrale della prova da sforzo.
Il medico può confrontare quanto emerso dall'analisi MCA con le serie
temporali relative ai parametri del segnale (fig. 4.4 il parametro è la
massima ampiezza dell'onda T. in rosso le misure istantanee in blu la media
17
s cala := floor
rows ( Picco ) 
2.473

 rows ( seg ) 
showcont
3
2
show1cont− seg0
seg cont ⋅ 1
1
46
0
− 0.388
1
0
0
100
200
300
400
500
600
700
800
900
1000
1100
cont
1200
1300
1400
1500
1.541× 10
1600
3
s cala = 46
-0.5
Figure 4.4: Rapppresentazione grafica dell'andamento dell'ampiezza dell'onda T .i punti
0
5
1
corrispondono
alla0.misura
relativa a ciascun
battito, la1.5line continua è la2 media mobil su
-- asseF1(17,60 %) -->
30 battiti
87
2.5
Osservazioni attive
M odalità attive
4 Applicazioni
mobile su 10 battiti) e con la PCA. Anche con quest'ultima verifichiamo la
presenza di un “percorso” nel dominio trasformato al variare del tempo.
Nelle figure che seguono vediamo in nero le proiezioni dei primi 3 assi
fattoriali per tutti i punti relativi ai cicli cardiaci (in questo caso il diverso
peso computazionale dell'algoritmo e le diverse modalità di visualizzazione
non rendono necessaria la decimazione dei campioni), in rosso sono
evidenziati i cicli cardiaci corrispondenti ad intervalli di circa 20”.
Possiamo vedere l'evoluzione dalla situazione di riposo (fig. 4.5),
all'insorgenza della crisi (fig 4.6) fino alla fase di recupero (fig. 4.7).
( PCAplot1〈 0〉 , PCAplot1〈 1〉 , PCAplot1〈 2〉 ) , ( PCAplot2〈 0〉 , PCAplot2〈 1〉 , PCAplot2〈 2〉 )
Figure 4.5: PCA prova da sforzo: Inizio dell'esercizio, stato di normalità
88
4 Applicazioni
( PCAplot1〈 0〉 , PCAplot1〈 1〉 , PCAplot1〈 2〉 ) , ( PCAplot2〈 0〉 , PCAplot2〈 1〉 , PCAplot2〈 2〉 )
Figure 4.6: PCA prova da sforzo: fase centrale, presunta crisi ischemica
( PCAplot1〈 0〉 , PCAplot1〈 1〉 , PCAplot1〈 2〉 ) , ( PCAplot2〈 0〉 , PCAplot2〈 1〉 , PCAplot2〈 2〉 )
Figure 4.7: PCA prova da sforzo: recupero
89
5 Conclusioni
5 Conclusioni
5.1
La valutazione delle prestazioni
Il sistema COMPASS-ALERT è tipicamente realizzato con un approccio
verticale, cioè individua e realizza un percorso dal sensore (in vivo o in
vitro) alla diagnosi specialistica o generale che sia. La valutazione di un
sistema costituito da molte componenti tra loro diverse per accuratezza,
precisione, importanza relativa nel sistema, ecc.. appare ovviamente
scarsamente definibile e alquanto arbitraria. In mancanza di teorie generali
accolte come standard nel contesto applicativo in questione, proponiamo
una linea giuda piuttosto che una soluzione definitiva. Il problema da
affrontare è quello della relazione intercorrente tra i costituenti del sistema
stesso e la valutazione globale. La letteratura riporta varie impostazioni
basate su reti neurali, fuzzy logic, e teoria della evidenza [Benavoli07].
5.1.a
Linee guida
Gli autori di [Benavoli07] mettono in evidenza come la teoria
sull'incertezza Dempster-Shafer sia la più generale e consolidata. Ci appare
tuttavia che il problema dell'assegnamento dei “belif” e del suo
trasferimento ad un contesto di probabilità non abbia risposte univoche e
suscettibili di diventare uno standard. Riteniamo dunque necessario
procedere ad una semplificazione ulteriore e giungere ad una linea guida
che esprima la struttura del sistema proposto.
La struttura comprenderà in particolare la composizione fra vari tipi di
90
5 Conclusioni
sottosistemi, alcuni dei quali dovranno essere valutati nei modi tradizionali
attraverso il confronto con uno standard, mentre altri rimarranno affidati ad
opportune tecniche di valutazione soggettive, che in quanto tali non si
prestano ad essere espresse in modo generale.
L'unica proposta che ci sembra ragionevole in questa fase dello sviluppo
delle apparecchiature avanzate in medicina è di rimandare la soluzione del
problema medico dal dato alla diagnosi e di ricondurci nel frattempo ad un
principio di analisi “di merito”. Proponiamo cioè di individuare un
processo logico elementare che consenta un apprezzamento, anche
qualitativo del valore e della qualità di tale transizione. Ad esempio l'utente
userà ancora un approccio di tipo globale ma riferito ai componenti. Ci
sembra che la sequenza input-analisi-sintesi sia una struttura abbastanza
generale da consentire tale operazione. Dal valore attribuito alle singole
componenti l'utente esperto potrà ricavare una percezione del valore o della
utilità del sistema generale.
Tale proposta consiste nel realizzare per ogni tipo di analizzatore una
tabella ispirata alla Tabella1, così costruita: ogni riga rappresenta una
sequenza logica di operazioni di analisi e sintesi (oppure causa-effetto) )su
dati d'ingresso. Di fatto la matrice collega attraverso le operazioni di ogni
riga i dati d'ingresso grezzi ai dati di uscita finali rappresentanti una
diagnosi. A tale tabella, astratta, se ne associa una corrispondente “pratica”
come nell'esempio in Tabella 2.
91
5 Conclusioni
Ingresso
Analisi (causa)
Sintesi (effetto)
Segnale grezzo
Preparazione dei dati
Condizionamento
del
segnale
Segnale condizionato
Ispezione
del
segnale
nel Conversione A/D ottengo
tempo e in frequenza
MS
Matrice
Segnali
numerici
MS
Features extraction
MP
Scelta
matrice di parametri MP
parametri
quali Rivelazione e rivelazione
manifestazioni dell'evento
evento; matrice
eventi
ME
ME + dati di cartella
Metrica
dei
dati, Matrice dei dati omogenei
trasformazione per trattare i MDo
dati disomogenei
MDo
Analisi
di
MDo
e Tecniche di ordinamento
preparazione dei dati per la (es. PCA o MCA ) MD1
eliminazione
di
artefatti
(outliers, dati mancanti)
MD1
Ordinamento
variabili
delle
nuove Analisi
esplorativa/clustering
Tabella 1: scomposizione astratta del processo di analisi globale
92
5 Conclusioni
Ingresso
Analisi (causa)
Sintesi (effetto)
Segnale grezzo
Preparazione dei dati
Front-end
ECG
2
derivazioni con ingresso
ponte
a
impedenza
bilanciata,
filtraggio
analogico (Bessel II ordine
40Hz)
Segnale condizionato
Ispezione
del
segnale
nel Conversione AD 10 bit
tempo e in frequenza
250
samples/s
(ADC
su
uC
interno
PIC18LF627)
MS
Features extraction
U3
per
complesso
rivelazione
QRS
sincronizzazione;
e
misura
parametri empirici
MP
Scelta
parametri
quali Caso XECG: Tmax, RR, ..
manifestazioni dell'evento
ME + dati di cartella
Metrica
dei
dati, Dati discretizzati
trasformazione per trattare i
dati disomogenei
MDo
Analisi
di
MDo
e MCA
preparazione dei dati per la
eliminazione
di
artefatti
(outliers, dati mancanti)
MD1
Ordinamento
variabili
delle
nuove Analisi esplorativa, analisi
visuale tracciato ECG
Tabella 2: Scomposizione del processo di classificazione nel caso COMPASS-ALERT
93
5 Conclusioni
5.2 Risultati della valutazione del sistema
COMPASS-ALERT
5.2.a
Valutazione dei sottosistemi
Figure 5.1: UPAD del sistema COMPASS-ALERT. Sono visibili la fascia con
elettrodi ECG ed il pulsiossimetro
Per quanto riguarda la parte hardware
● la banda passante ECG rispetta le raccomandazioni vigenti, come si
può rilevare dalle simulazioni e prove su circuito.
● I requisiti del sensore per la misura del respiro sono meno
stringenti. Abbiamo verificato come una frequenza di taglio di 1Hz
(filtro passa basso, II ordine Sallen-Key) sia adatta per i normali atti
respiratori (solitamente 0.1-0.3 atti/secondo) e permetta la
rilevazione anche in caso di respirazione veloce (raramente
superiore a 2 atti al secondo). Questa banda passante permette di
94
5 Conclusioni
●
●
●
●
abbassare la frequenza di campionamento per questo canale sotto i
10 Hz se necessario.
Il pulsiossimetro è connesso digitalmente, quindi la qualità dei dati
è certificata del produttore del modulo, eccetto casi di perdita di
dati, che non si è verificata durante i test.
Il modulo ECG è stato simulato per assicurare una corretta
elaborazione dei segnali, e testato sul campo per verificarne la
qualità.
Il protocollo di comunicazione appare robusto. Non si sono
verificati casi di perdita di dati, salvo in occasione di
disconnessione del collegamento radio (unità troppo distanti) o
esaurimento della batteria. I test sono stati effettuati per un tempo
totale superiore alle 10 ore.
Il sistema di alimentazione è stato parzialmente testato. Purtroppo
un errore nel pinout del circuito stampato ci ha obbligati a montare
i chip step-up “volanti”. Questo tipo di montaggio ha portato
presumibilmente ad una degradazione delle prestazioni di
regolazione del chip che governa il circuito step-up e, soprattutto,
un considerevole aumento dei consumi a causa dell'incrementata
resistenza dovuta alle connessioni più lunghe. Anche in questo
modo, senza adottare tecniche per il risparmio energetico,
riusciamo ad ottenere un'autonomia superiore alle 3 ore con 2
batterie alkaline AAA (“ministilo”). L'uso di batterie “stilo” AA,
ancora compatibili con i requisiti di comfort e dimensioni,
porterebbe a triplicare la quantità di energia disponibile. Ulteriori
miglioramenti si potrebbero ottenere con batterie Li-Ion o Li-Poly,
che consentono una maggiore densità di energia.
Il protocollo di comunicazione implementato ed alcune scelte
progettuali consentono di utilizzare varie tecniche per ottenere un
forte risparmio energetico, ad esempio riducendo la frequenza di
acquisizione per i segnali lenti (SPO2, respiratorio) o in caso di
paziente in movimento. Passare da un'acquisizione continua ad
un'acquisizione ad intervalli di tempo (ad esempio 10” di
95
5 Conclusioni
●
●
●
96
acquisizione ogni 10'). Possiamo inoltre ottenere un ulteriore
risparmio utilizzando le funzionalità di gestione automatica della
potenza di trasmissione dei moduli Bluetooth. Stimiamo in questo
modo di raggiungere un'autonomia di almeno 20 ore. Poiché sia la
scelta esatta dei parametri di trasmissione dati che il funzionamento
a basso consumo del BlueTooth dipendono fortemente dalle
condizioni ambientali (tipo di patologia da monitorare, disposizione
del domicilio ed abitudini del paziente), ci siamo limitati al calcolo
dei consumi in situazione “worst case”, in attesa di effettuare
rilevazioni sui consumi effettivi qualora venga iniziata una
campagna di monitoraggio su scala estesa.
L'algoritmo U3 di rilevazione del complesso QRS è la base di tutti i
moduli di segmentazione e classificazione del segnale ECG. In un
recente confronto con il noto algoritmo Pan and Tompkins sul
database MIT-BIH. Il tasso di errore (0.85% U3, 0.71% P&T su
109.809 battiti) si è verificato essere molto simile [Paoletti04a], a
differenza della complessità computazionale, molto minore per il
filtro U3 rispetto a quella dell'algoritmo P&T. All'interno del
presente studio l'algoritmo U3 è stato implementato con successo
su microcontrollore.
Sono disponibili algoritmi implementabili in tempo reale per la
rilevazione dell'evoluzione dello stato di salute, basati sull'analisi
del tracciato ECG con la tecnica PCA che, testati su segnali relativi
a prove da sforzo, hanno mostrato sensibilità 98% e specificità
100% nella ricerca di episodi ischemici [paolettiphd].
Sono stati testati algoritmi basati su MCA per l'analisi di segnali
continui e informazioni contestuali per la ricerca di anomalie che
hanno individuato in un numero molto elevato di casi la presenza di
modificazioni di tipo ischemico di tracciati ECG in prove da sforzo.
5 Conclusioni
5.2.b Valutazione globale tramite il giudizio
di possibili utenti
Per valutare il sistema complessivamente abbiamo sottoposto un
questionario ad un gruppo di possibili utenti. Il campione, 12 soggetti di
entrambi i sessi tra i 14 e i 76 anni, hanno avuto modo di effettuare una
sessione di monitoraggio per poi esprimere il proprio giudizio. Due
ulteriori utenti over-60 hanno rifiutato di partecipare al test. Una
valutazione dell'impegno dei volontari durante il test ci porta a ipotizzare
un probabile maggior interesse per le persone nel range di età fra i 30 ed i
60 anni per un'applicazione di questo tipo. É probabile che ciò sia dovuto
alla concomitanza fra una certa attitudine all'uso della tecnologia (scarsa
per gli over60) unito ad un interesse al mantenimento del proprio stato di
salute (minore sotto i 30 anni).
97
5 Conclusioni
Sono stati inoltre raccolti giudizi ed opinioni per l'aumento del comfort ed
ergonomia sia dell'interfaccia utente che dell'unità hardware e della fascia
con i sensori di misura.
Figure 5.2: Valutazioni degli utenti
Per analizzare nel dettaglio i risultati (fig.5.2) si possiamo partire dalla
osservazione dei tempi impiegati per indossare la fascia. L’operatore che
ha già ripetutamente effettuato il test impiega circa 10 secondi, le persone
che hanno partecipato alla sperimentazione per la prima volta hanno
impiegato invece una media di 87,2 secondi.
98
5 Conclusioni
Figure 5.3: rating statistics
La valutazione positiva sulla facilità di indossare la fascia, data dagli
intervistati con un voto medio di 2,17 su 3, fa dedurre comunque che la
riduzione del tempo di vestizione si potrà ottenere semplicemente con un
minimo di ripetizione dell’esercizio. Analizzando le risposte per “fasce di
età” (fig 5.3), si nota che le medie rimangono pressoché invariate da cui si
deduce che la vestibilità della fascia non cambia col variare degli anni.
A garanzia invece di una certa facilità di utilizzo del software realizzato,
nel suo complesso, è il fatto che anche gli over 60, che dichiarano poca
dimestichezza con i sistemi informatici, come è possibile dedurre dalla
tabella in Figura 93, sono riusciti comunque a mantenere i tempi di
attivazione del sistema sui livelli dei più giovani. Anche l’utente di 76
anni, che non aveva mai usato un computer è riuscita tranquillamente ad
99
5 Conclusioni
attivare il sistema e portare a termine l’esperimento al primo tentativo.
Figure 5.4: users rating barplot
Per quanto riguarda la valutazione degli utenti, possiamo ritenere il
progetto soddisfacente nel suo insieme, visto che il voto medio supera i
10/12 (fig.5.4).
Possiamo notare un voto medio molto elevato riguardo la facilità ed
immediatezza d'uso dell'interfaccia (domande 4, 5, 6) e nel comfort
(domanda 8).
I suggerimenti degli utenti saranno utili per migliorare la facilità di uso
della fascia toracica e (domanda 9) e rendere ancora più user friendly
l'interfaccia software.
100
5 Conclusioni
5.3
Note finali
Il progetto COMPASS-ALERT può essere considerato parte dei dispositivi
per l'assistenza tecnologica. Può fornire un supporto alla sorveglianza dello
stato di salute di un paziente malato cronico e costituire un ponte per i vari
ausili alla comunicazione nel caso di utenti con diversa abilità.
Per quanto riguarda le applicazioni in ambito medico, COMPASS-ALERT
può essere considerato all'interno delle iniziative sollecitate dalla OMS e
dalle altre autorità pubbliche allo scopo di contenere la spesa pubblica pur
mantenendo elevati standard qualitativi per il servizio offerto nel caso di
pazienti con patologie croniche.
Con lo stesso dispositivo, correttamente adattato sulle esigenze del singolo
paziente, possiamo quindi raccogliere informazioni di interesse clinico e
favorire un certo livello di indipendenza per l'utente.
Il sistema nasce tramite un approccio verticale da parte di un gruppo
multidisciplinare medico ed ingegneristico, allo scopo di creare un
prodotto paziente-centrico.
Sono stati impiegati algoritmi per l'analisi multivariata allo scopo di fornire
ai medici una maniera di esplorare rapidamente i dati per riconoscere
eventuali anomalie.
Si è inoltre sviluppata una apposita interfaccia che permette l'interazione
col paziente, allo scopo di favorirne la comprensione dei propri dati
proposti in maniera semplificata e permetterne la collaborazione attiva
nella gestione della sorveglianza del proprio stato di salute.
101
6 Appendici
6 Appendici
A:
Schemi elettrici
Figure 6.1: Step-up power module
102
6 Appendici
Figure 6.2: stadio filtraggio
103
6 Appendici
Figure 6.3: Front End analogico ECG
104
6 Appendici
B:
Algoritmi
Calcolo U3
15
U3_calcola :=
i
2
∑ ( DATAECGi+ k − DATAECGi+ k− 2)
k= 2
rilevazione picchi U3 (sogliatura)
Found_up_calcola :=
i← 0
for j ∈ 50 .. M − 1
if U3_norm
j+ 1
> sogliabase ∧ U3_norm < sogliabase
j
trovati ← j
i
i← i+ 1
trovati
Found_down_calcola ( start ) :=
i← 0
for j ∈ start .. M − 1
if U3_norm
j− 1
> sogliabase ∧ U3_norm < sogliabase
j
trovati ← j
i
i← i+ 1
trovati
Calcolo di parametri basato su conoscenze fisiologiche
QTe_stima := for i ∈ 0 .. rows ( Picco ) − 1
qte
qte
i+ 1 , 0
i+ 1 , 0
← 0.41⋅ RR_distance
i, 0
if RR_distance > 0.2
i
← 0 otherwise
105
6 Appendici
calcolo vettore detrend
ecg_detrend_calcola ( dati) :=
for i ∈ 0 .. rows ( Picco ) − 1
k← 1
Qt ← stack( 0 , Jp )
dati
Qt i
m←
− dati
Qt i+ 1
Qt − Qt
i
i+ 1
q ← dati
Qt i
for j ∈ Qt .. Qt
i
i+ 1
k← k+ 1
uscita ← dati − ( q + k⋅ m)
j
j
uscita
uscita
dindex ← Qt
rows( Picco) − 1
damp ← dati
dindex
for j ∈ 0 .. 200
uscita1 ← dati
j
j+ dindex
− damp
uscita1
uscita ← stack( uscita , uscita1)
esempio di ricerca valori empirici: ricerca massimo onda T
MaxT := for i ∈ 0 .. rows ( Te_point ) − 1
locmax ← ecg_dn
locmaxpos ← Tp
Tp i
i
for j ∈ Tp .. Te_point
i
(
if ecg_dn
)
j
i
> locmax
locmax ← ecg_dn
j
locmaxpos ← j
massimo
massimo
106
i, 1
i, 0
← locmax
← locmaxpos
6 Appendici
segmentazione
segmenta ( vect , lung , tara , toll , segs , vettindici) :=
max ← vect
min ← vect
segmenta(vect,lung,tara,toll,segs,vettindici)
vect: vettore da segmentare
lung: lunghezza segmenti
(in campioni sul raw data!!)
tara: quanto tempo prendere per la taratura
(in campioni su raw data )
toll: larghezza bande rispetto a sigma
vettindici: vettore con corrispondenze
indici->campioni raw data
(usare il vett. Picco)
0
0
tara ← searchtime ( vettindici , tara )
vectinizio ← submatrix( vect , 1 , tara , 0 , 0)
step ← Var( vectinizio ) ⋅ toll
− 10
step ← 10
if step
0
zero ← mean ( vectinizio ) −
step
2
istop ← 0
i← 0
while istop < rows ( vect ) − 1
istart ← searchtime ( vettindici , i⋅ lung )
istop ← searchtime [ vettindici , ( i + 1) ⋅ lung − 1]
if istop ≥ rows ( vect )
istop ← rows ( vect ) − 1
istart ← istop − 1
if tara > istop
out ← 0
i
amp ← 0
i
out
otherwise
media ← mean ( submatrix( vect , istart , istop , 0 , 0) )
out ← floor
i

media − zero 
amp ← media +
i
step
step
2


− zero
out
amp
out ← 0
0
i← i+ 1
amp
zero
max ← arraymax( out )
min ← arraymin ( out )
maxa ←
mina ←
arraymax( amp )
segs
arraymin ( amp )
segs
for i ∈ 0 .. rows ( out ) − 1
 segs out i 
 ⋅ maxa if out i > 0
 max 
out ← floor
i
for i ∈ 0 .. rows ( out ) − 1
 segs out i 
 ⋅ mina if out i < 0
 min 
out ← floor
i
out
107
6 Appendici
C:
Pubblicazioni
Papers:
GALEOTTI L, PAOLETTI M, VANNUCCI A, DICIOTTI S,
CARRADORI M, PISTOLESI M, MARCHESI C. (2007). Technology
to Assist the Sick,the Elderly and people with Disabilities. European
Research Consortium for Informatics and Mathematics ERCIM
NEWS. vol. 69, pp. 55-56 ISSN: 0926-4981.
PAOLETTI M., GALEOTTI L., MARCHESI C. (2005). Building a
bridge for communication between patients, family doctors and
specialists. European Research Consortium for Informatics and
Mathematics ERCIM NEWS. vol. 59 ISSN: 0926-4981
Book chapters:
MARCHESI C., M. PAOLETTI, L. GALEOTTI. (2004). Principi
generali e tecniche per la classificazione di dati biomedici nelle
applicazioni cliniche. In C. MARCHESI, S. CERUTTI. Metodi
Avanzati di Elaborazione di segnali biomedici. : Ed. Patron (ITALY).
Note: following translated and updated version to english of
the papers presented in Bressanone has been accepted for
publication from IEEE / Wiley- Interscience. They are going to
be cited as follows:
MARCHESI C., M. PAOLETTI, L. GALEOTTI. (2008) [title to be
defined in harmonisation with all paper titles] . In C. MARCHESI, S.
CERUTTI. Advanced methods for biomedical signal processing. :
IEEE / Wiley Interscience
MARCHESI C., M. PAOLETTI, L. GALEOTTI. (2008). [title to be
defined in harmonisation with all paper titles] . In C. MARCHESI, S.
108
6 Appendici
CERUTTI. Advanced methods for biomedical signal processing. :
IEEE / Wiley Interscience
Proceeding:
M. PAOLETTI, L. GALEOTTI, S. VIOLA, MARCHESI C. (2005).
Alcuni aspetti generali delle applicazioni biomediche della
elaborazione numerica dei segnali. BIOSYS 2005, ANIPLA.
S. VIOLA, M. PAOLETTI, L. GALEOTTI, MARCHESI C. (2005).
Metodi grafici e numerici di esplorazione di dati disomogenei”, Atti
BIOSYS 2005, ANIPLA. BIOSYS 2005, ANIPLA.
L. GALEOTTI, MARCHESI C., M. PAOLETTI, S. R. VIOLA. (2004).
DEVICES AND PROCEDURES FOR PATIENT TO DOCTOR
COOPERATION. IFMBE Proceedings MEDICON and HEALTH
TELEMATICS 2004. (vol. 6)
109
7 Bibliografia
7 Bibliografia
[Anliker 04] Anliker U, Ward JA, Lukowicz P, Tröster G, Dolveck F, Baer
M, Keita F, Schenker E, Catarsi F, Coluccini L, Belardinelli A, Shklarski
D, Alon M, Hirt E, Schmid R, Vuskovic M: AMON: A wearable
multiparameter medical monitoring and alert system. IEEE Trans Inform
Technol Biomed 2004, 8(4):415-427.
[Bailey90] JJ Bailey, AS Berson, A Garson, Jr, LG Horan, PW Macfarlane,
DW Mortara and C. Zywietz: Recommendations for standardization and
specifications in automated electrocardiography: bandwidth and digital
signal processing. A report for health professionals by an ad hoc writing
group of the Committee on Electrocardiography and Cardiac
Electrophysiology of the Council on Clinical Cardiology, American Heart
Association. Circulation 1990;81;730-739 , American Heart Association.
[BALI00]Rajeev K Bali: Organizational and Social Impacts of Telehealth:
A Cause for Concern?, IEEE 2000
[Benavoli07] A. Benavoli, L. Chisci, A. Farina, A. Graziano, B. Ristic:
``Reasoning under uncertainty: from Bayes to Valuation Based Systems’’,
Selex , 2007
[Boone] K. G. Boone, D.S. Holder “Current approaches to analogue
instrumentation design in elecrical impedance tomography”, Physiol.
Meas. 17 (1996) 229–247.
[Bricon01] N. Bricon-Souf, M-C Beuscart-Zephir, F. Anceanux, R.
Beuscart: A helpful framework for the organization of the homecare, IEEE
Proc. 23rd annual EMBS Int. Conf. 2001
[Bruce01] Eugene N. Bruce, “Biomedical Signal Processing and Signal
110
7 Bibliografia
Modeling”, 2001, Proakis Editor
[Elin06] Johnsen Elin, Elin Breivik, Robert Myrvang og Frank Olsen:
Benefits from telemedicine in Norway - An examination of available
documentation, Høykom report No. 2006:1. (22 s.) ISBN 82-12-02326-5
(printed version) ISBN 82-12-02327-3 (pdf version), HØYKOM report
series:ISSN 1504-5048, Fete typer Oslo, June 2006.
[esprit22442] EM2S environmental monitoring and Management System,
esprit project 22442 , deliverable 310.
[Fawcett 04] Tom Fawcett, ROC graphs: notes and practical considerations
for researchers. Kluwer Academic Publishers. 2004
[Galeotti 04] L. GALEOTTI, MARCHESI C., M. PAOLETTI, S. R.
VIOLA. (2004). DEVICES AND PROCEDURES FOR PATIENT TO
DOCTOR COOPERATION. IFMBE Proceedings MEDICON and
HEALTH TELEMATICS 2004. (vol. 6).
[Goldberger] Goldberger AL, Amaral LAN, Glass L, Hausdorff JM, Ivanov
Pch, Mark RG, Mietus JE, Moody GB, Peng CK, Stanley HE. PhysioBank,
PhysioToolkit, and hysioNet: Components of a New Research Resource for
Complex Physiologic signals. Circulation 101(23):e215-e220
[Hadjileontiadis 01] Hadjileontiadis, L.J.; Panoulas, K.I.; Penzel, T.; Panas,
S.M.; Performance of three QRS detection algorithms during sleep: a
comparative study.
[hilton94] Brian Hilton Brown, David C. Barber, A. H. Morice, Andrew
David Leathard : Cardiac and Respiratory Related Electrical Impedance
Changes in the Human Thorax , IEEE TRANSACTIONS ON
BIOMEDICAL ENGINEERING, VOL. 41, NO. 8, AUGUST 1994,
729-735
[Hung03]Kevin Hung, Yuan-Ting Zhang: Implementation of a WAP-Based
Telemedicine System for Patient Monitoring, IEEE TRANSACTIONS ON
INFORMATION TECHNOLOGY IN BIOMEDICINE, VOL. 7, NO. 2,
JUNE 2003
[Hwang04] Hwang, J.Y.; Kang, J.M.; Jang, Y.W.; Kim, H.C.;
,Development of novel algorithm and real-time monitoring ambulatory
system using Bluetooth module for fall detection in the elderly,
111
7 Bibliografia
Engineering in Medicine and Biology Society, 2004. EMBC 2004.
Conference Proceedings. 26th Annual International Conference of the
Volume 1, 2004 Page(s):2204 - 2207 Vol.3
[Intesa 04] R. BEDINI, A. BELARDINELLI, M. DALLE LUCHE, L.
GUERRIERO, F. BELTRAME, M. BRACALE, S. RINALDI, V. RIZZO,
M., FRUSCIONE, MARCHESI C. (2004). INTESA – TELEMATIC
INTEGRATION FOR THE CONTINUITY OF THE CITIZEN
HEALTHCARE PROCESS. IFMBE Proceedings MEDICON and
HEALTH TELEMATICS 2004.
[Jager 03] F. JAGER, A. TADDEI, G. B. MOODY, M. EMDIN, G.
ANTOLIC, R. DORN, A. SMRDEL, MARCHESI C., R. G. MARK.
(2003). Long-term st database: a reference for the development and
evaluation of automated ischaemia tetectors for the study of the dynamics
of myocardial ischaemia. MEDICAL & BIOLOGICAL ENGINEERING
& COMPUTING. Vol. 41, pp. 172-182 ISSN: 0140-0118.
[Jalaleddine 90] S. M. S. Jalaleddine, C. G. Hutchens, R. D. Strattan, and
W. A. Coberly, ECG data compression techniques- a unified approach,
IEEE Trans. Biomed. Eng., vol. 37, no. 4, pp. 329-343, Apr. 1990.
[Jolliffe86] I.T.Jolliffe , “Principal Components Analysis”, Sprinter, 1986.
[Katzan] Katzan H. jr., Managing Uncertanty, Van Nostrand, 1992 pp.
34-36
[Klecun01]Ela Klecun-Dabrowska, Tony Cornford: Evaluation and
Telehealth – an Interpretative Study, IEEE Proceedings of the 34th Hawaii
International Conference on System Sciences - 2001
[koch05]S. Koch, ICT-BASED HOME HEALTHCARE Research State of
the Art; VINNOVA REPORT VR 2005:11
[koch05a]S. Koch, Home Telehealth- Current state and future trends ; in
press on Elsevier Int. Journal of Medical Informatics.
[Logic] J.L. Logic, M.G. Maksud, L.H. Hamilton “Factors affecting
transthoracic impedance signals used to measure breathing”
[Marchesi 04] Cerutti S., Marchesi C.. Metodi avanzati di elaborazione dei
segnali biomedici. Patron Editore, 2004.
[Marchesi 04a] MARCHESI C., M. PAOLETTI. (2004). ECG Processing
112
7 Bibliografia
Algorithms for Portable Monitoring Units. INTERNET JOURNAL OF
MEDICAL TECHNOLOGY (on line). Vol. 1.
[Marcia03]Marcia J.Scherer, editor , Assistive technology: Matching
device and consumer for successful rehabilitation. American
Pshychological association, 2nd printing 2003.
[Martin] Thomas Martin, Emil Jovanov, and Dejan Raskovic, "Issues in
Wearable Computing for Medical Monitoring Applications: A Case Study
of a Wearable ECG Monitoring Device," in Proc. of The International
Symposium on Wearable Computers ISWC2000, (sponsored by IEEE
Computer Society), Sheraton Colony Square, Atlanta, Georgia, USA,
October 16-18, 2000
[martins04]HMG Martins, MR Jones: Implementing mobile computing to
support service delivery at the point of care: review of issues involved
http://www.health-nformatics.org/hc2004/P24_Martins.pdf
[muhl04] Jens M¸hlsteff, Olaf Such , Dry electrodes for monitoring of vital
signs in functional textiles, proc. 26th IEEE EMBS Annual Intl. Conf. 2004
[Muhl04] Jens Mühlsteff, Olaf Such, Dry electrodes for monitoring of vital
signs in functional textiles , Proc. 26th Annual International Conference of
the IEEE EMBS (2004), pp.2212-2216
[murdoch99] Ian Murdoch: Telemedicine, Br. J. Ophthalmol.
1999;83;1254-1256
[Mynatt04] Elizabeth D. Mynatt, Anne-Sophie Melenhorst, Arthur D. Fisk,
Wendy A. Rogers, "Aware Technologies for Aging in Place: Understanding
User Needs and Attitudes," IEEE Pervasive Computing ,vol. 03, no. 2, pp.
36-41, April-June, 2004.
[Nuria05] Nuria Oliver, Fernando Flores-Mangas: HealthGear: A Real-time
Wearable System for Monitoring and Analyzing Physiological Signals,
Microsoft Technical Report MSR-TR-2005-182
[paolettiphd] Paoletti M., tesi di dottorato “Un sistema portatile per la
sorveglianza cooperativa gerarchizzata di segni vitali”.
[Paoletti01] Paoletti M, Marchesi C. Model based signal characterisation
for long-term personal monitoring. IEEE Computers in Cardiology 2001.
28:413 –416
113
7 Bibliografia
[paoletti 04] M. PAOLETTI, MARCHESI C. (2004). REAL TIME ECG
SIGNAL INTERPRETATION AND EVENTS CLASSIFICATION
TECHNIQUES FOR HOME CARE ENVIRONMENTS. IFMBE
Proceedings MEDICON and HEALTH TELEMATICS 2004.
[Paoletti04a] M. PAOLETTI, MARCHESI C. (2004). LOW
COMPUTATIONAL COST ALGORITHMS FOR PORTABLE ECG
MONITORING UNITS. IFMBE Proceedings MEDICON and HEALTH
TELEMATICS 2004.
[Paoletti05] PAOLETTI M., GALEOTTI L., MARCHESI C. (2005).
Building a bridge for communication between patients, family doctors and
specialists. ERCIM NEWS. Vol. 59 ISSN: 0926-4981
[Paoletti06] M. PAOLETTI, MARCHESI C. (2006). Discovering
dangerous patterns in long-term ambulatory ECG recordings using a fast
QRS detection algorithm and explorative data analysis. COMPUTER
METHODS AND PROGRAMS IN BIOMEDICINE. vol. 82, pp. 20-30
ISSN: 0169-2607.
[Pentland 04] Pentland A: Healthwear: Medical technology becomes
wearable. IEEE Computer 2004, 37(5):42-49.
[pervasive]
http://www.computer.org/portal/site/pervasive//pc2004/b1099.pdf
[RODG02] Thomas Lee Rodgers Evan E. Anderson Timothy Manning:
Impact of Technology Sustainability on Healthcare Governance, IEEEProc
on HICSS’03
[Ryu05] Chang Yong Ryu, Seung Hoon Nam, Seunghwan Kim,
Conductive rubber electrode for wearable health monitoring, IT-BT Fusion
Technology Research Department, Electronics and Telecommunications
Research Institute, Deajeon, Korea ; Proceedings of the 2005 IEEE
Engineering in Medicine and Biology 27th Annual Conference Shanghai,
China, September 1-4, 2005
[Ryu05] Chang Yong Ryu, Seung Hoon Nam, Seunghwan Kim,
Conductive rubber electrode for wearable health monitoring, Proceedings
of the 2005 IEEE Engineering in Medicine and Biology 27th Annual
Conference, 2005, 3479-3481.
114
7 Bibliografia
[Scherer01] Sherer, M. J., Assistive Technologies, American Psychological
Association, 2001
[Searle00] A. Searle, L. Kirkup, A direct comparison of wet, dry and
insulating bioelectric recording electrodes, Physiol. Meas. 21 (2000) 271–
283.
[Segura04] José J. Segura-Juárez, David Cuesta-Frau*, Luis SamblasPena, Mateo Aboy: A Microcontroller-Based Portable Electrocardiograph
Recorder, IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING,
VOL. 51, NO. 9, SEPTEMBER 2004, 1686-1691
[spinelli] spinelli et al
[TeHIP05] The Impact of e-Health and Assistive Technologies on
Healthcare: http://www.tehip.org.uk/
[Tompkins 85] Pan J, WJ Tompkins. A real time QRS detection algorithm.
IEEE Trans. On Biomedical Engineering. 32:230-236, 1985
[TRAN02] Binh Q. Tran: Home Care Technologies for promoting
successful aging in elderly populations, IEEE Proc. On 2nd joint
EMBS/BMES Conf. 2002
[Wagner] Galen S. Wagner , Marriott's practical electrocardiography, tenth
edition, Lippincott Williams & wilkins, Philadelphia – USA, 2001
[wbss] Wearable Biomedical Sensors and Systems - IEEE EMBS
http://embs.gsbme.unsw.edu.au/wbss/wbss.html
[WHO02] World Health Organization; The world health report 2002,
reducing
risk
promoting
healthy
life;
http://www.who.int/whr/2002/en/index.html
[WHO898]WHO Technical Report Series - 898 - HOME-BASED LONGTERM CARE, World Health Organization 2000.
[WHO99] World Heath Report 1999, The World health Organization, p14
[Wiley05] Prutchi D., Norris M.; Wiley, Design and Development of
medical electronic instrumentation; Wiley 2005.
[WINT03]JACK M. WINTERS, YU WANG, JILL M. WINTERS:
Wearable Sensors and Telerehabilitation, IEEE ENGINEERING IN
MEDICINE AND BIOLOGY MAGAZINE, MAY/JUNE 2003
115
7 Bibliografia
Altri riferimenti in rete:
[Biocontrolsystem] www.biocontrol.com
[Bionen] www.bionen.com
[BlueTooth] BlueTooth: www.bluetooth.com
[BT] Bluetooth. Http://www.bluetooth.org/
[CBLUE]
ConnectBlue.
Moduli
BlueTooth
OEM.
Http://www.connectblue.se/
[FLEXI] FlexiPanel : ToothPic http://www.flexipanel.org/
[Flexipanel] www.flexipanel.com
[FSCALE] Freescale. Http://www.freescale.com/
[hcbuy] http://www.homecarebuyersguide.com/
[Health Hero] http://www.healthhero.com/ Health Hero (Health Buddy)
[Heartspoj] progetto Hearts http://heartsproject.datamat.it/
[Lifeshirt] Vivometrics Lifeshirt, http://www.vivometrics.com/
[Maxim] Maxim Integrated Products, Inc.: www.maxim-ic.com
[MCHIP] Microchip. DsPIC, PIC16Fx and PIC18Fx products .
http://www.microchip.com/
[medick] http://www.medick.com/mhm100
[medlab] http://medlab.cs.uoi.gr/ (progetti Dromeas e lifebelt)
[Microchip] Microchip Inc.: www.microchip.com
[Nonin] Nonin Medical, Inc.: www.nonin.com
[palowireless] www.palowireless.com
[STM] Stmicroelectronics. LIS3L02DQ accelerometro 3 assi
http://www.st.com/
[Telemed] http://www.telemed.no
[Texas] Texas Instruments semiconductors: www.ti.com
[TI] Texas Instruments Amplificatori, c.i. Analogici e digitali.
http://www.ti.com/
[VPH] progetto Virtual Physiological Human http://www.biomedtown.org/
biomed_town/VPH
[Wealthy] Progetto Wealthy http://wealthy-ist.com/
[ZBEE] Zigbee Alliance. Http://www.zigbee.org/
116
Was this manual useful for you? yes no
Thank you for your participation!

* Your assessment is very important for improving the work of artificial intelligence, which forms the content of this project

Download PDF

advertisement