Procesado de la señal de balistocardiografía e inteligencia artificial para la estimación del gasto cardíaco.

Entenza Garmendia, Sara
Alonso Gonzales, Erik (dir.)

Bailón Luesma, Raquel (ponente)

Universidad de Zaragoza, EINA, 2025
Ingeniería Electrónica y Comunicaciones department, Teoría de la Señal y Comunicaciones area

Máster Universitario en Ingeniería Biomédica

Abstract: En casos de paro cardíaco extrahospitalario, la identificación y detección del retorno de la circulación espontánea son fundamentales, pero las técnicas actuales presentan importantes limitaciones. Procedimientos convencionales, como la palpación del pulso carotídeo, la observación del abdomen o el análisis del ECG, no ofrecen suficiente fiabilidad ni precisión. Una alternativa prometedora para monitorizar la recirculación sanguínea es el gasto cardíaco, expresado como el volumen de sangre eyectado por minuto. Sin embargo, las técnicas disponibles para medirlo son inviables en un entorno extrahospitalario debido a su alto coste, complejidad y la necesidad de personal especializado. En este trabajo, se propone el uso de la balistocardiografía (BCG), medida mediante un sensor piezoeléctrico, como señal base para entrenar modelos de \textit{machine learning} (ML) con el objetivo de estimar el gasto cardíaco de manera no invasiva, asequible y automática. Para ello, se registraron señales de ECG, BCG carotídeo y abdominal, así como el gasto cardíaco basado en presión arterial invasiva, en un grupo de 20 sujetos sanos. El conjunto final de datos consistió en 125 segmentos correspondientes a tres fases experimentales: normoventilación, hipoventilación, Trendelenburg e infusión. Las señales fueron procesadas mediante filtros adaptativos y la transformada wavelet, además de incorporar nuevas características. Se extrajeron un total de 103 características utilizando ventanas de 10 segundos con un solapamiento del \(80\%\) entre ventanas consecutivas. Estas características incluyen aspectos morfológicos, momentos estadísticos y otros basados en el cálculo del \textit{ensemble average}. Para esta selección, se aplicó el método RReliefF con el fin de identificar las más relevantes y optimizar el rendimiento del modelo de ML, basado en Máquinas de Soporte Vectorial para Regresión. Posteriormente, se optimizaron los hiperparámetros del modelo y se evaluó su desempeño en la estimación del gasto cardíaco. Esta técnica puede entenderse como el punto inicial para desarrollar un estimador de CO que sea automático, no invasivo, sencillo de aplicar, asequible y seguro.

Tipo de Trabajo Académico: Trabajo Fin de Master