Anlisis AcsticosobreSealesdeAuscultacin DigitalparalaDeteccindeSoplosCardacos AcousticAnalysisOrientedtotheCardiac MurmurDetectionoverDigital Auscultation Signals

1 2 2 2 AndrsM.Castao,Ing. ,EdilsonDelgadoT.,MSc. ,JuanI.Godino,PhD. ,GermnCastellanos,PhD. 1 GrupodeControlyProcesamientoDigitaldeSeales,UniversidadNacionaldeColombia 2 GrupodeBioingenierayOptoelectrnica,UniversidadPolitcnicadeMadrid,Espaa {amcastanos,edelgadot,cgcastellanosd}@unal.edu.co,igodino@ics.upm.es

Recibidopararevisin26deMarzode2007,Aceptado 30deNoviembrede2007,Versinfinal9deDiciembrede2007

Resumen Se pr esenta la metodologa basada en el anlisis acstico de seales fonocar diogr ficas (FCG) par a detectar soplos car dacos. En pr imer lugar se desar r olla un sistema de filtr acin basado en la tr ansfor mada wavelet par a r educir las per tur baciones que usualmente se pr esentan en la etapa de adquisicin, ajustando la calidad del sonido de acuer do a los r equer imientos clnicos y validado por especialistas en semiologa.Sepr oponeunalgor itmodesegmentacinbasadoen laener gapr omedionor malizadadeShannonylatr ansfor mada wavelet. Sobr e los segmentos se extr aen car acter sticas der ivadasdelanlisisacsticoyespectr al.Laefectividaddelas car acter sticassonevaluadasmedianteunmodeloencascadade clasificador es del tipo mquina de sopor te vector ial par a separ ar 3 clases: nor mal, soplo y otr os. La base de r egistr os FCG utilizada per tenece a la Univer sidad Nacional de Colombia de esta base de datos etiquetada se usar on 111 r egistr os distr ibuidos as: 37 r egistr os con etiqueta nor mal, 24 r egistr os con etiqueta de soplo y 50 con etiqueta de otr as anor malidades. Se obtienen r esultados de pr ecisin de clasificacin par a los casos en que se car acter izan las seales filtr adas y cuando se toman las seales or iginales sin filtr ar , encontr ando que el pr oceso de filtr acin incr ementa consider ablementeelacier todeclasificacinhastaun96% . PalabrasClaveApr endizajedeMquinas,AnlisisAcstico, DeteccindePatologas,SoplosCar dacosy Fonocar diogr afa. AbstractA methodology based on acoustic analysis of digitized phonocar diogr aphic signals (PCG) is pr esented, or ientedtodetectionofcar diacmur mur sor iginatedbyvalvular pathologies. Initially, a filtr ation system based on the wavelet tr ansfor m is developed to r educe the distur bances that usually appear in the acquisition stage, adjusting the sound quality accor ding to the clinical r equir ements and validated for specialistsinsemiology.Asegmentationalgor ithmbasedonthe nor malized aver age Shannon ener gy and wavelet tr ansfor m is

pr oposed. Featur es der ived fr om the acoustic analysis ar e extr actedonthesegments.Featur eeffectivenessisevaluatedby a suppor t vector machine in cascadeconFigur aur ation for separ ating the classes: nor mal, mur mur and other . The used databaseofphonocar diogr aphicr ecor dsbelongstotheNational Univer sity of Colombia, having 111 r ecor ds as follows: 37 r ecor ds labeled as nor mal, 24 labeled as mur mur and 50 labeled as other abnor malities. The classification r esults ar e obtained with the or iginal signals and when the signals have been filter ed. The filter ing stage incr eases the classification accur acyto96% .

KeywordsMachine Lear ning, Acoustic Analysis, Pathologic Detection,Car diacMur mur sandPhonocar diogr aphy.

I. INTRODUCCIN

as enfermedades cardacas son una de las principales Lcausasdemortalidadymorbilidadenlasociedadmoderna [1], por lo tanto, cualquier avance en las tcnicas de diagnstico y tratamiento de enfermedades cardacas, contribuyenosoloalapoyoeneldiagnsticoytratamientode estas enfermedades, sino tambin al entendimiento de la dinmica cardaca y sus fenmenos subyacentes. La auscultacin mdica es un procedimiento clnico donde se escuchan lossonidosemitidosporlascavidadesabdominaly torcica con el fin de emitir o aproximar un diagnsticodel estado de los rganos que se encuentran dentro de estas cavidades. En el caso particular de la auscultacin cardaca, seescuchan los sonidosqueemiteelcoraznparaevaluarel estado de las vlvulas cardacas, es decir, de las auriculoventriculares (mitral y triscspide) que separan las aurculasdelosventrculos,ydelassigmoideas(pulmonary

RevistaAvancesenSistemaseInformtica,Vol.4No.3,Diciembre de2007,Medelln,ISSN16577663

172

RevistaAvancesenSistemaseInformtica,Vol.4No.3,Diciembre de2007 de los mismos en el reconocimiento y la discriminacin de caractersticas queresultandediversosdesrdenescardacos. Asporejemplo,en[8] se empleandostcnicasparaanalizar la separacin de los sonidos por retraso: anlisis WSOLA (Waveform Similarity OverlapandAdd) y MTSM (MultiresolutionalTimeScaleModification).Enesteproceso de modificacin, se preserva la calidad de los ruidos cardacos,ysuespectrodefrecuencianoesdesplazado.Para evaluareldesempeodelmtodopropuesto,seaplicauntest de evaluacin auditiva subjetiva por parte de 20 mdicos expertos. Se demostr que el retraso de tiempo de algunos ruidos cardacos mejora la capacidad de los mdicos para reconocer y discriminar eventos que resultan de desrdenes cardacos, por lo que se concluye que la modificacin de los ruidos cardacos facilita la interpretacin de los sonidos obtenidosenelproceso deauscultacin. El anlisis acstico tiene la ventaja de convertir el procedimiento subjetivo de las apreciaciones mdicas en valores cuantitativos mediante tcnicas digitales de procesamientodeseales,locualpuedeaprovecharseparala deteccin automtica de soplos cardacos. La caracterizacin de estados funcionales correspondientes a casos normales y con evidencias de soplos cardacos usando procedimientos basados en el anlisis acstico, permite recuperar la fonocardiografa como un procedimiento de bajo costo econmico, vlido e importante para el apoyo diagnstico y evaluacinde valvulopatascardacas. II. CONSIDERACIONESFISIOLGICAS

artica) que separan el corazn de las grandes arterias [2]. Las seales digitalizadas de los sonidos del corazn se conocen con el nombre de fonocardiogramas o seales fonocardiogrficas (FCG), las cuales son fuentes de informacindelaactividadmecnicacardacadeadquisicin no invasiva y bajo costo econmico. Las restricciones inherentesalmtododeauscultacintradicional,talescomo: la incapacidad del odo humano para percibir todas las frecuencias sonoras, la subjetividad del examinador y las dificultades que se presentan en la descripcin de hallazgos en la historia clnica, pueden ser significativamente disminuidas con el actual desarrollo de herramientas de procesamiento computacional, modelado matemtico y anlisisdigitaldesealesFCG. La literatura reporta el uso frecuente de la transformada wavelet (WT) para el procesamiento digital de seales FCG porlanaturalezaaltamentenoestacionariaquesepresentaen estetipo de seales sinembargo,lamayoradelaswavelets evidencian errores relacionados alanlisisdedistribucinde energa(ED),provocandoquelosresultadosencontradospara la discriminacin de seales FCG usando la transformada WT no sean los mejores [3]. En [4] se afirma que es importantemantenerlalongituddelaventanadeanlisistan corta como sea posible para garantizar la hiptesis de estacionariedadsobrelospequeossegmentosanalizados.No obstante, esto puede reducir la resolucin en frecuencia del espectrograma obtenido, pero si se ajusta el tiempo de deslizamiento de la ventana, se puede obtener un resultado aceptable. Para este caso, el espectrograma se calcula, en primera instancia, por medio de una ventana de corta longitud para generar una representacin temporal del FCG, luego se aplica una ventana de mayor longitud para generar una representacin espectral de la energa del FCG. La resolucinentalesrepresentacionesdependedirectamentede la longitud de la ventana. De esta manera, la representacin temporal permite medir la duracin de los ruidos y ciclos cardacos, mientras que el espectro, asumiendo una buena resolucin en frecuencia,permitelacaracterizacinespectral delossonidoscardacos.En[5],seaplicalaTransformadade Fourier de tiempo corto (STFT) para caracterizar seales FCG y obtener representaciones de parmetros tales como, localizacin en el tiempo de los ruidos cardacos y sus componentes,contenidosdefrecuencia,localizacindelciclo cardaco, y la forma de las envolventes en la caracterizacin de los soplos cardacos. Adicionalmente, los espectrogramas han demostrado ser de uso clnico en la identificacin de soplos analizando el contorno, a pesar de los problemas que segeneranacausadelaresolucin[6]. Debido a que las diferentes condiciones patolgicas del corazn causan soplos y anormalidades en los sonidos cardacos mucho antes de reflejarse en otros sntomas, la modificacin de los sonidos del corazn podra ser obtenida mediante la auscultacin cardaca [7]. Particularmente, el retardo de algunos sonidos del corazn mejora la capacidad

A. Ciclocardaco
Loshechosqueocurrendesdeeliniciodeunlatidohastael inicio del prximo se conocen como ciclo cardaco. Cada ciclo cardaco consta de un perodo de relajacin, llamado distole,duranteelcualelcoraznsellenadesangre,seguido de un perodo de contraccin llamado sstole. El corazn cuentaconcuatrovlvulas:lasvlvulasauriculoventriculares (AV) y las sigmoideas. Las vlvulas AV (Mitral y Tricspide) impiden el flujo retrgrado de la sangre de los ventrculos a las aurculas durante la sstole, y las vlvulas sigmoideas (Artica y Pulmonar) impiden que la sangre de lasarteriasaortaypulmonarregresealosventrculosdurante ladistole [9].

B. Sonidoscardacos
Reflejan el comportamiento mecnico de las vlvulas que controlan la correcta direccin del flujo sanguneo entre aurculas, ventrculos y conductos del corazn. El cierre o apertura de estas vlvulas producen sonidos caractersticos que permiten deducir si el funcionamiento es adecuado, es decir, si se producen en el momento, manera e intensidad fisiolgicamente normal. Cada latido tiene una duracin aproximada de 0.8 seg. Durante la sstole ventricular, que dura 0.3 seg, los ventrculos se contraen para expulsar la

AnlisisAcsticosobreSealesdeAuscultacinDigitalparalaDeteccindeSoplosCardacosCastao etal. sangre hacialasarteriasenesemomentolasaurculasestn en la fase de distole auricular (relajadas), y las vlvulas mitral y tricspide se cierran para evitar que la sangre retroceda hacia ellas, mientras que lasarticaypulmonar se abren (primer sonido, S1). Durante la sstole auricular, que dura unos 0.15 seg, las dos aurculas se contraen para impulsar la sangre a los ventrculos, los cuales estn en ese momento en la fase de distole ventricular (relajados). En esosinstanteslasvlvulasarticaypulmonarsecierranylas vlvulas mitral y tricspide se abren (segundo sonido, S2). Finalmente,seproduceunafasederelajacindelasaurculas yventrculos(distolegeneral)queduraunos0.4seg,apartir de la cual se iniciar un nuevo ciclo. Las caractersticas en frecuencia correspondientes a cada uno de los sonidos cardacos se exponen en la Tabla 1 y la forma de onda para una seal FCG donde pueden apreciarse de forma visual los sonidosS1y S2semuestraenlaFigura.1.
Tabla.1 Caractersticasde lossonidoscardacos SonidoCardaco Duracin(seg) 0.1 0.12 0.08 0.1 Rangodefrecuencia(Hz) 20 150 50 60

173

III. T CNICASDEPREPROCESAMIENTOYPROCESAMIENTO
DELASEAL

A. Latransformadawavelet
Estatcnicaesunadelasmssobresalientesenelanlisis de seales no estacionarias. Las wavelets son familias de funciones que permiten el anlisis de una seal para extraer caractersticasdeespacio,tamaoydireccinUnafamiliade waveletssedefinecomo:

S1 S2

Figur a 2.SealFCGconevidenciadesoplocardaco

x - b a ha ,b =

(1)

que es generada a partir de funciones madre h( x ), agregndolelaescala a lacualpermitequelaondasedilate o secontraiga,ylavariabledetraslacin b,permitiendoque lasealsedesplace eneltiempo. La transformada wavelet permite obtener informacin en tiempofrecuencia de seales no estacionarias. En el caso de latransformadawaveletcontinuaCWT,sedefinecomo:
Figur a 1.SealFCGnormal
Y CWTx (t ,a ) =

C.Soploscardacos
Son ruidos adicionales a S1 y S2 producidos por turbulencias en el flujo de la sangre a travs de las distintas cmaras y grandes vasos. El flujo sanguneo normal es laminar y por lo tantoes silencioso, mientras que cuando se haceturbulentosevuelveruidosoyperceptible,dandoorigen al soplo. De acuerdo al instante en que se presenta el soplo puede considerarse sistlico o diastlico. En la Figura. 2 se apreciaunasealFCGqueevidencialapresenciadeunsoplo cardaco.

x ( t )Y

t- t a

dt

(2)

dondelaescaladelawavelet a sepuedeconsiderarcomo el inverso de la frecuencia. El proceso de clculodelaCWT se hace de manera similar al de la STFT. La CWT revela muchosdetallesdelaseal,debidoaquerealizaelprocesode clculoenformaiterativahastaquetodalasealesprocesada cubriendo todas las escalas. No obstante, el costo computacionalesmayor. Latransformadawaveletdiscretapermiterealizarelmismo procedimiento de la CWT en menor tiempo computacional,

174

RevistaAvancesenSistemaseInformtica,Vol.4No.3,Diciembre de2007

yaquecalculaloscoeficienteswaveletenintervalosdiscretos detiempoyescala.ParaelclculodelaDWT,lawavelet Y es dilatada y transladada en valores discretos. A menudo se usanpotenciasde2dilataciones(llamadasdidicas)[10]:

Unbiased Risk Estimate (SURE), el cual calcula una estimacin del riesgoparaunvalorparticulardeumbral x0 ,
paralocualserequiereunaseleccindelvalordeumbral.El principio de SURE est dado por la ecuacin (7) en funcin deunparmetrodesuavizado l ,particularmente unumbral.

y ( 2 kt +l ),

(3)

k Por lo tanto la DWT de f es una funcin de escala 2 y tiempo l:

k DWT ( f ) ( 2k , l ) = f ( t )y ( 2 t + l )dt

SURE (l ) = F(l ) - s 2 +2s 2

N - N0 N

(7)

(3)

donde F (l) es el dato de entrada, s2 es la varianza del ruido,Neselnmerodepuntosdelaseal,y N0 eselnmero de coeficientes wavelet correspondientes al ruido ubicados bajoelumbral.Estemtodo,adiferenciadelaumbralizacin universal, depende directamente dela seal de entrada,yno slodeunaestimacinbasadaenloslosdatosdelavarianza del ruido s2 [11]. En la segunda regla de seleccin, se usa unaformafijadeumbralque resultaenlaaccindelminimax multiplicadoporunfactorpequeoproporcionalallogaritmo delalongituddelaseal l ( x ).

B. Parmetrosrelacionadosalareduccinderuido
La reduccin de interferencias acsticas presentes en los registros de FCG, usando la transformada wavelet, requiere del ajuste de algunos parmetros, como son: el umbral, el niveldedescomposicinyelreescalamiento.

1) Mtodosdeumbralizacin:Seanalizandosmtodosde umbralizacin: fuerte (hard thresholding), en la cual los coeficientes de valor absoluto menor al umbral se hacen 0 y losdemssedejanigual:
x u =
x, x > x 0 0, x x 0

sqt = 2 log( l ( F ) )

(8)

(5)

Elsegundomtodocorrespondealaumbralizacinsuaveo soft thresholding, en la cual los coeficientes cuyo valor absoluto se encuentran por debajo del umbral tambin se hacen 0, pero los coeficientes restantes son reducidos a un valorcercanoa0:

x u =

sgn ( x ) ( x - x0 ), x > x 0 0, x x0

(6)

En la tercera regla se emplea una combinacin entre las dos anteriores, donde, si la relacin sealruido es muy pequea,laestimacinconSUREresultamuyruidosa.Porlo tanto,seutilizalaformafijadelumbral.Enlacuartareglael umbralesescogidoconbaseenelprincipiodelminimaxpara el error cuadrtico medio. Este principio es utilizado en la Estadstica para disear estimadores porque obtiene el mnimo del mximo error cuadrtico medio. Para realizar la seleccindelumbral,minimizaelriesgomximorelativocon respecto a la seleccin ptima del riesgo. Sostiene que esta rataderiesgotambinsecomportacomo 2log N yelmismo umbralconminimaxesasinttico( : )[11].
mM : 2 logNs

donde x0 es el umbral, x es la seal original yxu es la sealumbralizada[11].

(9)

2) Reglas para la seleccin de umbral: Se presentan cuatroopcionesparaescogerlaregladeseleccindelumbral msapropiada,lascualessepuedenobservarenlaTabla2.

Regla Rigrsure Tabla.2 Reglasdeseleccindelumbral. Descripcin Seleccinusandoelprincipiode Stein's UnbisedRisk Estimate (SURE) Formafijadelumbralqueesigualalarazcuadradadedos vecesellogaritmodelalongituddelaseal. Seleccinusandounacombinacindelasdos opcionesantesmencionadas. Seleccindelumbralusandoelprincipiodel minimax.

donde representa la seleccin del umbral con mM minimax, N el nmero de puntos de la seal, y s es la desviacinestndardelruido.

Sqtwolog Heursure Minimaxi

3) Nivelesdedescomposicin:Elprocesodedescomposicin puede ser iterativo, con aproximaciones sucesivas siendo descompuestascadavez,demaneraquelasealquedereducida encomponentesdemsbajaresolucin.Paraesteprocesoseusa unmtododenominadorboldedescomposicindewavelet.En la prctica se selecciona un nivel de descomposicin adecuado segnlanaturalezadelaseal[12]. 4) Mtodosdereescalamiento:EnlaTabla3selistanlos mtodosdisponibleseneltoolboxde waveletdeMatlab.Enel primer mtodo se sigue el modelo bsico del ruido, y no realiza reescalamiento. En el segundo se sigue el modelo bsico de ruido pero con ruido no escalado, y realiza el

Estas reglas utilizan regresiones estadsticas sobre el tiempo de los coeficientes correspondientes a las perturbaciones para obtener estimaciones no paramtricas de la seal reconstruida. Para la primera regla mencionada se realiza la seleccin basndose en el principio de Stein's

AnlisisAcsticosobreSealesdeAuscultacinDigitalparalaDeteccindeSoplosCardacosCastao etal. reescalamiento usando solo una estimacin simple del nivel deruido,elcualsecalculaconbaseenlos coeficientesdelprimer niveldedescomposicin.Eltercero correspondealmodelobsico de ruido con ruido no blanco, y el reescalamiento lo realiza basadoenunaestimacinquedependedelnivelderuidoeneste niveldedescomposicin [13].
Tabla.3 Mtodosdereescalamiento. Mtodo One Sln Mln Descripcin Sigueelmodelobsicodelruido. Modelobsicodelruidoconruidonoescalado. Modelobsicodelruidoconruidonoblanco

175

D.Anlisisacstico
Este tipo de anlisis hace referencia alacuantificacinde parmetros que describen comportamientos sonoros. En particular, el anlisis sobre seales de auscultacin digital requiere que el odo mdico capture rasgos tiles en el descubrimiento de sonidos asociados a disfuncionalidades cardacas. La automatizacin de estos procedimientos mdicosseobtienemediantelarealizacindealgoritmosque obtienen medidas relacionadas a las cualidades sonoras y espectrales, formando el vector de caractersticas con las cuales se busca obtener patrones discriminantes entre las clasesnormalypatolgica. Unsonidopuedeserconsideradocomolavibracindelaire adiferentesfrecuencias,detalmaneraqueunasealsepuede descomponer como la suma de componentes de amplitud y frecuencia definidas [17]. En la dinmica cardaca, los continuos movimientos de apertura y cierre de las vlvulas producen sonidos que pasan a travs de la piel y son capturadosporunestetoscopiodigital(sealFCG).

5) Wavelesutilizadas:Losalgoritmosseimplementancon waveletsortogonales,puespermitenunamejorreconstruccin
de la seal original y su proceso de clculo es relativamente sencillo[14],[13].Estosedebeaquecadacoeficientewavelet se calcula nicamente con un productoescalar entrelaseal original y la wavelet. Su tiempo de cmputo es corto y permiten hallar la transformada con el mismo nmero de muestrasdelasealoriginal[15].Laswaveletsquesatisfacen estas condiciones son las Haar, Daubechies, Symlets y Coiflets[13].

1) CoeficientescepstralesenlaescaladefrecuenciaMel (MFCC): Estudios fisiolgicos han demostrado que la

percepcin humana delcontenidoespectralacsticonosigue una escala lineal, realmente, la percepcin en las bajas frecuenciassigueunaescalalinealyen frecuenciasaltasuna escala logartmica [18]. Los MFCC son una representacin definidacomoloscepstrumrealesdeunasealventaneadaa corto tiempo obtenida mediante la transformada rpida de Fourier (FFT). La diferencia de los MFCC con los cepstrum reales es que se usa una escala no lineal de frecuencia. As, los MFCC pueden ser considerados como una aproximacin al comportamiento del sistema auditivo humano [19], partiendodequeelsistemaauditivofuncionacomounbanco de filtros en las que el mdulo de amplitud decae exponencialmente, y las frecuencias centrales de cada filtro estnespaciadasdeformacrecientey logartmica.LosMFCC intentan emular este comportamiento mediante un banco de filtros que usa la escala Mel para la determinacin de las frecuencias centrales de cada filtro. La energa que pasa por cadafiltrocorrespondeacadaMFCCdelaseal.

C.EnvolventedeEnerga
El proceso de segmentacin de seales FCG puede ser basado sobre la envolvente de la seal [16], calculada por medio de la energa de Shannon: E = -x2 logx2. Este es el mtodomsadecuadoparaelclculodelaenvolventeyaque es bondadoso en la intensidad media y atena el efecto de intensidad baja mucho ms que el de intensidad alta en la seal adems hace ms fcil encontrar sonidos con baja intensidad debido a la poca diferencia existenteentreestosy los de alta. La energa promedio de Shannon esta definida como los promedios de energa de ventanas sucesivas traslapadasdeunaseal,estoes:

Es ( t ) = -

x ( i ) logx ( i) N i
=1

N
2 2

(10)

donde,xeselvalordelasealyNelnmerodedatospor ventana de la seal, y la energa promedio normalizada de Shannonescalculadacomo:

Pa ( t) =

Es ( t ) - Es ( t) S ( Es ( t ) )

2) Jitter: Esunamedidaquetomatramosdelasealque contienenalmenosunciclodelafrecuenciafundamental f 0 ydeterminalavariacindela f 0 decadatramoconrespecto ala f 0 delaseal[19].

En la frecuencia existen otras medidas que ayudan a la representacin de dinmicas sonoras como es el ancho de bandaefectivoyenvolventesdeenerga[20].

(11)

donde Es ( t) eselvalormediode Es ( t) y S ( Es ( t) ) esla desviacinestndarde Es ( t).

E. Mquinasdesoportevectorial
La tcnica de clasificacin basada en las mquinas de soporte vectorial es uno de los mtodos de aprendizaje

176

RevistaAvancesenSistemaseInformtica,Vol.4No.3,Diciembre de2007
= sgn d mk1 - d mk2 +b

generalmente usado en el reconocimiento de patrones [21]. Este mtodo consiste en buscar un hiperplano de mxima separacinentrelasclases,paraloqueserequierehaceruna transformacin no lineal de los datos de entrada (datos de entrenamiento) hacia un espacio de caractersticas de dimensinmayordondelasclasestenganmximaseparacin. En el hiperespacio resultante se procede a realizar la bsquedadelhiperplanoquedividelasclases. Seaelconjuntodedatosdeentrenamiento:

{(

) (

) }

(15)

donde, 1 b= mk1 2

- mk2

(16)

Por ltimo se reescribe la ecuacin (15)basadosen(12)y (13)

y = sgn

1 rk1

( x1 , y1 ) , ( x2 , y2 ) ,..., ( xr , yr ) X {1}
donde cada xi n es un elemento del conjunto X y yi es la etiqueta de xi . A este conjunto X se aplica una transformacinnolinealde losdatos,atravsdeunKernel:

{:

1 (d xi ) ( d xi ) + b r i y i y
i =1

k 2

{:

i = -1

deloqueseobtieneque:
1 rk1 1 k ( x, xi ) k ( x,xi ) + b r i y i y
i =1

y = sgn

{:

k 2

{:

i =- 1

k :X X ( x, x ') k ( x, x ') :=( x,x') Enelespacioresultanteseconservanlasmismasetiquetas yi paracada xi ysehallanloselementospromediodecada clase, m k =

1

y b puedeserconsideradocomo:
1 1 2 2 rk1

b :=

k ( xi , x j ) - k ( xi ,xj ) r b a
2

1
k 2

(17)

rk

{i : y } i =1

xi xi i y
i =-1

(12) (13)

donde a eselconjuntodendices {i, j : yi = y j =1} y b elconjuntodendices {i, j : yi = y j = - 1} .Sepuedeobservar entonces que las mquinas de soporte vectorial son tiles en laclasificacindepatrones,solobastaconhacerunaeleccin adecuadadelkerneldetransformacin. IV. MARCOEXPERIMENTAL

m k 2 =

rk

{:

donde rk 1

y rk 2

es el nmero de elementos que

correspondenalaetiqueta yi =1 y yi = -1 respectivamente, de manera anloga para los promedios de clase mk 1 y mk 2 . Deacuerdoaesto,seobtieneelvector w cuyosextremosse ubican en los dos valores medios mk 1 y mk 2 , donde la magnitud de w informa acerca de la distancia que existe entre las medias de las clases. Al tomar una muestra de prueba d se procede a hallar el vector q que relaciona la distancia entre d y el puntomedioubicadoentrelasmedias mk + mk2 de las clases, q = d- 1 . Se analiza el ngulo q 2 p p formadopor q y w,detalmaneraquesi >q y q < - 2 2 p p la muestra d pertenece a una clase, y si <q y q > - 2 2 pertenece a la otra clase. Por lo tanto, la prediccin de la etiquetadelamuestradepruebaes:

A. BasedeDatos
Labasededatosconlaqueserealizaeltrabajopertenecea la Universidad Nacional de Colombia y est conformadapor registros FCG tomados a sujetos normales y a pacientes que evidencian la presencia de soplos cardacos causados por valvulopatas cardacas (estenosis artica, regurgitacin mitral, etc). A cada paciente se le toman 8 registros correspondientes a los cuatro focos de auscultacin (mitral, tricuspdeo, artico y pulmonar) en fase de apnea post espiratoria y postinspiratoria,cadaunoconunaduracinde 12 segundos y en posicin decbito dorsal. El tiempo no se pudoextendermsdebidoaquelospacientesconproblemas cardacossonincapacesdesostenerlaapneapostinspiratoria y postespiratoria por ms tiempo. Las muestras fueron adquiridasa50sujetosnormalesy98pacientesconevidencia de soplo cardaco con un estetoscopio electrnico marca WelchAllyn modelo Meditrn. La toma de los registros se realiza sin limitaciones de edad y sexo de las personas que colaboraronenesteprocedimiento,siempreycuandosehaya verificado su mayora de edad. Todos los registros normales seadquierendentrodelacabinaacsticadelHospitalInfantil

y = sgn d-

mk + m k mk - mk 2
1 2 1 2

(14)

AnlisisAcsticosobreSealesdeAuscultacinDigitalparalaDeteccindeSoplosCardacosCastao etal. Universitario Rafael Henao Toro, despus de haber valorado a los sujetos mediante un chequeo mdico para comprobar mediante la auscultacin cardaca el estado funcionaldelcorazneindicarleselpropsitodelestudio.De esta base de datos etiquetada se usaron 111 registros distribuidosas:37registrosconetiquetanormal,24registros con etiqueta de soplo y 50 con etiqueta de otras anormalidades. se obtienemediantelasiguienteexpresin,
2 N ( x ( n ) - x) SNR = 10 log Nn=1 2 % ( x ( n ) - x ( n ) ) n=1

177

(18)

B. DescripcindelProcedimiento
En la Figura. 3 se muestra el diagrama esquemtico del procedimientopropuesto.

%( n) la seal en donde x ( n) es la seal original, x

reconstruida, x ( n) lamediadelasealy N eltamaodela ventanasobrelacualsecalcula.Laobtencindelvalordela SNR se realiz sobre las seales procesadas con los algoritmos que, a criterio de los mdicos expertos en auscultacin,presentaronlosmejoresresultadosde filtracin.

Figur a 3.Diagramadebloquesdelprocedimientopropuesto

1) Filtracin: Antes de iniciar cualquier tipo de

procesamientodelassealesFCGesimportanterealizaruna etapa de filtracin con el objetivo de reducir interferencias acsticas que son involucradas en la etapa de adquisicin, pero de ninguna manera se pueden modificar los atributos sonoros de la dinmica cardaca. El procedimiento para lograr la reduccin de las perturbaciones en los fonocardiogramas consisti en disear algoritmos del tipo denoising, usando cada una de las reglas de seleccin del umbral con los mtodos de reescalamiento. Estas combinaciones se realizaron variando el nivel de descomposicin desde 1 hasta 10 para diferentes familias wavelets (ver Sec. IIIB5). Posteriormente, un grupo de tres mdicos expertos en auscultacin cardaca escucharon los registros originales y los filtrados mediante denoising. A partirdelosconceptosemitidosporelgrupodeespecialistas, se descartaron los algoritmos que alteraron de forma inadecuadalascaractersticassonorasdelasealyseeligiel que de forma ms clara permiti percibir tato los sonidos cardacoscomolossoplos. El mtodo de validacin matemtica utilizado para este anlisiseselestudiodelarelacinsealruido SNR ,lacual

2) Segmentacin: Sedivideenlassiguientesetapas: Seleccin depicos.Teniendolaenvolventedeenerga promedio normalizada deShannon, usandoventanasde0.02 seg traslapadas 0.01 seg, se realiza la identificacin de los sonidos S1yS2.Sedefineunumbralparaeliminar elefecto
del ruido y lassealesdemuybajaintensidad,elcualpuede serdeterminadocomosigue:

Th =kPmax

(19)

donde Pmax , es el valormximodelaenvolventeykesla constante que define cuanto porcentaje de amplitud de la envolventesetomaparadeterminarelumbral.Enestetrabajo el valor dek, escogido empricamente, es 0.08. Los picos de la envolvente que exceden el umbral son escogidos, y se asumen temporalmente como sonidos pertenecientes al ciclo cardacoparalassealesquecontienesoplos. Remocindepicosextras.Puedenexistirproblemasal escoger los picos correspondientes a los sonidos cardacos, debidoaquesepuedenpresentarenlaenvolventedeunode lossonidos,picoslocales,correspondientesalaexistenciade un sonido dividido. Para eliminar los picos sobrantes se calculantodoslosintervalosdetiempoentrepicosadyacentes

178

RevistaAvancesenSistemaseInformtica,Vol.4No.3,Diciembre de2007 evidencias de soplo cardaco. La caracterizacin acstica se realiz usando un ventaneo de longitud l ydesplazamiento m , de manera que el valor estimado de cada caracterstica paratodoelregistrosehizoigualalpromediodelosvalores obtenidos para cada caracterstica en todas las ventanas. los valores de m y l fueron estimados en la etapa de entrenamientodelosalgoritmos.

(ti ), y seguidamente se estima unvaloralto (la ) yunobajo (lb ),basadosenlamedia ( t) yladesviacinestndar st de losintervalos t i ,dadospor:

lb = t -s t la = t -s t

(20) (21)

Cuando un intervalo entre dos picos adyacentes es menor queellmitedetiempobajo,existeunpicoextraquedebeser removido,teniendoencuenta:

a)Sienunintervalomenora50ms(tiempodeduracin
deunsonidocuandoestadividido)existendospicos, se escoge el primer pico si su valor de amplitud es comparable con la del segundo de lo contrario el primer pico es tomado como ruido y se escoge el segundo.

b)Sielintervaloesmayora50msseescogeelpicocon
mayorvalor. Rescatedepicosperdidos.AlgunossonidoscardacosS1 S2, presentan menor energa que la del umbral escogido. Pararescatarlopicosperdidosseexaminanlosintervalosque sobrepasenellmitedetiempoalto,asumindosequeunpico hasidoperdido,portantoelumbralserdisminuidotomando un factor K igual a 0.005 para encontrar dichos picos, y nuevamenteseaplicaelcriterioparaeliminarpicosextra. Identificacin de S1 y S2. Las perturbaciones por artefactos pueden presentar picos de energa similares a los picos de los sonidos S1 yS2 que no pueden ser descartados usando los mtodos antes mencionados. Se debe identificar culesS1yculesS2,teniendoencuentalosiguiente: a)El perodo diastlico es el intervalo ms largo de la seal. b)El perodo sistlico es constante comparado con el periododiastlico. Paracorroborarquelasegmentacintengaunadistribucin sucesiva de sonidos S1 yS2, se busca si existen dos sonidos delmismotipoyenestecasoesnecesarioencontrarelsonido faltante, por medio de la ubicacin del mximo pico. Finalmente con la ubicacin temporal de los sonidos cardacos, es posible determinar el inicio y final para cada unodelosperiodossistlicosydiastlicosdelregistroFCG.

Estimacin de losMFCC:Enestetrabajosecalculan14 MFCC para cadasegmentointralatidodelasealFCG(S1, sstole,S2,distole).Sedisean14filtrostriangularescuyas frecuencias centrales van desde 0 hasta fs/ 2 de forma logartmica (ver Figura. 4), donde fs es la frecuencia de muestreo de la seal ( fs =3kHz ). Las amplitudes decaen

fs/ 2. De esta manera, la representacindeFourierdecadasegmentodellatido, X ,se multiplicaporloscoeficientesdecadafiltro Hm :

exponencialmente hacia

X F [ m] = ln X [ k ] H m [ k ] , 0< m M
k= 0

N-1

Finalmente, se determinan los MFCC c [ n] (1 por cada filtro)de lasiguientemanera:

c [ n ] = X F [ m] cos (p n ( m - 1/ 2 ) / M ), 0 n M
m= 0

M-1

Siendo M =14 elnmerodecoeficientesMFCC. Tambin se estim el MFCC relativo, tomado como el valor mximo entre el cuarto MFCC sistlico y el cuarto MFCCdiastlico,debidoaquelafrecuenciacentraldecuarto MFCC coincide con la mayor componente en frecuencia de lossoploscardacos.

3) Extraccin de caractersticas acsticas: La etapa de caracterizacin consiste en hallar un espacio coordenado p

dimensional que represente adecuadamente la seal FCG, donde p es el nmero de caractersticas. As, en este nuevo espaciosebuscaunafronteradedecisinqueseparelasclases a discriminar. Por lo tanto, a partir de la seal se extrae la informacin acstica o espectral relevante que permita distinguir entre un FCG normal y uno que presente

AnlisisAcsticosobreSealesdeAuscultacinDigitalparalaDeteccindeSoplosCardacosCastao etal.

179

parmetrosdeoperacinque rigenelsistemadedeteccin.

a)Longitud de la ventana de anlisis: En el

procesamiento digital de seales el clculo del ancho delaventanadeanlisisesunodelosproblemasms inmediatos a resolver y consiste en encontrar la longitud de la seal donde el comportamiento es cuasiestacionario, de manera que las caractersticas estadsticas del segmento son independientes del tiempo en el que se tome.Paraestetrabajoelclculo del ancho de la ventana se hizo mediante un procedimientodondeseestimaronlosvaloresparalas caractersticas variando dos parmetros de la ventana sobrelaseal: l y m . l eslalongitudlaventanaen nmero de latidos y m es el desplazamiento de la ventana por latidos o por el porcentaje de lalongitud promedio de un latido. La bondad de la ventana se estim mediante la precisin de clasificacin (PC) usando el conjunto de caractersticas a la entrada de los dos clasificadores en cascada. Los resultados se exponenenlaTablaIV.

Figur a 4. Bancode14filtrosparaobtenerlos14MFCC

Estimacin del Jitter : Inicialmente, el procedimiento requiere determinar la longitud de ventana que contenga al menos un ciclo de la componente de menor frecuencia con magnitudsignificativaenelespectropromediodelasseales FCG. Este valor seestimen20Hz,porlotantolalongitud delaventanasetomde5ms.Luego,sehaceunventaneode los segmentos (S1, sstole, S2, distole), hallando por medio de la transformada rpida de Fourier la frecuencia fundamental f 0 de cada tramo, desplazando la ventana con 80% de solapamiento. Finalmente, se obtiene el vector de frecuencias fundamentales de dimensin N para cada segmento,yse estimaelJitter,como:
N f0 ( i - 1) + f0 ( i ) + f0 ( i+ 1 ) - f i 0 ( ) 3 i=1 Jitter = N

b)Seleccin de caractersticas: Este procedimiento es usado para determinarelsubconjuntodevariables z del espacio inicial de caractersticas x que
contribuyen de manera efectiva en la representacin. A este conjunto de variables se le conoce con el nombre de caractersticas relevantes. En general, el problema de seleccin de caractersticas consiste en encontrar un subconjunto x x , tal que, si el ( cardinal de x j es q, y en x = x j x : j = 1,...,M

f ( i ) i
0 =1

As, las medidas acsticas tomadas en cuenta para este trabajofueron:los14MFCCparacadasegmentointralatido, el MFCC relativo y el Jitter. El conjunto total de caractersticas estimadas es de 58 y queda conformada una matrizdeentrenamiento X dedimensiones 111 58 . 4) Fronteras de decisin: En esta etapa se desarrolla el soporte de diagnstico automatizado que consta de 3 clases: k1sealnormal,k2registroconevidenciadesoplosy k3 seal con otro tipo de anormalidades. Para este fin se construye un modelo en cascada de dos clasificadores (del tipo mquina de soporte vectorial). Para cada clasificador se obtiene una superficie ndimensional que son usadas como fronterasdedecisin.Elprimerclasificadordistingue entrela clase k1 y las clases k2 yk3, quedando la tarea del segundo clasificador de discriminar entre las clases k2 yk3. De esta manera, si a la entrada se tiene un vector con q elementos, este vector se toma como un punto en el espacio q dimensional y de acuerdo a su ubicacin con respecto a las fronteras de decisin, al vector de entrada se le asigna la etiquetadecualquieradelastresclases.EnelAlgoritmo1se describeelprocedimientode diagnstico. 5) Entrenamiento: En el entrenamiento se ajustan los

estntodoslossubconjuntosdecardinalq,seprocura hallarelsubconjunto z = xj ,paraelcualseoptimice la funcin de evaluacin f , dado un conjunto de x

j

etiquetasdeclase k[22],

fz ( k , z ) = max fx k,x j (
x x
j

La literatura resea rutinas wrapper (cuando fx usa informacin del procedimiento de clasificacin buscando minimizar el error del clasificador) que realizanlabsquedaenunnmeroconsiderablemente menor de subconjuntos, entre las cuales se encuentra la seleccin flotante hacia adelante (SFFS) [23]. En estatcnica,cadapasoincluyeunanuevavariablepor mediodeunprocedimientosecuencialhaciaadelante, peroluegorealizalaexclusindelasvariablesmenos significativas, una por una, hasta que latasadeerror de clasificacin correcta disminuya. Una vez que ya no se puede seguir excluyendo variables se hace otro paso hacia delante para incluir otra variable y nuevamente se realiza la exclusin de variables, si es posible. El proceso es recurrente hasta que ya no se

180

RevistaAvancesenSistemaseInformtica,Vol.4No.3,Diciembre de2007 puedan efectuar ms pasos hacia adelante debido a quelaprecisindeclasificacinyanoseincremente.

c)Seleccin de hiperplanos: En esta etapa se tienen las

matrices correspondientes a todas las pruebas con diferentes ventanas, se emplea entonces una SVM para generar los planos de decisin. Se escogen las fronteras que minimizan el error de validacin, usandovalidacinsimple. V.RESULTADOS Los resultados obtenidos de la etapa de filtracin se muestran en las Figuras. 5, 6, 7 y 8 donde se aprecian los diagramas tiempofrecuencia de las seales normales y patolgicas originales y filtradas. El mejor algoritmo de filtracin fue seleccionado usando criterios de auscultaciny apreciacionesauditivasdemdicosespecialistas.

Figur a 7. Respuestatiempofrecuenciadeunaseal FCGconsoplosin filtrar.

Figur a 8. Respuestatiempofrecuenciadeunaseal FCGconsoplofiltrada. Figur a 5. Respuestatiempofrecuenciadeunaseal FCGnormalsin filtrar.

Los resultados de precisin de clasificacin (PC) fueron usados en la determinacin de la longitud de la ventana de anlisis y se exponen en la Tabla 4. Se observa que los mejoresresultadosdeclasificacinobtuvieroncuandosetom la ventana de longitud igual a un latido y el desplazamiento igualmentedeunlatido.
Especifidad=

TN 100% = 94, 4% TN +F P

Tabla. 4 Bondaddeclasificacinparadiferenteslongitudesdelaventanade anlisis

(#latidos) 1 1 1 2 2 2 2 3 3 3 3 3

m (#latidoso%deunlatido)
1 30% 60% 1 30% 60% 90% 1 2 30% 60% 90%

PC(%) 96 62 60 62 60 62 58 62 62 67 67 22

Figur a 6. Respuestatiempofrecuenciadeunaseal FCGnormalfiltrada.

AnlisisAcsticosobreSealesdeAuscultacinDigitalparalaDeteccindeSoplosCardacosCastao etal. Estos valores significan que pocos latidos anmalos sern consideradoscomonormales,locualesdeseable.Elhechode que latidos normales sean considerados como posibles patolgicosimplicaqueelcardilogodebercomprobarlosde forma visual, pero esto no se considera un problema grave. De otra parte, se calcularon los resultados de clasificacin usandolascaractersticasextradasdelosregistrossinfiltrar ylaprecisindeclasificacinfue considerablemente afectada, reducindoseaun61%. VI. CONCLUSIONES Losresultadosobtenidosenladeteccindesoplosapartirdel anlisisdesealesFCGindicanqueelconjuntodecaractersticas propuestoofrecendiscriminacinentrelasclases. Laatenuacindeperturbacionesacsticasconlatcnicade filtracin implementada en este trabajo, mediante descomposicin y reconstruccin utilizando transformada wavelet discreta y umbralizacin adaptativa, mejora las condiciones de percepcin auditiva de las seales FCG. La valoracinfueanalizadaydeterminadapormdicosexpertos en semiologa cardaca. Se obtuvo la atenuacin de componentesacsticasquenocorrespondanalainformacin clnica, sin deteriorar las caractersticas auditivas de los sonidos cardacos. Adicionalmente, la reduccin de perturbaciones aplicado a seales FCG incrementa la separabilidad de las clases, permitiendo el uso del anlisis acsticoparaelreconocimientodeeventospatolgicosenlos latidoscardacos,yaquelafiltracinresaltlascomponentes espectrales de los soplos reduciendo el ruido de envolvente. Cuando se hizo la caracterizacin de los registros sinfiltrar, laprecisindeclasificacinse redujosustancialmente. Elanlisisrelacionadoconlalongituddelaventanaesun pasofundamentalparaelanlisisdesealesnoestacionarias, debidoaqueseminimizalavarianzadelosvaloresestimados comocaractersticas,demaneraquealpromediarlossepuede tomarlainformacincomoconsistenteyrepresentativasobre elcomportamientodelasealcompleta. El sistema de deteccin construido resulta ser muy dependiente del desempeo del segmentador,esporestoque el mximo esfuerzo seconcentra en el desarrollo y ajuste de estaetapa.Comotrabajofuturoseproponeeldesarrollodeun segmentador ms robusto ante condiciones considerables de ruidoydeanormalidadesdelaseal. AGRADECIMIENTOS Este trabajo se encuentra en el marco de la investigacin titulada:Tcnicasdecomputacindealtorendimientoenla REFERENCIAS

181

[1] J. A. del Ro, Aspectos del perfil de morbimortalidad, Hospital UniversitariodeCaldas,Manizales,Tech.Rep.,2002. [2] A. C. Guyton and J. E. Hall, Tratado de Fisiologa mdica , novenaed. Mc.GrawHill, 1997. [3] B. Ergen and Y. Tatar, Optimal continuous wavelet analisys of periodogramssignals,inIJCIProceedingsofInternationalConference onSignalProcessing,vol.1,no.2,September2003. [4] A. Djebbari and F. B. Reguig, Shorttime fourier analysis of the phonocardiogram signal, in The 7th International conference on electronics,circuitsandsystems(ICECS00),vol.2,December2000,pp. 844847.H. [5] B.ErgenandY.Tatar,Timefrequencyanalysisofphonocardiogram, in MEASUREMENT03,Proceedingsofthe4thInternationalConference, SmoleniceCastle,Slovakia,June2003. [6] M. A. Lamfri, C. Cravero, R. F. Sister, and C. M. Scavuzzo, Anlisis espectral de ruidos cardacos adquiridos por un estetoscopio digital, in SIS00, Simposio Argentino de Informtica y Salud, Tandil, Argentina, Septiembre2000. [7] T. Modegi, Xml transcription method for biomedical acoustic signals, Medinfo,2001. [8] Z.TelatarandO.Erogul,Heartsoundsmodificationforthediagnosisof cardiac disorders, inIJCI Proceedings of International Conference on SignalProcessing,vol.1,no.2,September2003,pp.100105. [9] F. Ganong, Fisiologa mdica: El manual moderno, 15th ed. Mxico: PrenticeHall,1996. [10] S. Sitharama Iyengarand, E. C. Cho, and V. V. Phoha, Foundations of WaveletNetworksandApplications.ChapmanandHall/CRC,2002. [11] M. Jansen, Noise Reduction by Wavelet Thresholding. SpringerVerlag, 2001. [12] M.V.Wickerhauser,AdaptedWaveletAnalysisfromTheorytoSoftware. NewJersey.USA:AKPeters,1994. [13] S. Messer, J. Agzarian, and D. Abbott, Optimal wavelet denoising for phonocardiograms, Microelectronics Journal, no. 32, pp. 931941, 2001. [14] M.Misiti,Y.Misiti,G.Oppenheim,andJ.Poggi,WaveletToolbox:For UseWithMATLAB.TheMathWorksInc,1996. [15] B.B.Hubbard, TheWorldAccordingtoWavelets.AKPeters,1996. [16] S. Lukkarinen, H. Liang, and I. Hartimo, A heart sound segmentation th algorithmusingwaveletdecompositionandreconstruction,in 19 Annual

International Conference IEEE Engineering in Medicine and Biology Society, Chicago,USA,1997,pp.16301633. [17] T.D.Rossing,F.R.Moore,andP.A.Wheeler, TheScienceofSound,3rd ed.AddisonWesley,2001.
[18] S. Molau, M. Pitz, R. Schluter, and H.Ney, Computing melfrequency cepstral coefficients on the power spectrum, in IEEE International Acoustics,Speech,andSignalProcessing,2001,pp.7376. [19] A. Acero and H. W. Hon, Spoken Language Processing. Prentice Hall, 2001. [20] D.G.Childers,SpeechProcessingandSynthesisToolboxes.USA:John Wiley&Sons,2000. [21] C. J. C. Burges, A tutorial on support vector machines for pattern recognition, KnowledgeDiscoveryandDataMining,vol.2,p.22,1998. [22] A. Jain and D. Zongker, Feature selection: Evaluation, application, and smallsampleperformance,IEEETransactionsonPatternAnalysisand MachineIntelligence,vol.19,no.2,pp.153158,1997. [23] A.R.Webb,StatisticalPatternRecognition,2nded.JohnWiley&Sons Ltd,2002.

Andr s Mar celo Castao. Ingeniero electrnico. Egresado de la Universidad Nacional de Colombia en la promocin 2007. Su rea de trabajo es el procesamientodesealesbiomdicasyreconocimientodepatrones.Actualmente trabajaenelGrupodeControlyProcesamientoDigitaldeSeales. Edilson DelgadoTr ejos. Profesor catedrtico. Departamento de Ingeniera Elctrica, Electrnica y ComputacinenlaUniversidadNacionaldeColombia SedeManizales.RecibisusttuloscomoIngenieroElectrnicoycomoM.Sc.en Automatizacin Industrial en los aos 2000 y 2003, respectivamente. Actualmente cursa ltimo semestre del Doctorado en Ingeniera en la UniversidadNacionaldeColombia.Susreasdedesempeomsimportantesse ubican en el tratamiento de seales biomdicas, entrenamiento de mquinas inteligentes,reconocimientodepatronesyanlisisdeestructurasmultivariadas.

interpretacin automatizada de imgenes mdicas y biosealeconcdigo20201004224,financiadoporlaDIMA

y la vicerrectora de Investigaciones de la Universidad NacionaldeColombiasede Manizales.

182

RevistaAvancesenSistemaseInformtica,Vol.4No.3,Diciembre de2007

J uan Ignacio Godino. Profesor asociado. Departamento de Ingeniera de CircuitosySistemasenlaUniversidadPolitcnicadeMadrid. Ger mn CastellanosDomnguez. Profesor Asociado. Departamento de IngenieraElctrica,ElectrnicayComputacinenlaUniversidadNacionalde ColombiaSedeManizales.PregradoendiseoydesarrollodereceptoresMSK (profundizacin en anlisis de aleatoriedad en seales y sistemas, ingeniera electrnicayprocesodeseales)yPh.D.endispositivosysistemasde procesoen el Instituto Nauchno Issledovatelskiy de Rusia en los aos 1985 y 1990, respectivamente.CoordinadordelGrupodeControlyProcesamientoDigitalde seales.Sureadetrabajoeselprocesoyanlisisdesealesaleatorias,usando herramientas deaprendizajedemquinayreconocimientodepatrones.