Escolar Documentos
Profissional Documentos
Cultura Documentos
Porto Alegre
2015
Afonso Menegola
Porto Alegre
2015
Resumo
Apesar do conhecimento de que o ndice de distrbios de sono aumenta, pouca informao est disponvel sobre a deteco de ronco durante o sono. O presente projeto visa o
desenvolvimento de um algoritmo de deteco automtica do ronco atravs de um sinal
de udio no contexto de Mobile Health (mHealth), que possibilitaria uma anlise clnica
simples e robusta atravs de smartphones. Para detectar o evento de ronco em um sinal
de udio so propostas algumas tcnicas, como processamento de sinal e o algoritmo classificador AdaBoost. At o presente momento, atravs do tratamento de um sinal de udio
de um minuto com oito roncos, sete foram detectados como candidatos a ronco, sugerindo melhorias nessa etapa de processamento. Estipula-se que o algoritmo classificador
ir classificar corretamente, com alta especificidade, os eventos de ronco. Para o prximo
ponto de verificao espera-se obter essa resposta.
Palavras-chaves: Ronco. mHealth. AdaBoost.
Lista de ilustraes
Figura
Figura
Figura
Figura
Figura
Figura
1
2
3
4
5
6
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
13
14
14
17
18
18
Mobile Health
EEG
Eletroencefalograma
ECG
Eletrocardiograma
AdaBoost
Adaptive Boosting
Sumrio
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . .
detector de evento de ronco .
. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1.1
1.2
1.2.1
1.2.2
1.2.3
1.3
METODOLOGIA . . . . . . . .
Coleta de amostras . . . . . . . .
Implementao de um algoritmo
Pr-Processamento . . . . . . . . .
Deteco e segmentao de eventos
Classificao . . . . . . . . . . . .
Resultados esperados do projeto
11
11
12
12
12
14
15
PROGRESSO REALIZADO . . . . . . . . . . . . . . . . . . . . . . . 17
Concluso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
REFERNCIAS
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Introduo
Nos Estados Unidos, estima-se que 48% da populao ronca durante o sono. (RAM
et al., 2009). Exames de deteco e monitoramento de distrbios do sono so em geral
realizados em Laboratrios do Sono. Alm do exame clnico (anamnese e exame fsico), a
Polissonografia o procedimento existente para deteco de distrbios do sono, como o
prprio ronco. Diversas dificuldades esto associadas essa anlise: longa fila de espera,
desconforto do paciente, custo elevado, para citar algumas. Embora existam hoje em dia
aparelhos mveis que realizam a coleta de dados clnicos na casa do paciente, estes aparelhos so fornecidos pelo prprio laboratrio e no so capazes de suplantar as dificuldades
de acesso ao exame.
O paradigma Mobile Health (mHealth) tem surgido nos ltimos anos como uma
alternativa para auxiliar os pacientes e os profissionais de sade na preveno, diagnstico
e tratamento de doenas. No contexto de deteco e monitorao de disturbios do sono,
mHealth pode ser utilizado para gerao/coleta, agregao, processamento e disseminao
de informao clnica via dispositivos mveis sem fio. Nos Estados Unidos, estima-se
que 85% dos adultos possuam um telefone celular. Desses, 53% possuem smartphones,
e 19% dos donos de smartphone possuem no mnimo um aplicativo de sade. (FOX;
DUGGAN, 2012). Existe, portanto, um amplo nicho de mercado capaz de impulsionar o
desenvolvimento de aplicativos capazes de auxiliar o diagnstico de doenas do sono.
Para um aplicativo mvel auxiliar na deteco e monitorao de distrbios do sono,
a anlise de sinal de udio com o intuito de detectar e caracterizar a ocorrncia de ronco
durante o sono tem grande potencial clnico. Por um lado, poder ajudar na triagem de
pacientes mais ou menos suscetveis a esses distrbios, ensejando critrios de prioridade
para a lista de espera do exame de Polissonografia. Por outro lado, poder auxiliar no
acompanhamento e monitoramento de tratamentos, aps eventual deteco do distrbio.
O que promove a utilizao de smartphones valer-se da qualidade de resoluo e
preciso de sensores desses dispositivos, hoje em dia bastante acessveis populao. Aliado a isto, a conexo via rede sem fio Internet permite a utilizao de servidores de alto
desempenho para o processamento inteligente dos dados clnicos coletados. Alm disso,
acredita-se que, atualmente, esses dispositivos fornecem poder computacional adequado
para aplicaes de mHealth (LIU, 2011).
O objetivo do projeto realizar a deteco automtica de eventos de ronco a partir
do processamento e anlise de um sinal de udio, gravado com um smartphone, durante o
sono de pacientes/voluntrios. Tal deteco capaz de fornecer caractersticas objetivas
acerca da qualidade de sono associado ao distrbio do ronco, tais como a intensidade
10
Introduo
11
1 Metodologia
A produo do presente projeto se dar em trs etapas: (i) a implementao de
um algoritmo de deteco de ronco j existente, (ii) o estudo, anlise e implementao
de um algoritmo aplicado ao contexto mHealth e (iii) sua posterior validao. Para que
sejam concludas, primeiro ser ralizada uma coleta de amostras de udio durante o sono
de um paciente, e o posterior desenvolvimento do algoritmo de deteco.
Para validao de algoritmos, a literatura realiza a coleta de amostras de pacientes durante o exame de Polissonografia. Essas amostras so classificadas manualmente em
eventos de ronco e no-ronco, utilizando audio e artifcios como espectrograma, intensidade sonora do evento e fluxo de ar obtido no exame (DAFNA; TARASIUK; ZIGEL,
2013).
Existem duas alternativas para a coleta de dados para este trabalho de Concluso
de Curso. A primeira a coleta de udio ao longo de um exame de Polissonografia.
Atualmente est sendo realizado a submisso de um projeto de pesquisa no Hospital So
Jos. A prxima reunio do comit de tica para a anlise da nova emenda est marcada
para o dia 30 de setembro de 2015.
Caso essa alternativa no se torne vivel dentro do prazo estabelecido para a concluso das coletas, ser realizada a coleta de udio de sono dos pesquisadores envolvidos
no projeto. Nesse caso, ser necessrio um estudo da viabilidade desse mtodo de validao, onde problemas como o nmero de amostras e a veracidade do arquivo de udio
devero ser superados.
12
Captulo 1. Metodologia
1.2.1 Pr-Processamento
O sinal ser coletado a uma frequncia de amostragem de 44.1kHz e 16 bits por
amostra. A densidade amostral do sinal ser reduzida, para uma resoluo de 16kHz.
Cada sinal ir passar por uma supresso de rudo adaptativo, baseado em um filtro de
Wiener. Este processo rastreia segmentos de rudo automaticamente para estimar sua
distribuio espectral, subtraindo-o do sinal de udio. O filtro de Wiener supe que tanto
o sinal quanto o rudo sejam processos estocsticos lineares (com propriedades espectrais
e de autocorrelao estacionrias) e minimiza o erro quadrtico no processo de filtragem
inversa, mitigando o efeito do rudo (SCALART; FILHO, 1996).
13
14
Captulo 1. Metodologia
Finalmente, com o instante inicial e final de cada candidato ronco, pode ser
feita uma anlise em diversas caractersticas do candidato no domnio do tempo e da
frequncia, para posterior classificao em evento de ronco ou no-ronco.
1.2.3 Classificao
Para a etapa de classificao de evento entre ronco e no-ronco, o classificador
AdaBoost ser utilizado (FREUND; SCHAPIRE, 1997). Um algoritmo de Boosting um
algoritmo de aprendizado de mquina que constri um classificador forte (bom classificador) a partir de uma combinao linear adequada de um grupo de classificadores fracos
(maus classificadores). Um classificador fraco caracterizado por uma correlao baixa
com a classificao verdadeira (ele pode classificar exemplos marginalmente melhor que
uma predio aleatria). Um classificador forte, ao contrrio, possui alta correlao com
a classificao verdadeira, atravs de um supervisor.
Imagine um apostador em uma corrida de cavalos. Esse apostador iria procurar
a opinio de apostadores mais experientes antes de tomar sua deciso em que cavalo ele
deveria apostar. Cada apostador experiente daria boas sugestes baseadas em suas experincias, criando ento um conjunto de classificadores imprecisos. O ponto do AdaBoost
integrar essas sugestes, ponderadas por importncia, para formar um nico classificador
forte para apostar em um cavalo.
Assumindo que para uma entrada , cada classificador experiente ( ) expresse
sua opinio. Assumindo que se deva separar um conjunto de vetores de treinamento em
duas classes (e.g +1 ou -1), a deciso final do comit de apostadores experientes pode ser
15
( ) = 1 1 + . . . +
(1.1)
16
Captulo 1. Metodologia
Instrues simples.
Baixo nmero de iteraes.
Baixa taxa de amostragem do sinal.
Baixa profundidade de bits por amostra.
Finalmente, trs perguntas devero ser respondidas ao final do projeto:
1. mHealth realmente uma plataforma capaz de produzir resultados clnicos confiveis
para a deteco automtica do ronco?
2. Ao longo da pesquisa realizada, conseguiu-se reduzir a complexidade do algoritmo
frente ao implementado pelo artigo base?
3. Qual o impacto da qualidade de aquisio do sinal sonoro no resultado?
17
2 Progresso Realizado
At o momento, todas as etapas do diagrama de blocos descritos na Figura 1
foram realizadas. O processamento de um sinal de um minuto de udio foi realizado
atravs do software MathWorks MATLAB R2013b. O sinal utilizado foi gerado gravando
trinta segundos iniciais de rudo ambiente e ento iniciando uma sequncia de oito roncos.
A Figura 4 mostra o grfico de amplitude do sinal de udio.
Amplitude(Arbritrio)
0.04
0.02
0
0.02
0.04
0.06
0.08
0.1
10
20
30
Tempo(s)
40
50
60
18
200
Counts
150
100
Bin Count: 21
50
0
65
70
75
80
85
90
Magnitude (dB)
95
100
105
100
Magnitude (dB)
95
90
85
80
75
70
65
10
20
30
Tempo (s)
40
50
60
19
MATLAB. Ser investigado o motivo do oitavo ronco no ter sido detectado, alm de outros pequenos problemas j observados. Entretanto, os resultados obtidos so promissores
e indicam que o algoritmo est correto. Espera-se o algoritmo de classificao descubra,
dentre os 29 eventos observados, que somente 7 (nesse caso) so de fato eventos de ronco.
21
Concluso
Em vista dos argumentos apresentados, mostrou-se mHealth um contexto desafiador para aplicaes de novas tecnologias. Verificou-se que existe uma populao
pronta para usar esse conceito, pois no s uma grande parcela das pessoas possuem
um smartphone, mas tambm se mostram proativas em utilizar aplicativos de sade. Em
outro lado do sistema, profissionais da sade anseiam por novos resultados que aprimorem
sua anlise clnica, de forma simples e robusta.
O projeto apresentado possui grande relevncia para um projeto de diplomao,
pois estimula a multidisciplinaridade necessria profisso de um engenheiro. Tal desenvolvimento contemplar o uso de processamento de sinais, programao e inteligncia
artificial para a soluo de um problema cuja abstrao se far necessria, tendo em vista
que no houve um estudo de problemas de sade no curso.
Os resultados apresentados so satisfatrios para o curto perodo de tempo de
desenvolvimento. o algoritmo se mostrou eficaz na busca de candidatos a ronco, obtendo
7 de 8 eventos, sendo que ainda no foi feita uma reviso de cdigo em busca de erros.
Acredita-se no potencial do algoritmo de classificao AdaBoost para a correta eliminao
de eventos resultantes de rudo de ambiente.
Para o prximo ponto de verificao, estipula-se que j ter resultados de uma
deteco automtica de roncos, alm de uma parcela da monografia escrita.
23
Referncias
AGRAWAL, S. et al. Sound frequency analysis and the site of snoring in natural and
induced sleep. Clin. Otolaryngol., n. 27, p. 162166, 2002. Citado na pgina 11.
DAFNA, E.; TARASIUK, A.; ZIGEL, Y. Automatic detection of whole night snoring
events using non-contact microphone. Plos One, n. 8, 2013. Citado 4 vezes nas pginas
11, 12, 13 e 14.
FOX, S.; DUGGAN, M. Mobile health 2012. Pew Internet, 2012. Citado na pgina 9.
FREUND, Y.; SCHAPIRE, R. E. A decision-theoretic generalization of on-line learning
and an application to boosting. Journal of Computer and Systems Sciences, n. 55, p.
119139, 1997. Citado na pgina 14.
LIU, C. Status and trends of mobile-health applications for ios devices: A developers
perspective. The journal of Systems and Software, n. 84, p. 20222033, 2011. Citado na
pgina 9.
P.K., D. et al. Performance comparison of machine learning algorithms and number of
independent components used in fmri decoding of belief vs. disbelief. Neuroimage, n. 52,
p. 544553, 2011. Citado na pgina 15.
RAM, S. et al. Prevalence and impact of sleep disorders and sleep habits in the united
states. Sleep Breath, n. 14, p. 6370, 2009. Citado na pgina 9.
SCALART, P.; FILHO, J. V. Speech enhancement based on a priori signal to noise
estimation. Acoustics, Speech and Signal Processing, n. 2, p. 629632, 1996. Citado na
pgina 12.