Ilha SolteiraIlha Solteira UNIVERSIDADE ESTADUAL PAULISTA “JÚLIO DE MESQUITA FILHO” Campus de Ilha Solteira - SP Osvaldo Ishizava ANÁLISE DA OXIGENAÇÃO E DA ACIDEMIA FETAL RECONHECIDAS POR MEIO DA VARIABILIDADE DE CURTO PRAZO DA FREQUÊNCIA CARDÍACA FETAL Ilha Solteira 2021 Ilha SolteiraIlha Solteira UNIVERSIDADE ESTADUAL PAULISTA “JÚLIO DE MESQUITA FILHO” Campus de Ilha Solteira - SP PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA Osvaldo Ishizava ANÁLISE DA OXIGENAÇÃO E DA ACIDEMIA FETAL RECONHECIDAS POR MEIO DA VARIABILIDADE DE CURTO PRAZO DA FREQUÊNCIA CARDÍACA FETAL Tese apresentada à Faculdade de Engenharia - UNESP - Campus de Ilha Solteira, para a obtenção do t́ıtulo de Doutor em Engenharia Elétrica. Área de Conhecimento: Automação Orientador: Prof. Dr. Jozué Vieira Filho Ilha Solteira 2021 Ishizava Análise da oxigenação e da acideia fetal reconhecidas por meio da variabilidade de curto prazo da frequência cardíaca fetalIlha Solteira2021 87 Sim Tese (doutorado)Engenharia ElétricaEspecialidade: Engenharia elétrica, Área de Conhecimento: Automação Sim . . FICHA CATALOGRÁFICA Desenvolvido pelo Serviço Técnico de Biblioteca e Documentação Ishizava, Osvaldo. Análise da oxigenação e da acideia fetal reconhecidas por meio da variabilidade de curto prazo da frequência cardíaca fetal / Osvaldo Ishizava. -- Ilha Solteira: [s.n.], 2021 87 f. : il. Tese (doutorado) - Universidade Estadual Paulista. Faculdade de Engenharia de Ilha Solteira. Área de conhecimento: Automação , 2021 Orientador: Jozué Vieira Filho Inclui bibliografia 1. Variabilidade de curto prazo. 2. Acidemia fetal. 3. Monitoramento da frequência cardíaca fetal. 4. Análise de características. 5. Engenharia paraconsistente de características. I79a UNIVERSIDADE ESTADUAL PAULISTA Câmpus de Ilha Solteira ANÁLISE DA OXIGENAÇÃO E ACIDEMIA FETAL RECONHECIDAS POR MEIO DA VARIABILIDADE DE CURTO PRAZO DA FREQUÊNCIA CARDÍACA FETAL TÍTULO DA TESE: CERTIFICADO DE APROVAÇÃO AUTOR: OSVALDO ISHIZAVA ORIENTADOR: JOZUE VIEIRA FILHO Aprovado como parte das exigências para obtenção do Título de Doutor em ENGENHARIA ELÉTRICA, área: Automação pela Comissão Examinadora: Prof. Dr. JOZUE VIEIRA FILHO (Participaçao Virtual) Coordenadoria Executiva / Câmpus Experimental de São João da Boa Vista - UNESP Prof. Dr. APARECIDO AUGUSTO DE CARVALHO (Participaçao Virtual) Departamento de Engenharia Elétrica / Faculdade de Engenharia de Ilha Solteira - UNESP Profa. Dra. SUELY CUNHA AMARO MANTOVANI (Participaçao Virtual) Departamento de Engenharia Elétrica / Faculdade de Engenharia de Ilha Solteira - UNESP Prof. Dr. MARCO APARECIDO QUEIROZ DUARTE (Participaçao Virtual) Departamento de Matemática / Universidade Estadual de Mato Grosso do Sul - UEMS Prof. Dr. EVERTHON SILVA FONSECA (Participaçao Virtual) Setor Indústria / Instituto Federal de Educação, Ciência e Tecnologia de São Paulo - IFSP Ilha Solteira, 02 de junho de 2021 Faculdade de Engenharia - Câmpus de Ilha Solteira - Avenida Brasil Centro 56, 15385000, Ilha Solteira - São Paulo http://www.ppgee.feis.unesp.brCNPJ: 48.031.918/0015-20. DEDICATÓRIA Agradeço à Deus, minha esposa Cristiane, meus filhos, netas e todos que direta ou indiretamente participaram desta jornada, apoiando, confiando, incentivando e inspirando a cada instante deste trabalho. AGRADECIMENTOS Meus agradecimentos a Deus, todos os familiares, amigos, professores, colaboradores, funcionários da FEIS-UNESP, IBILCE-UNESP, CAMF e Santa Casa de São José do Rio Preto, que direta ou indiretamente contribúıram para a realização deste estudo. Em especial, dedico meus agradecimentos: • A Deus, por ter me dado força e saúde para chegar até aqui; • À minha esposa Cristiane pelo amor, apoio, confiança, fonte da inspiração deste estudo e incentivo em todos nos momentos mais dif́ıceis; • Aos a meus filhos Daniel, Alexandre, Amanda, Leonardo, Felipe e Matheus e minhas netas Cećılia e Alice pelo amor, carinho, apoio, inspiração e incentivo que tenho recebido; • Ao Prof. Dr. Jozué Vieira Filho, por todo ensinamento, incentivo, confiança, orientação e persistência ao longo destes anos de convivência; • Ao Prof. Dr. Rodrigo Capobianco Guido, por todo ensinamento, incentivo, confiança, orientação, sobriedade e acima de tudo paciência; • Ao Prof. Dr. Guaraci Silveira Garcia, responsável pela motivação e inspiração deste estudo devido sua dedicação e conhecimento na especialidade, pelo acompanhamento nas pesquisas, sugestões e incentivo; • Aos meus amigos e colegas dos laboratórios que de forma direta ou indiretamente contribuiram para a execução deste estudo; • Às funcionárias do Centro de Avaliação Materno Fetal - CAMF, em especial à Gislaine Fátima Cicone, pela colaboração nas coletas dos sinais cardiotocográficos; • Ao Dr. Marcos Antônio Lelis Moreira Filho - Médico Ginecologista, chefe do Departamento de Ginecologia e Obstetŕıcia da Santa Casa de São José do Rio Preto, pela colaboração e incentivo nas coletas dos sinais cardiotocográficos; • Às funcionárias do Centro Obstétrico da Santa Casa de São José do Rio Preto, em especial à Daniele, Maiara, Gilmara, Neusa e demais colaboradores(as), pelo aux́ılio nas coletas dos sinais cardiotocográficos e sangue do cordão umbilical, que foram fundamentais para este estudo. • ”O presente trabalho foi realizado com apoio da Coordenação de Aperfeiçoamento de Pessoal de Ńıvel Superior - Brasil (CAPES) - Código de Financiamento 001” RESUMO Neste trabalho, são apresentados o desenvolvimento a implementação de um algoritmo dedicado a investigar a correlação entre a variabilidade de curto prazo (VCP) da frequência card́ıaca fetal (FCF) e os ńıveis de oxigenação e de acidemia fetal coletados no sangue da artéria umbilical. Os sinais dos batimentos card́ıacos fetais foram coletados utilizando um cardiotocó- grafo computadorizado, para a obtenção dos vetores de caracteŕısticas (VCs) baseados nos conceitos de energia, taxa de cruzamentos por zero (ZCR), entropia e suas respectivas massas. Posteriormente, para a análise dos VCs foi utilizado os recursos da engenharia paraconsistente de caracteŕısticas (EPC) para definir o grupo de VCs ideais, apontando para a melhor separação existente entre duas classes, isto é, VCs de gestações anormais e normais, caracterizando assim a correlação procurada para predição da oxigenação e da acidemia fetal. Foram utilizados os dados brutos selecionados sinais do batimento card́ıaco fetal, considerando-se sinais de gestações consideradas anormais com pH inferior a 7,20 e sinais de gestações consideradas normais com pH superior a 7,20. Com o processamento destes sinais considerados anormais e normais, obteve-se a matriz de confusão com 81,67% de acurácia, com a aplicação de procedimento de validação cruzada em que 50% dos FVs para cada classe foi usado para treinamento e o restante 50% foi usado para teste, apresentando um significativo resultado a partir desta análise, podendo ser considerado um excelente avanço de nascimento com sucesso. Palavras-chave: Variabilidade de curto prazo. Acidemia fetal. Monitoramento da frequência card́ıaca fetal. Análise de caracteŕısticas. Engenharia paraconsistente de caracteŕısticas. ABSTRACT In this work, the development and implementation of an algorithm dedicated to investigating the correlation between short-term variability (SVC) of fetal heart rate (FHR) and levels of oxygenation and fetal acidemia collected in umbilical artery blood are presented. The fetal heart rate signals were collected using a computerized cardiotocograph to obtain characteristic vectors (FVs) based on the concepts of energy, zero crossing rate (ZCR), entropy and their respective masses. Subsequently, for the analysis of the FVs, the resources of paraconsistent engineering of characteristics (PEC) were used to define the group of ideal FVs, pointing to the best existing separation between two classes, that is, VCs of abnormal and normal pregnancies, thus characterizing the correlation sought for prediction of fetal oxygenation and acidemia. Raw data selected for fetal heartbeat signals were used, considering signs of pregnancies considered abnormal with a pH lower than 7.20 and signs of pregnancies considered normal with a pH higher than 7.20. With the processing of these signals considered abnormal and normal, the confusion matrix was obtained with 81.67% accuracy, with the application of a cross validation procedure in which 50% of the FVs for each class was used for training and the remaining 50% was used for testing, showing a significant result from this analysis, and can be considered an excellent successful birth advance. Keywords: Short term variability. Fetal acidemia. Fetal heart rate monitoring. Features analysis. Paraconsitent engineering of characteristics. LISTA DE FIGURAS Figura 1 – Exemplo unidimensional para A3, com janela wi[·] de comprimento Lwi, para i = 0, 1, 2, 3, ..., T − 1. . . . . . . . . . . . . . . . . . . . . . . . . . 30 Figura 2 – Cossenóide e seus cruzamentos por zero . . . . . . . . . . . . . . . . . . . 30 Figura 3 – Onda composta: onda quadrada e suas harmônicas. . . . . . . . . . . . . . 32 Figura 4 – Exemplo 1D para B3, da janela wi[·], para i = 0, 1, 2, 3, ..., T − 1., com comprimento Lwi, atingindo TC% dos ZCRs de s[·] . . . . . . . . . . . . 33 Figura 5 – Duas ondas quadradas: limpa e com rúıdo, respectivamente desenhadas em vermelho e azul. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 Figura 6 – Estrutura para obtenção da entropia (H) . . . . . . . . . . . . . . . . . . 38 Figura 7 – Combinando recursos baseados em H com um classificador baseado em conhecimento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 Figura 8 – Método C1 da entropia aplicado a um sinal de entrada 1D s [·]. Como A1, descrito por Guido (2016b), inspira C1, esse diagrama é herdado desse artigo, no qual as únicas diferenças são os componentes do vetor de caracteŕıstica f [·]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 Figura 9 – Esquema de classificação usual para abordagens modernas de padrões, baseadas no conhecimento e combinadas . . . . . . . . . . . . . . . . . . 41 Figura 10 – Abordagem proposta foi baseada na EPC: análise intraclasse (superior esquerda), análise interclasse (direita) e análise paraconsistente (inferior esquerda). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 Figura 11 – O plano paraconsistente representa os graus de confiança (α) e contradições (β), podemos considerar para α = 1 totalmente confiável, α = 0 não confiável, β = 1 contraditório, β = 0 totalmente contraditório . . . . . . . 45 Figura 12 – Os vetores de caracteŕısticas das classes C1 para os casos normais, e C2 para os casos anormais localizados no espaço. . . . . . . . . . . . . . . . . 46 Figura 13 – O ponto P é representado como ponto no plano paraconsistente para o exemplo numérico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 Figura 14 – Sistema de Monitoramento Fetal - CMS800H da Contec Medical SYstems Co. Ltd. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 Figura 15 – Tela do Sistema de Monitoramento Fetal CMS800H . . . . . . . . . . . . 52 Figura 16 – Tela do exame cardiotocográfico de uma gestante no trabalho de parto do sistema de Monitoramento Fetal CMS800H, onde são mostradas a faixa da frequência card́ıaca fetal basal, traçado da FCF, traçado das contrações uterinas e indicação das movimentações fetais . . . . . . . . . . . . . . . . 53 Figura 17 – Cardiotocografia com o traçado da frequência card́ıaca fetal e contrações uterias utilizado para análise do perfil biof́ısico realizado visualmente por especialista sobre o estado materno-fetal . . . . . . . . . . . . . . . . . . 54 Figura 18 – Plotagem do sinal padrão do batimento card́ıaco fetal obtido no Matlab . . 55 Figura 19 – Resultado da FFT do sinal padrão da FCF . . . . . . . . . . . . . . . . . 56 Figura 20 – Energia - Método A3 - Resultados das caracteŕısticas dos processamentos dos sinais de batimentos cad́ıacos fetais anormais utilizando o Algoritmo 2. 57 Figura 21 – Energia - Método A3 - Resultados das caracteŕısticas dos processamentos dos sinais de batimentos cad́ıacos fetais normais utilizando o Algoritmo 2. . 57 Figura 22 – Energia - Método A3 - Resultados dos valores médios das caracteŕısticas de energia dos processamentos dos sinais de batimentos cad́ıacos fetais normais e anormais utilizando o Algoritmo 2. . . . . . . . . . . . . . . . . . . . . . 58 Figura 23 – ZCR - Método B3 - Resultados dos processamentos dos 130 sinais extráıdos das gravações de gestações anormais. . . . . . . . . . . . . . . . . . . . . 59 Figura 24 – ZCR - Método B3 - Resultados dos processamentos dos 290 sinais extráıdos das gravações de gestações normais. . . . . . . . . . . . . . . . . . . . . . 59 Figura 25 – ZCR - Método B3 - Resultados dos valores médios das caracteŕısticas das ZCRs dos processamentos dos sinais de batimentos cad́ıacos fetais normais e anormais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 Figura 26 – Entropia - Método C1 - Utilizando um intervalo de 60 segundos do sinal da FCF coletados de cada sinal de gestação anormais para variados tipos de valores de D = pow(2,i) onde i = 14 . . . . . . . . . . . . . . . . . . . . 60 Figura 27 – Entropia - Método C1 - Utilizando um intervalo de 60 segundos do sinal da FCF coletados de cada sinal de gestação normal para variados tipos de valores de D = pow(2,i) onde i = 14 . . . . . . . . . . . . . . . . . . . . 61 Figura 28 – Entropia - Método C1 - Resultados dos valores médios das caracteŕısticas das entropiass dos processamentos dos sinais de batimentos cad́ıacos fetais normais e anormais. Utilizando um intervalo de 60 segundos do sinal da FCF coletados de cada sinal de gestação normal para variados tipos de valores de D = pow(2,i) onde i = 14 . . . . . . . . . . . . . . . . . . . . . . . . 61 Figura 29 – Massa da Energia - Método A3 - Gestações anormais . . . . . . . . . . . . 62 Figura 30 – Massa da Energia - Método A3 - Gestações normais . . . . . . . . . . . . 63 Figura 31 – Massa da Energia - Método A3 - Valores médios das massas de energias de gestações normais e anormais . . . . . . . . . . . . . . . . . . . . . . . . 63 Figura 32 – Massa da ZCR - Método B3 - Gestações anormais . . . . . . . . . . . . . 64 Figura 33 – Massa da ZCR - Método B3 - Gestações normais . . . . . . . . . . . . . . 64 Figura 34 – Massa da ZCR - Método B3 - Valores médios das massas das ZCRs de gestações normais e anormais . . . . . . . . . . . . . . . . . . . . . . . . 65 Figura 35 – Massa da Entropia - Método C1 - Gestações anormais . . . . . . . . . . . 65 Figura 36 – Massa da Entropia - Método C1 - Gestações normais . . . . . . . . . . . . 66 Figura 37 – Massa da Entropia - Método C1 - Valores médios das massas das entropias de gestações normais e anormais . . . . . . . . . . . . . . . . . . . . . . . 66 Figura 38 – Distâncias entre os pontos P de cada combinação ao vértice P = (1,0), apresentando a menor distância euclidiana o grupo H + HM com a menor distância Euclidiana obtida pela aplicação da EPC. . . . . . . . . . . . . . 67 Figura 39 – Plotagem dos pontos (G1 e G2) dos grupos testados apresentando os grupos H + HM com a menor distância Euclidiana para o vértice P = (1,0) obtida pela EPC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 Figura 40 – Energia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77 Figura 41 – ZCR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 Figura 42 – Entropia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 Figura 43 – Vetor caracteŕıstica da Energia, ZCR e Entropia . . . . . . . . . . . . . . . 80 Figura 44 – Massa da energia dos sinais . . . . . . . . . . . . . . . . . . . . . . . . . 81 Figura 45 – Massa da ZCR dos sinais . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 Figura 46 – Massa da entropia dos sinais . . . . . . . . . . . . . . . . . . . . . . . . . 83 LISTA DE TABELAS Tabela 1 – Base de dados utilizada na validação do sistema Fuzzy. . . . . . . . . . . 21 Tabela 2 – Avaliação do sistema utilizando a base de dado da Tabela 1. . . . . . . . 21 LISTA DE ABREVIATURAS E SIGLAS A Amplitude AG Algoritmo genético ACOG Faculdade Americana de Obstetŕıcia e Ginecologia (American College of Obstetricians and Gynecologists) AM Modulação em amplitude ATP Reserva de energia celular ANFIS Sistema de inferência Neuro-Fuzzy adaptativo CAMF Centro de Avaliação e Medicina Fetal CE Cesariana de emergência CTG Cardiotocografia CTU-UHB Czech Technical University in Prague and the University Hospital in Brno DESA Algoritmo de separação de energia discreta DNN Rede Neural Profunda DSP Processamento digital de sinais - ”Digital Signal Processing” DUS Ultrassonografia com Doppler fetal ECG Eletrocardiograma EPC Engenharia paraconsistente de caracteŕısticas FCF Frequência card́ıaca fetal FCM Frequência card́ıaca materna FM Modulação em frequência FSI Índice de stress fetal H Entropia IA Inteligência artificial IFR Índice de reserva fetal mvFEG Entropia difusa multivariada global mvFEL Entropia difusa multivariada loca mvFME Entropia de medidafuzzy multivariada mvSE Entropia amostralmultivariada comumente utilizada NICHD Instituto Nacional de Saúde Infantil e Desenvolvimento Humano (National Institute of Child Health and Human Development) OCU Oclusão do cordão umbilical PA Máxima posśıvel PC Paralisia cerebral PL Lógica paraconsistente PR Reconhecimento de padrões RPSbC Reconhecimento de padrões e sistemas baseados no conhecimento PSO Otimização de enxame de part́ıculas (Particle swarm optimization) SEDI Laboratório de Sistemas Eletrônicos Digital e Imagem STV Short-term variation SVM Máquina de suporte de vetores TA Quantidade total T Operador de energia Teager UC Contrações uterinas VC Vetor de caracteŕısticas VCs Vetores de caracteŕısticas VCP Variabilidade de curto prazo ZCR Taxa de cruzamentos por zeros - ”Zero crossing rates” LISTA DE ŚIMBOLOS α Ńıvel de crédito nas caracteŕısticas β Ńıvel de descrédito nas caracteŕısticas η Massa ω Frequência instantânea LISTA DE ALGORITMOS Algoritmo 1 – Fragmento do código C++ para o método A3 utilizado para a extração das caracteŕısticas dos batimentos card́ıacos fetais . . . . . . . . . . . . 85 Algoritmo 2 – Fragmento do código C++ para o método B3, utilizado para a extração das caracteŕısticas dos batimentos card́ıacos fetais . . . . . . . . . . . . 86 Algoritmo 3 – Código-fonte C++ para o método C1 em 1D, utilizado para a extração das caracteŕısticas dos batimentos card́ıacos fetais . . . . . . . . . . . . 87 SUMÁRIO 1 – INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.1 Objetivos Espećıficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.2 Estrutura do Trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2 – REVISÃO BIBLIOGRÁFICA . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 3 – TÉCNICAS DE ANÁLISE DE SINAIS BIOMÉDICOS . . . . . . . . . . . 28 3.1 Variabilidade de curto prazo e a correlação com a acidemia fetal . . . . . . . 28 3.2 Energia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.2.1 Método A3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.3 Taxa de cruzamento por zero - ZCR . . . . . . . . . . . . . . . . . . . . . . 30 3.3.1 Método B3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.4 Entropia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.4.1 As abordagens propostas . . . . . . . . . . . . . . . . . . . . . . . 35 3.4.2 Método C1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.5 Massa do sinal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.6 Vetores de caracteŕısticas . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 3.7 Engenharia paraconsistente de caracteŕısticas - EPC . . . . . . . . . . . . . 41 3.8 Máquina de suporte de vetores - SVM . . . . . . . . . . . . . . . . . . . . . 45 4 – METODOLOGIA E RESULTADOS . . . . . . . . . . . . . . . . . . . . . . 48 4.1 Critérios de exclusão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 4.2 Riscos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 4.3 Benef́ıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 4.4 Estratégia de análise de dados . . . . . . . . . . . . . . . . . . . . . . . . . 49 4.5 Sistema de monitoramento fetal – CMS800H . . . . . . . . . . . . . . . . . 50 4.6 Coleta de dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 4.7 Implementação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 4.8 Caracterização dos sinais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 4.8.1 Energia do sinal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 4.8.2 Taxa de Cruzamentos por Zero - ZCR . . . . . . . . . . . . . . . . . 56 4.8.3 Entropia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 4.8.4 Massa do Sinal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 4.8.5 Vetores de caracteŕısticas . . . . . . . . . . . . . . . . . . . . . . . 64 4.9 Aplicação da engenharia paraconsistente de caractŕısticas - EPC . . . . . . . 65 4.10 Análise e discussão dos resultados . . . . . . . . . . . . . . . . . . . . . . . 69 Referências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 Apêndices 76 APÊNDICE A–Vetor caracteŕıstica da energia do sinal . . . . . . . . . . . . . 77 APÊNDICE B–Vetor caracteŕıstica do ZCR do sinal . . . . . . . . . . . . . 78 APÊNDICE C–Vetor caracteŕıstica da entropia do sinal . . . . . . . . . . . 79 APÊNDICE D–Vetor caracteŕıstica da energia, ZCR e entropia do sinal . . 80 APÊNDICE E – Vetor caracteŕıstica da massa da energia . . . . . . . . . . . . 81 APÊNDICE F – Vetor caracteŕıstica da massa da ZCR . . . . . . . . . . . . . 82 APÊNDICE G–Vetor caracteŕıstica da massa da entropia . . . . . . . . . . . 83 Anexos 84 ANEXO A–Algoritmo 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 ANEXO B–Algoritmo 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 ANEXO C–Algoritmo 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87 18 1 INTRODUÇÃO A má oxigenação do sangue fetal pode deixar sequelas importantes na vida de um indiv́ıduo, ou mesmo levar ao [obito] ainda na fase intrauterina. Entender, identificar e atuar preventivamente nesse processo, traduz-se clinicamente na redução do sofrimento fetal e sucesso no nascimento. São várias as condições para alterar o equiĺıbrio da oxigenação fetal. A queda acentuada da perfusão placentária impede a chegada de oxigênio para as células fetais, assim como a retirada de gás carbônico e toxinas provenientes do metabolismo, resultando na perda de reservas de energia celular (ATP) somando-se à redução progressiva do pH intracelular, e como consequência, à disfunção celular. Isso conduzirá a um processo isquêmico grave e prolongado, ou seja, a autólise e morte celular (GARCIA, 2006). A frequência card́ıaca fetal (FCF) tem sido um dos parâmetros biof́ısicos pioneiros utilizados dentro do arsenal propedêutico para análise da vitalidade fetal. Quando a FCF é registrada eletronicamente, em concomitância com a dinâmica uterina e a movimentação fetal, fica estabelecido um método propedêutico chamado cardiotocografia (CTG). Um parâmetro muito importante na avaliação da vitalidade fetal é a variabilidade de curto prazo (VCP) ou short-term variation (STV) da frequência card́ıaca fetal, cujo valor é mensurado pela diferença das médias de intervalos de pulso. O valor obtido no cálculo da VCP correlaciona-se com a acidose metabólica fetal e morte intrauterina (HENSON; DAWES; REDMAN, 1984; STREET et al., 1991; DAWES; MOULDEN; REDMAN, 1992). A coleta da amostra do sangue fetal tem como objetivo fundamental a identificação do grau de oferta da oxigenação e a acidemia fetal (SALING, 1962; GARCIA, 2006). A queda do pH do sangue fetal proporciona a mensuração do grau de hipóxia em função das mudanças ocorridas pelo metabolismo anaeróbico na diminuição da oferta de oxigênio ao feto. Portanto, a análise do sangue da artéria umbilical é considerada o padrão ouro na avaliação da condição bioqúımica fetal (GARCIA, 2006; MAEDA, 2013). Assim, neste trabalho, são apresentados o desenvolvimento e implementação de algorit- mos dedicados a investigar a correlação entre a VCP da FCF, ńıveis da oxigenação e acidemia fetal, tornando posśıvel a análise e validação dos resultados dos processamentos obtidos pelos algoritmos, comparando com os resultados dos laudos obtidos por meio dos exames laboratoriais do sangue da artéria umbilical coletados no momento do nascimento. Os sinais dos batimentos card́ıacos fetais foram coletados com o aux́ılio de um cardioto- cógrafo computadorizado, equipado com sensor de efeito Doppler. Os sinais dos batimentos card́ıacos fetais possibilitaram a geração de vetores de caracteŕısticas (VCs) baseados nos conceitos de energia, taxa de cruzamentos por zero, entropia e massa dos sinais, e avaliados por meio da engenharia de recursos paraconsistente. Com isso foi posśıvel determinar qual VC possúıa as melhores caracteŕısticas do problema alvo. Caṕıtulo 1. INTRODUÇÃO 19 Posteriormente, a análise dos VCs foi utilizada para mostrar a separação existente entre duas classes, isto é, VCPs de gestações normais com pH do sangue umbilidal maior que 7,20 e de gestações anormais com pH do sangue do cordão umbilical menor que 7,20, caracterizando assim a correlação procurada. Este estudo foi realizado em parceria com a unidade hospitalar CAMF de São José do Rio Preto - SP que auxiliou na análise dos sinais cardiotocográficos e com a Santa Casa de São José do Rio Preto, possibilitando a coleta dos sinais cardiotocográficos de 75 gestantes em trabalho de parto ou intraparto entre 35 a 41 semanas de gestação, resultando em aproximadamente 1500 minutos de gravação da FCF para análise. 1.1 Objetivos Espećıficos • sistema para determinação de acidemia e oxigenação fetal por meio do sinais dos batimentos card́ıacos fetais; • algoritmos para a realização das propostas; • técnicas para determinação da acidemia e oxigenação fetal; • comparar os resultados do processamento da FCF com os exames laboratoriais que comprovam os ńıveis da acidemia e oxigenação fetal. 1.2 Estrutura do Trabalho Este trabalho possui 5 (cinco) caṕıtulos e está organizado da forma como segue: No Caṕıtulo 2, é apresentado o estudo sobre a FCF e VCP e a correlação com a acidemia fetal responsável pela avaliação da vitalidade fetal, capaz de predizer a existência de acidemia no sangue enviado ao feto. No Caṕıtulo 3, são estudadas técnicas de análises de sinais biométicos, onde são apresentadas as ferramentas e seus métodos para obtenção das caracteŕısticas da FCF, como Energia, ZCR, Entropia e suas respectivas massas. Estudou-se também a aplicação dos recursos da engenharia paraconsistente de caracteŕısticas, responsável por transformar dados brutos em informações relevantes, configurando classificadores de processamento digital de sinais - (DSP - Digital Signal Processing) e reconhecimento de padrões (PR). Adicionalmente, são estudados trabalhos correlatos que foram importantes para direcionar os objetivos deste trabalho em busca do aperfeiçoamento das técnicas de caracterização e classificação dos sinais do batimento card́ıaco fetal, importante para a análise e diagnóstico da acidose e oxigenação fetal para vigilância do bem estar fetal. No Caṕıtulo 4, apresentam-se os algoritmos propostos e os resultados obtidos durante a análise dos sinais da FCF para obtenção da VCP, acompanhado das discussões pertinentes. No Caṕıtulo 5, são apresentadas as análises, discusões de resultados e conclusões, apresentando uma nova ferramenta para classificação da FCF para a análise da acidose e oxigenação fetal. Caṕıtulo 1. INTRODUÇÃO 20 Finalmente, são apresentadas as referências, apêndices e anexos, algoritmos, resultados dos algoritmos e resultados dos processamentos e respectivos laudos dos exames realizados. 21 2 REVISÃO BIBLIOGRÁFICA J.N.O. Fernandes, P.Cortez, J. Maques e F. Feitosa (FERNANDES et al., 2016) citam que a cardiotocografia possibilita a análise precisa da frequência card́ıaca fetal (FCF) e sua correlação com as contrações uterinas (UC), permitindo o diagnóstico e a antecipação de muitos problemas relacionados ao sofrimento fetal e à preservação de sua vida. Apresentaram resultados de um sistema baseado em um agente inteligente utilizando a lógica nebulosa desenvolvida para analisar os sinais da FCF coletados por exames de cardiotocografia (CTG). O sistema foi desenvolvido no MATLAB v.7. Os resultados são muito promissores, com acurácia diagnóstica variando de 84,84% a 100%, de acordo com os tipos dos diagnósticos caracteŕısticos para a análise. A metodologia de validação dos resultados obtidos pelo sistema foram comparados com diagnóstcos apresentados por especialistas obstetras brasileiros a partir dos sinais cardiotocográficos. A partir de uma amostra de 100 exames, conforme descrito na Tabela 1, foram utilizados para a análise e validação dos resultados obtidos descritos na Tabela 2, apresentando resultados com os 84,84% de acertos nos diagnósticos considerados ”Graves e Grav́ıssimos”, com resultado final de 93% de acertos dos diagnósticos. A inferência dos resultados apresentados por este sistema, desenvolvido com lógica nebulosa Fuzzy, com 93% de acertos pode ser considerado um excelente avanço para a contribuição de nascimento com sucesso. Tabela 1 – Base de dados utilizada na validação do sistema Fuzzy. Diagnóstico Quantitativo Normal 49 Atenção 18 Grave/Grav́ıssimo 33 Total 100 Fonte: Fernandes et al. (2016) Tabela 2 – Avaliação do sistema utilizando a base de dado da Tabela 1. Diagnósticos Acerto Erro Total Normal 100,00% 00,00% 100,00% Atenção 88,88% 11,12% 100,00% Grave/Grav́ıssimo 84,84% 15,16% 100,00% Total 93,00% 7,00% 100,00% Fonte: Fernandes et al. (2016) Caṕıtulo 2. REVISÃO BIBLIOGRÁFICA 22 H. Gonçalves (GONÇALVES et al., 2016) citam que a cardiotocografia convencional apresenta dificuldade para detectar a hipóxia e acidose fetal, e que a inclusão da análise da frequência card́ıaca materna (FCM) poderá melhorar a análise da hipóxia e acidemia fetal durante o trabalho de parto. Os estudos iniciais foram realizados em 51 gestantes a termo de única gestação e realizados durante as últimas duas horas do trabalho de parto. Foi realizada a comparação do pH do sangue da artéria do cordão umbilical. Foram realizadas as análises da FCF e FCM separadamente e em conjunto FCF-FCM. As evidêncisa de melhores resultados para a análise da hipóxia e acidemia fetal foram constatadas quando as FCF-FCM foram analisadas simultaneamente, comparados com os resultados obtidos com a análise da FCF separadamente. A predição de acidemia fetal com a inclusão da FCM para a análise alcançou valores de sensibilidade de quase 89,1 e 100%, sugerindo que a análise simultânea da FCF e da FCF pode melhorar a identificação da acidemia fetal em comparação com a análise da FCF efetuada isoladamente. A. Zaylaa (ZAYLAA et al., 2015) apresentam dois novos conceitos para discriminação de sinais de diferentes complexidades. O primeiro focou inicialmente na solução do problema para definir descritores de entropia variando o tamanho do padrão em vez de variar a tolerância. Isso levou à busca pelo tamanho ideal do padrão que maximizou a entropia de similaridade. O segundo paradigma foi baseado na entropia de similaridade de ordem n que engloba a entropia de similaridade de ordem 1. Para melhorar a estabilidade estat́ıstica, foi proposta a entropia de similaridade difusa de ordem-n. O movimento browniano fracional foi simulado para validar os diferentes métodos propostos, e sinais de freqüência card́ıaca fetal foram usados para discriminar gestações normais e anormais. Em todos os casos, verificou-se que era posśıvel discriminar séries temporais de diferentes complexidades, como o movimento browniano fracionário e os sinais da freqüência card́ıaca fetal. Os melhores ńıveis de desempenho em termos de sensibilidade (90%) e especificidade (90%) foram obtidos com a entropia de similaridade difusa de ordem-n. No entanto, foi demonstrado que o tamanho ótimo do padrão e a máxima medida de similaridade estavam relacionados a caracteŕısticas intŕınsecas da série temporal. Segundo A. Zaylaa, J. Charara e J.M. Girault (ZAYLAA; CHARARA; GIRAULT, 2015) a cardiotocografia de sinais biof́ısicos demonstram complexidade por meio de gráficos de recorrência sendo um desafio. E a quantificação de recorrências é frequentemente influenciada por pontos de permanência que escondem transições dinâmicas. Para superar esse problema, as séries temporais foram anteriormente incorporadas em altas dimensões. No entanto, ninguém quantificou a eliminação de pontos de permanência e taxa de detecção, nem o aprimoramento da detecção de transição foi investigado. Este artigo relata os esforços cont́ınuos para melhorar a detecção de transições dinâmicas de mapas loǵısticos e corações fetais, reduzindo os pontos de permanência. Foram desenvolvidos três gráficos de recorrência baseados em sinais, isto é, incorporados com configurações espećıficas, ancoradas em derivativos e padrões m-time. Determinismo, determinismo-cruzado e porcentagem de pontos de permanência reduzida foram computados para detectar transições. Os erros relativos entre fetos normais e anormais foram Caṕıtulo 2. REVISÃO BIBLIOGRÁFICA 23 de 153%, 95% e 91%. Mais de 50% dos pontos de permanência foram eliminados, permitindo uma melhor detecção das transições card́ıacas desencadeadas por fatores de troca gasosos. Isso pode ser significativo para melhorar o diagnóstico do estado fetal. C. Ray e A. Ray (RAY; RAY, 2017) dizem que o objetivo do monitoramento fetal intra- parto realizado com o uso de um cardiotocógrafo é identificar sinais precoces do desenvolvimento de hipóxia. Em contextos com poucos recursos, a análise da gasometria do sangue do cordão umbilical pode fornecer informações importantes sobre os fetos expostos a eventos hipoxêmicos intraparto e pode distinguir o lactente com alto risco de asfixia e sequelas relacionadas. Esse estudo incluiu 301 mulheres com gestações únicas a termo em trabalho de parto. A CTG intraparto foi tomada e classificada em normal (categoria I), indeterminada (categoria II) e anormal (categoria III) de acordo com a classificação NICHD 2008 (adaptado por ACOG 2013). O sangue arterial do cordão umbilical foi coletado imediatamente após o nascimento, em uma seringa pré-heparinizada e enviado ao laboratório para estudo do pH para detectar acidose. O pH do sangue do cordão menor ou igual 7,2 foi tomado como acidose e o pH do sangue do cordão maior que 7,2 foi considerado normal. A partir da análise deste estudo, pode-se concluir que uma CTG anormal deve ser tratada adequadamente e sem demora, a fim de prevenir a acidose no neonato e sequelas adversas em longo prazo. L. Zhao (ZHAO et al., 2016) cita que a análise simultânea de séries temporais multiva- riadas fornece uma visão dos mecanismos subjacentes de interação do sistema cardiovascular e recentemente se tornou um foco decrescente. Propuseram uma nova medida de entropia multivariada, denominada entropia de medida fuzzy multivariada (mvFME), para a análise de séries temporais cardiovasculares multivariadas. Os desempenhos do mvFME e seus dois subcomponentes - a entropia difusa multivariada local (mvFEL) e a entropia difusa multivariada global (mvFEG) - bem como a entropia amostral multivariada comumente utilizada (mvSE), foram testados tanto em simulação quanto em multivariada cardiovascular. Para a análise de séries temporais triviais, apenas o mvFME tem a capacidade de discriminação para os dois estados fisiológicos, enquanto o mvSE não. Em resumo, o novo método mvFME proposto mostrou melhor estabilidade estat́ıstica e melhor capacidade de discriminação para análises de séries temporais multivariadas do que o método tradicional mvSE. M. Romano (ROMANO et al., 2016) diz que apesar do uso difundido da cardiotocografia no monitoramento fetal, a avaliação do estado fetal sofre de uma considerável variabilidade inter e intra-observador. O software proposto utilizou traços cardiotocográficos simulados e reais para testar a sua confiabilidade. Os resultados da análise computadorizada dos sinais reais foram comparados com a avaliação visual realizada por 18 médicos especialistas e três ı́ndices de desempenho foram computados para obter informações sobre o desempenho do software proposto. O software apresentou um desempenho preliminar considerado satisfatório, pois os resultados correspondiam completamente aos requisitos, como comprovado por testes em sinais artificiais em que todos os eventos simulados eram detectados a partir do software. Os ı́ndices de desempenho calculados em comparação com as avaliações dos obstetras, pelo contrário, Caṕıtulo 2. REVISÃO BIBLIOGRÁFICA 24 não são tão satisfatórios; na verdade, eles levaram a obter os seguintes valores dos parâmetros estat́ısticos: sensibilidade igual a 93%, valor preditivo positivo igual a 82% e precisão igual a 77%. Muito provavelmente isso decorre da alta variabilidade da anotação de traços realizada pelos cĺınicos. Para S.A. Alnuaimi et al. (ALNUAIMI; JIMAA; KHANDOKER, 2017) a ultrassonografia com Doppler fetal (DUS) é comumente usada para monitorar a frequência card́ıaca fetal e também pode ser usada para identificar os horários dos eventos dos movimentos da válvula card́ıaca fetal. Nos fetos em estágio inicial, o sinal detectado pelo Doppler sofre influência de rúıdo e perda de sinal devido aos movimentos fetais e alteração da localização fetal durante o procedimento de medição. Os intervalos card́ıacos fetais, que podem ser estimados medindo-se os tempos dos eventos card́ıacos fetais, são os marcadores mais importantes do desenvolvimento e bem-estar fetal. Para avançar os métodos de monitoramento fetal baseados em DUS, vários métodos poderosos e avançados de processamento de sinais e aprendizado de máquina foram desenvolvidos recentemente. Esta revisão fornece uma visão geral das técnicas existentes usadas no monitoramento da atividade card́ıaca fetal e uma pesquisa abrangente sobre estruturas de processamento de sinal de Doppler card́ıaco fetal. A revisão é estruturada com foco em suas deficiências e vantagens, o que ajuda a compreender os métodos de processamento de sinal por eletrocardiograma fetal Doppler e os procedimentos de análise de sinal de Doppler relacionados, fornecendo informações cĺınicas valiosas. Finalmente, um conjunto de recomendações é sugerido para futuras direções de pesquisa e o uso de análise, processamento e modelagem de sinais de Doppler card́ıaco fetal para abordar os desafios subjacentes. M.Jezewski et al. (JEZEWSKI et al., 2016) descrevem a avaliação dos sinais de CTG, com base no agrupamento fuzzy com pares de protótipos. A eficiência do método proposto é verificada usando dois conjuntos de dados de referência dos sinais CTG (CTU-UHB e SisPorto), e os problemas da classificação de duas e três classes são considerados. Os resultados obtidos mostram a melhoria da qualidade da avaliação do estado fetal automatizado de acordo com os procedimentos de referência aplicados: o agrupamento fuzzy (c + p) - signing e o Lagrangian Support Vector Machines. Para verificar a eficiência do classificador fuzzy, foram utilizados dois conjuntos de benchmark (CTU-UHB - Czech Technical University in Prague and the University Hospital in Brno e SisPorto) contendo os dados cardiotocográficos. No caso do CTU-UHB, foi dif́ıcil comparar a eficiência de classificação obtida com os resultados da literatura devido a diferentes entradas e sáıdas dos classificadores. No entanto, houve melhora em relação aos métodos de referência aplicados. No caso da análise de três classes do conjunto de dados do SisPorto, o aumento da qualidade de classificação foi percebido quando comparado com os procedimentos de referência aplicados; no entanto, não melhoramos a precisão geral da classificação. Para P. Manickam e H. Prabha (MANICKAM; PRABHA, 2016) a extração do eletrocar- diograma (ECG) fetal ainda é uma tarefa desafiadora para o diagnóstico. O objetivo é encontrar um método melhor no processo de extração e também um método para aperfeiçoar a qualidade Caṕıtulo 2. REVISÃO BIBLIOGRÁFICA 25 extráıda do ECG fetal. O algoritmo usando o sistema de inferência Neuro-Fuzzy adaptativo (ANFIS) para identificar o componente materno presente no sinal do ECG do abdomen e retirar o sinal composto do abdômen. O sinal resultante contém rúıdo errante da linha de base e outros rúıdos de alta frequência. O filtro de média móvel é usado para identificar o rúıdo da linha de base e, em seguida o sinal é extráıdo. Finalmente, os outros rúıdos são removidos usando a técnica de de remoção de rúıdos wavelet. A estrutura do ANFIS possui dois conjuntos de parâmetros, como parâmetros de premissa e parâmetros consequentes. Esses parâmetros são inicializados e, em seguida, atualizados em cada iteração do algoritmo. É necessário identificar o ECG fetal a partir do sinal do abdomen na análise cĺınica. O método proposto de ANFIS com aprendizado h́ıbrido ou aprendizagem baseada em otimização de enxame de part́ıculas (PSO - particle swarm optimization) ou algoritmo de genética (AG) é capaz de extrair o ECG fetal, e também a clareza de extração é melhorada pelas técnicas de pós-processamento, tais como filtragem média móvel para remoção de rúıdo errante da linha de base e remoção de rúıdo wavelet para outros rúıdos de alta frequência. Segundo L. Butruille et al. (BUTRUILLE et al., 2017) os batimentos card́ıacos fetais na ausência da VCP refletem um desequiĺıbrio entre os sistemas nervosos parassimpático e simpático. Nessa situação, a asfixia fetal pode ser suspeitada e pode ser confirmada por medidas metabólicas ao nascimento, como valores baixos de pH. O objetivo deste estudo foi determinar se a asfixia fetal durante o trabalho de parto está relacionada à atividade do sistema nervoso parassimpático. Este foi um estudo retrospectivo coletado em 5 centros. Duzentos e noventa e nove traçados de freqüência card́ıaca fetal coletados durante o parto foram analisados. O sistema nervoso autônomo, especialmente o sistema nervoso parassimpático, foi analisado usando um ı́ndice de stress fetal: o FSI (Fetal Stress Index). O FSI é uma avaliação da atividade parassimpática baseada na análise da variabilidade da frequência card́ıaca fetal. Os bebês foram agrupados com base no valor normal ou baixo do pH no nascimento. O FSI foi medido durante os últimos 30 minutos de trabalho de parto antes do nascimento e comparado entre os grupos. O valor ḿınimo do FSI durante os últimos 30 minutos antes do parto foi significativamente menor no grupo com o menor valor do pH arterial do cordão umbilical. Neste estudo piloto durante o trabalho de parto, o FSI foi menor no grupo de bebês com pH arterial baixo ao nascimento. P. Fergus, M. Selvaraj e C. Chalmers (FERGUS; SELVARAJ; CHALMERS, 2018) reafirmam que a inspeção visual dos traçados é usada para monitorar o feto durante o trabalho de parto e evitar a mortalidade e a morbidade neonatal. O problema, no entanto, é que a interpretação visual dos traços de cardiotocografia está sujeita a alta variabilidade inter e intra observador. Decisões incorretas, causadas pela falta de interpretação, podem levar a resultados perinatais adversos e, em casos graves, à morte. Apresentando uma da interpretação de traços de cardiotocografia humana e argumenta que a aprendizagem de máquina, usada como um sistema de apoio à decisão por obstetras e parteiras, pode fornecer uma medida objetiva ao lado de práticas normais. Isso ajudará a aumentar a capacidade preditiva e reduzir Caṕıtulo 2. REVISÃO BIBLIOGRÁFICA 26 os resultados negativos. Uma metodologia robusta é apresentada para a engenharia de conjunto de recursos usando um banco de dados aberto que compreende 552 gravações intraparto. O estado da arte em técnicas de processamento de sinal é aplicado a rastreamentos fetais de cardiotocografia em batimentos card́ıacos para extrair 13 caracteŕısticas. Aqueles com baixa capacidade discriminativa são removidos usando Recursive Feature Elimination. O conjunto de dados é desequilibrado com diferenças significativas entre as probabilidades anteriores de ambos os partos normais e os entregues por cesariana. Esse problema é abordado pela sobreamostragem das instâncias de treinamento usando uma técnica de sobreamostragem de minoria sintética para oferecer uma distribuição de classe balanceada. Vários algoritmos simples, mas poderosos, de aprendizado de máquina são treinados, usando o conjunto de recursos, e seu desempenho é avaliado com dados reais de teste. Os resultados são encorajadores usando um classificador composto por Análises Linear Discriminantes Fisher, classificadores Random Forest e máquina de suporte de vetores (SVM), com 87% (95% Intervalo de Confiança: 86%, 88%) para Sensibilidade, 90% (95% CI: 89%, 91%) para especificidade e 96% (95% CI: 96%, 97%) para a área sob a curva, com um erro médio quadrático de 9% (95% CI: 9%, 10%). R.D. Eden et al. (EDEN et al., 2018) confirmaram que o uso quase onipresente do monitoramento fetal eletrônico não conseguiu diminuir as taxas de paralisia cerebral (PC) e de cesarianas de emergência (CEs). Suas métricas de desempenho têm baixa sensibilidade, especificidade e valores preditivos para ambos. Existem muitas CEs, mas a grande maioria tem resultados normais. As CEs, no entanto, causam graves interrupções na rotina do parto com aumento de complicações, ansiedade e preocupação com todos. R.D.Eden et al. (EDEN et al., 2018) desenvolveram o ı́ndice de reserva fetal (IRF) como algoritmo multicomponente incluindo 4 componentes da FCF (analisados individualmente), atividade uterina e fatores de risco materno, obstétrico e fetal para avaliar o risco de paralisia cerebral e CEs. As pontuações foram categorizadas em zonas verdes, amarelas e vermelhas. Foram estudados 300 pacientes pelo IRF, todos com resultados neonatais normais. Tentando distinguir o curso cĺınico dos casos que exigiam uma CE. Os resultados de 51 casos com CEs tiveram IRFs muito inferiores a 249 casos não-CEs. A zona vermelha teve uma sensibilidade de 92% para CEs, com um valor preditivo positivo de 64% e uma taxa de falso positivo de 10,4%. Concluiu-se que os dados sugerem que o IRF pode reduzir significativamente a incidência de CEs, identificando a oportunidade de ressuscitação intra-uterina. Nesta abordagem podem ser reduzidos os efeitos disruptivos dos CEs e seus riscos aumentados concomitantes de complicações. O IRF pode fornecer uma métrica que pode refinar o gerenciamento do trabalho para reduzir os PCs e CEs. G. Garcia (GARCIA, 2006) estabeleceu o ponto de corte para a variação de curto prazo (VCP) como único parâmetro único na predição de acidemia ao nascimento. O estudo analisou seqüencialmente 41 gestações únicas de pacientes hipertensas após a 27ª semana no Hospital São Paulo (UNIFESP) e no Hospital Maternidade Leonor Mendes de Barros (SES), com um traçado de cardiotocografia computadorizada, realizado em gestantes com indicação de cesariana antes de entrarem em trabalho de parto. a menos de 24 horas do Caṕıtulo 2. REVISÃO BIBLIOGRÁFICA 27 nascimento. Amostras de sangue de uma das artérias umbilicais foram coletadas imediatamente após o nascimento. Foi constrúıda uma curva ROC (receiver operator characteristics) para a VCP como uma variável preditora independente e o pH da artéria umbilical como variável dependente. Posteriormente, foram calculadas a sensibilidade, especificidade, valores preditivos positivo (VPP) e negativo (VPN). Encontrando uma correlação significativa entre a VCP e a análise de acidemia no sangue do cordão umbilical ao nascimento e valores de VCP < 5,25 ms foram significativamente capazes de predizer acidemia (pH < 7,20), (sensibilidade de 57,1%; especificidade de 85,2%, p< 0,05). Valores menores que 5,25 ms para a VCP foram capazes de predizer pH menores que 7,20 na artéria umbilical ao nascimento. Os estudos apresentados nesta revisão bibliográfica foram fundamentais para orientação deste trabalho, contribuindo desde as abordagens iniciais durante as primeiras coletas de dados, exames laboratoriais e seleção das ferramentas computacionais que contribúıssem para o aperfeiçoamento das análises da FCF. Os resultados das pesquisas realizadas por Garcia (2006) foram fundamentais para a elaboração do presente estudo na determinação da VCP < 5,25ms com a indicação prévia da acidemia fetal por meio da análise dos sinais vitais da FCF coletados antes do nascimento, cujos resultados foram confirmados com a análise laboratorial do sangue do cordão umbilical coleados logo após o nascimento. 28 3 TÉCNICAS DE ANÁLISE DE SINAIS BIOMÉDICOS As causas e os mecanismos da oxigenação e da acidemia fetal são de origens diversas. Este estudo tem como objetivo desenvolver um método de processamento da FCF para avaliação do grau de acidemia, oxigenação e bem-estar fetal (GARCIA, 2006), sem a pretensão de posicioná- la como método preferencial ou definitivo, mas sim o de contribuir para o desenvolvimento de um novo método que se torne valioso para permitir que o produto de uma concepção atinja seu potencial máximo durante a sua existência. As técnicas de análise de sinais biomédicos utilizados será apresentado neste caṕıtulo, onde são estudados os recursos de energia, taxa de cruzamentos por zero (ZCR), entropia, massa da energia, massa da ZCR, massa da entropia, máquina de suporte de vetores (SVM) e engenharia paraconsistente de caracteŕısticas, para extração de caracteŕısticas e classificação da VCP da FCF para da acidemia e da oxigenação fetal. 3.1 Variabilidade de curto prazo e a correlação com a acidemia fetal A análise da variável VCP na avaliação da vitalidade fetal tem o valor mensurado pela diferença das médias de intervalos de pulsos, expressas em milissegundos, calculadas em janelamentos de 3,75 segundos, ou seja, 1/16 de minuto para todos os minutos válidos do traçado (DAWES; REDMAN, 1995). O valor obtido no cálculo da VCP correlaciona-se com a acidose metabólica fetal e morte intrauterina (DAWES; MOULDEN; REDMAN, 1991; HENSON; DAWES; REDMAN, 1984; DAWES; REDMAN, 1995). Considerando-se os critérios de normalidade de Dawes e Redman, o objetivo do estudo foi o de avaliar individualmente um dos parâmetros, ou seja, a VCP, que é estabelecida inicialmente após os primeiros 10 minutos de exame e, consecutivamente, a cada 2 minutos após essa primeira interpretação (DAWES; M.; REDMAN, 1996). Os critérios de normalidade de Dawes e Redman são: • A VCP (STV – Short-term variation) deve ser superior ou igual a 3 milissegundos; • O ńıvel da linha de base (FCF) deve estar entre 110 e 160 bpm; • Deve ocorrer no ḿınimo um episódio de alta variação; • Deve ocorrer no ḿınimo um movimento fetal (registrado pela mãe) ou 3 acelerações; • Não devem ocorrer desacelerações com mais de 20 ”batimentos perdidos”(MACONES et al., 2008). Existe também uma correlação significativa entre a VCP e a análise de acidemia no sangue do cordão umbilical ao nascimento e valores de VCP < 5,25 ms que foram significativamente capazes de predizer acidemia fetal com pH < 7,20, ou seja, pH < 7,20 na artéria umbilical ao nascimento é considerado o limite para pré-acidose fetal (GARCIA, 2006). Caṕıtulo 3. TÉCNICAS DE ANÁLISE DE SINAIS BIOMÉDICOS 29 A faixa de normalidade do pH na vida adulta é de 7,35 a 7,45, variando na vida fetal entre 7,30 e 7,35 (SALING, 1962). Assim, no feto, valores superiores a 7,25 são considerados normais, e valores entre 7,20 e 7,25 são considerados pré-acidóticos (ACOG, 1996). 3.2 Energia A energia de um sinal é a capacidade de executar trabalho (THEODORIDIS; KOU- TROUMBAS, 2008; SEJDIĆ; DJUROVIC; JIANG, 2009). Por exemplo, o sinal dos batimentos card́ıacos fetais é considerado trabalho, assim, descreve a energia que o coração do feto realiza para a troca do sangue venoso e arterial por meio do cordão umbilical, em função do tempo. A energia de um sinal discreto s[·] de comprimento M é definida na Equação (1): E(s[·]) = M−1∑ i=o (si) 2 (1) As técnicas da análise do método A3 descritas por Guido (2016b) constituem a base para a obtenção da energia. O funcionamento básico dá-se como segue. 3.2.1 Método A3 O método A3 consiste em determinar os comprimentos proporcionais, ou áreas, do sinal em análise que são necessários para atingir ńıveis predefinidos de energia. A consequência direta dessa abordagem é a caracterização de A3 como ideal para inspecionar a constância em ação da entidade f́ısica responsável por gerar s[·] (GUIDO, 2016b). Especificamente, C é definido como o ńıvel básico cŕıtico de energia, (0 < C < 100), e, para 1D, o vetor de caracteŕıstica f [·], do tamanho T , é determinado da seguinte forma: • f0 é a proporção de s[·] e comprimento (Lw0) desde o ińıcio, coberta pela janela w0[·] e necessária para atingir C% da energia total do sinal; • f1 é a proporção de s[.] e comprimento (Lw1) desde o ińıcio, coberta pela janela w1 e necessária para atingir 2C% da energia total do sinal; • f2 é a proporção de s[·] e comprimento (Lw2) desde o ińıcio, coberta pela janela w2[·] e necessária para atingir 3C% da energia total do sinal; • . . . • fT é a proporção de s[·] e comprimento (LwT ) desde o ińıcio, coberta pela janela wT−1[·], necessária para atingir (T.C)% da energia total do sinal, de modo que (T.C) < 100%. Para A3, o valor de T é definido na Equação (2), até o ńıvel desejado de energia, isto é, C, 2.C, 3.C, . . . , T.C é atingido. T = { 100 C − 1 se C é multiplo de 100⌊ 100 C ⌋ caso contrário (2) Na Figura 1 mostra o método A3 trabalhando para um sinal unidimensional, e o Algoritmo 1 do Anexo A apresenta as respectivas implementações deste método. Caṕıtulo 3. TÉCNICAS DE ANÁLISE DE SINAIS BIOMÉDICOS 30 Figura 1 – Exemplo unidimensional para A3, com janela wi[·] de comprimento Lwi, para i = 0, 1, 2, 3, ..., T − 1. Sinal de entrada s[·]: S0 S1 S2 S3 S4 S5 S6 S7 S8 S9 S10 S11 S12 S13 S14 S15 · · · w0[·] w1[·] w2[·] w3[·] f0 = Lw0 M f1 = Lw1 M f2 = Lw2 M f3 = Lw3 M ... Caracteŕısticas do vetor f [·]: Fonte: Adaptado de Guido (2016a) 3.3 Taxa de cruzamento por zero - ZCR Outra técnica de análise de sinais biomédicos são as ZCRs, podem ser utilizadas como ferramentas para extração de informações espectrais básicas a partir de sinais no doḿınio do tempo sem sua conversão para o doḿınio da frequência, desempenhando um papel importante na área de processamento de sinais e reconhecimento de padrões (OPPENHEIM; SCHAFER, 2013; GUIDO, 2016b). Em outras palavras, ZCR é definida como sendo o número de vezes em que a forma de onda de um determinado sinal cruza o eixo zero, como observado no exemplo de uma onda cossenoidal mostrado na Figura 2 cruzando duas vezes o eixo zero em cada peŕıodo. Figura 2 – Cossenóide e seus cruzamentos por zero 0 1 2 3 4 5 6 7 8 9 10 x y −1 0 1 Primeiro ZCR Segundo ZCR Terceiro ZCR Quarto ZCR Quinto ZCR Amostra A m pl it ud e Fonte: Adaptado de Guido (2016a) A taxa de cruzamentos por zeros (ZCR) é uma das ferramentas existentes mais simples usadas para extrair informações espectrais básicas a partir de sinais no doḿınio do tempo sem sua conversão expĺıcita para o doḿınio de freqüência, desempenhando um papel importante no Caṕıtulo 3. TÉCNICAS DE ANÁLISE DE SINAIS BIOMÉDICOS 31 processamento digital de sinais (DSP) e no reconhecimento de padrões e sistemas baseados no conhecimento (RPSbC) (GUIDO, 2016a). Uma forma alternativa e formal para expressar a ZCR, assumindo que s[·] = s0, s1, s2, ..., sM − 1 seja um sinal de tempo discreto de comprimento M > 1, mostrado na Equação (3), sendo ZCR(s[·]) ≥ 0 para qualquer s[·] e sign(x) = { 1 sex ≥ 0 −1 caso contrário ZCR(s[·]) = 1 2 M−2∑ j=0 |sign(sj)− sign(sj + 1)| (3) No entanto, é necessária muita atenção para entender o significado f́ısico correto das ZCRs, evitando subestimações. Para isso, é necessária uma entrada básica extráıda da teoria de Fourier e sua série matemática (HAYKIN; VEEN, 2002): a afirmação que confirma que qualquer forma distinta de sinal de onda senoidal pode ser decomposta como uma combinação linear de infinitas senoidais com múltiplas frequências, chamados de harmônicos. Assim, uma forma de onda de sinal que corresponde exatamente a uma função senoidal, com certo peŕıodo, fase e amplitude, é classificada como pura. Por outro lado, qualquer outra forma de onda de sinal consiste em uma senóide principal denominada fundamental ou primeiro harmônico, possuindo a menor frequência entre o conjunto, somado as outras senóides de frequências mais altas, ou seja, o segundo harmônico, o terceiro harmônico, o quarto harmônico, e assim por diante, em uma ordem decrescente de magnitude. A conexão entre ZCRs e séries de Fourier agora é explicada com base no exemplo seguinte, ilustrado na Figura 3. Em azul, vermelho e marrom, respectivamente, uma onda senoidal pura, uma composição de duas ondas senoidais e uma onda quadrada, que é essencialmente a soma de senoides infinitos, são mostradas, todas com o mesmo comprimento. Curiosamente, as três curvas têm exatamente o mesmo número de ZCRs, no entanto, de acordo com a teoria de Fourier, suas conexões de freqüência são consideravelmente diferentes. Com base no exemplo, a lição aprendida é que os primeiros harmônicos de um sinal não puro são dominantes sobre os outros, enquanto obrigatórios para definir sua forma geral de forma de onda. Consequentemente, muitas vezes são as pequenas oscilações produzidas pelas harmônicas mais altas que não geram cruzamentos de zero. Portanto, é muito mais provável que a ZCR de um determinado sinal forneça informação em sua frequência fundamental do que uma descrição detalhada de seu conteúdo de frequência total. Outro conceito relevante é a relação direta entre a frequência fundamental de um sinal e sua ZCR. Uma vez que as senóides são periódicas em 2π, cada peŕıodo contém dois cruzamentos zero. Assim, se um sinal unidimensional s[·] de comprimento M cruza G vezes a amplitude zero, ele contém peŕıodos senoidais G 2 a essa freqüência. Considerando que, no momento em que o sinal foi convertido do seu analógico para a sua versão digital (HAYKIN; VEEN, 2002), a unidade da taxa de amostragem é de número de amostras por segundo, então 1 R é o peŕıodo de tempo entre amostras consecutivas, que implica que M · 1 R = M R é a extensão do tempo do sinal analógico em segundos. Concluindo, em M R segundos há G 2 peŕıodos da Caṕıtulo 3. TÉCNICAS DE ANÁLISE DE SINAIS BIOMÉDICOS 32 Figura 3 – Onda composta: onda quadrada e suas harmônicas. 0 1 2 3 4 5 6 7 8 9 10 x y −1 0 1 Amostra A m pl it ud e Fonte: Adaptado de Guido (2016a) senóide, implicando que, proporcionalmente, existem G·R 2·M peŕıodos por segundo, ou seja, a frequência F , capturada pelos ZCRs é: F (ZCR(f [·])) = G ·R 2 ·M Hz (4) Obviamente, a formulação anterior é válida somente se as senóides não forem deslocados no eixo da amplitude, isto é, nenhum valor constante é adicionado a eles. De modo equivalente, o sinal em análise é necessário para que sua média aritmética seja igual a zero, o que implica que um ajuste inicial pode ser necessário antes de contar as ZCRs, caso contrário, eles não seriam fisicamente significativos. O processo mais simples para normalizar um sinal s[·] para transformar sua média em zero é mudar cada uma de suas amostras, subtraindo sua média original, isto é, sk ← sk − ( ∑M−1 j=0 sj) M , (0 ≤ k ≤M − 1) (5) Neste caso, as técnicas do método B3 descritas por Guido (2016a) constituem a base para a obtenção dos ZCRs. O funcionamento básico é descrito a seguir. 3.3.1 Método B3 O método B3 consiste em determinar os comprimentos proporcionais do sinal sob a análise necessário para atingir porcentagens predefinidas da ZCR total. Normalizações não se aplicam neste caso. A consequência direta dessa abordagem é a caracterização de B3 como sendo ideal para inspecionar a constância na frequência da entidade f́ısica responsável por gerar s[.] (GUIDO, 2016a). Especificamente, C é definido como sendo o ńıvel básico cŕıtico de ZCRs de (0 < C < 100)% e, em seguida, para 1D, o vetor de caracteŕısticas f [·] do tamanho T é determinado da seguinte forma: • f0 é a proporção do comprimento de s[·], isto é, M , começando do seu ińıcio, que é coberto pelo posicionamento da janela w0[·], necessário para atingir C% do ZCR total; Caṕıtulo 3. TÉCNICAS DE ANÁLISE DE SINAIS BIOMÉDICOS 33 • fB é a proporção do comprimento de s[·], isto é, M , começando do seu ińıcio, que é coberto pelo posicionamento da janela w1[·], necessário para atingir 2.C% do ZCR total; • fA é a proporção do comprimento de s[·], isto é, M , começando do seu ińıcio, que é coberto pelo posicionamento da janela w2[.], necessário para atingir 3.C% do ZCR total; • . . . • fT−1 é a proporção do comprimento de s[·], ou seja, M , desde o ińıcio, que é coberto pela colocação da janela w − (T − 1) [·], necessária para atingir (T.C)% da ZCR total, de modo que (T.C) < 100%; Finalmente, a Figura 4, e o Algoritmo 2 do Anexo B, complementam as soluções sobre o método da extração das caracteŕısticas de energia B3 para s[·]. Figura 4 – Exemplo 1D para B3, da janela wi[·], para i = 0, 1, 2, 3, ..., T −1., com comprimento Lwi, atingindo TC% dos ZCRs de s[·] Sinal de entrada s[·]: S0 S1 S2 S3 S4 S5 S6 S7 S8 S9 S10 S11 S12 S13 · · · ... fA = Lw0 M fB = Lw1 M fC = Lw2 M fD = Lw3 M w0[·] w1[·] w2[·] w3[·] Caracteŕısticas do vetor f [·]: Fonte: Adaptado de Guido (2016a) 3.4 Entropia A Energia é usada para expressar o potencial para executar um trabalho, assim como ZCRs, que são comumente aplicados à análise de conteúdo espectral elementar, atuando de forma distinta em correlação com a entropia (H). Segundo Guido (2018), a entropia pode revelar caracteŕısticas do sinal em análise que são improváveis de serem encontradas com ZCR e energia. Particularmente, a entropia pode distinguir facilmente os sinais, enquanto a energia e os ZCRs não conseguem fazê-lo. Caṕıtulo 3. TÉCNICAS DE ANÁLISE DE SINAIS BIOMÉDICOS 34 Da mesma forma que a caracterização dos ZCRs como agentes de neurocomputação (GUIDO, 2016a), H é mostrada como o resultado de uma rede neural profunda (DNN) sintonizada especificamente que funde informações importantes, trazendo um ponto de vista inovador para DSP e PR. Além disso, experimentos e aplicações no reconhecimento de fala com vocabulário restrito e śıntese de imagens garantem a eficácia das técnicas propostas. A entropia está comprometida com um equiĺıbrio entre criatividade, simplicidade e precisão Guido (2016a), Guido (2016b). Uma revisão sobre H acompanhada de algumas de suas aplicações recentes é o tema da próxima subseção. A técnica C1 descrita por Guido (2018) constitui a base para a obtenção da entropia. A exposição a seguir é inspirada no artigo tradicional de Shannon (1948), considerado o pai da Teoria da Informação, e por outros materiais bibliográficos respeitados. Seja pi = αi M = 1 (M/αi) , (0 ≤ i < K) and (0 ≤ αi < M), seja a probabilidade citada por Pishro-Nik (2014) onde o i-ésimo dado distinto, isto é, śımbolo, em um conjunto s [·] = {s0,s1,s2,..., sM−1} do tamanho M com K śımbolos distintos. Consequentemente, existem śımbolos αi dentro de M correspondentes à i−ésima equivalente, existe um entre 1 (M/αi) . Especificamente, o denominador (M/αi) representa o número normalizado de possibilidades para o i−ésimo śımbolo, com a normalização interpretada de forma que cada subconjunto de elementos repetidos seja convertido em um tamanho único representativo de medida igual ao de todo subconjunto. Além disso, (M/αi), escrito com base em um determinado alfabeto, produz palavras para as quais o comprimento corresponde ao que conhecemos como informação. Geralmente, o logβ( 1 pi ) expressa informações em termos do número de elementos necessários para escrever 1 pi normalizados de possibilidades para posicionamentos baseados no alfabeto β. Para obter uma quantificação global para as informações em todo o conjunto s [·], o procedimento mais natural corresponde ao cálculo da soma ponderada das quantidades independentes de informação, onde as probabilidades de ocorrência são os respectivos pesos. Portanto, H = k−1∑ i=0 pi · logβ( 1 pi ) (6) Alternativamente, e levando em consideração a propriedade dos logaritmos, que afirma que log ( 1 x ) = −log(x), ∀x ∈ <+, Equação (6) que pode ser reescrita como na Equação (7), sendo essa a maneira mais tradicional usada para expressar entropia. H = − k−1∑ i=0 pi · logβ(pi) (7) Também conhecida como entropia de Shannon (1948), H pode alternativamente ser entendido como uma medida de imprevisibilidade do conteúdo da informação, enquanto que é igual a zero em um resultado concreto e totalmente previśıvel, ou seja, quando K = 1 e p0 = 1. Caṕıtulo 3. TÉCNICAS DE ANÁLISE DE SINAIS BIOMÉDICOS 35 É necessária atenção ao fato de que nem o significado particular dos śımbolos em s [·] nem as posições espećıficas que eles ocupam afetam o valor de H. O exemplo simples mostrado na Figura 5 ilustra essa capacidade. Supondo que uma janela de comprimento fixo seja adotada para analisar os sinais, nem energia nem ZCRs podem ser empregados com sucesso para distinguir entre as ondas quadradas limpas e ruidosas, desenhadas respectivamente em vermelho e azul. Por um lado, a energia de ambos os sinais é praticamente a mesma, porque os picos positivos do rúıdo senoidal compensam a amplitude dos negativos. Assim, e em relação aos ZCRs, ambas as curvas cruzam zero exatamente o mesmo número de vezes em um determinado intervalo. Por outro lado, o sinal ruidoso exige que mais informações sejam caracterizadas em comparação com sua versão limpa, porque diferem em termos do número de valores de amplitude distintos que eles contêm. Assim, a entropia pode distinguir facilmente os sinais, enquanto a energia e os ZCRs não conseguem fazê-lo. Figura 5 – Duas ondas quadradas: limpa e com rúıdo, respectivamente desenhadas em vermelho e azul. 0 1 2 3 4 5 6 x y −1 0 1 Tempo A m pl it ud e Fonte: Adaptado de Guido (2018) 3.4.1 As abordagens propostas Cálculo de H na prática Antes de estudar as abordagens propostas, utilizando-se o método C1 aplicado no Algoritmo 3, criado para calcular a entropia de um sinal digital de comprimento M. Diferentes tipos de sinais, como fala, música e imagem, podem usar o mesmo método, não havendo necessidade de especialidades. Primeiro, s [·] é percorrido usando um procedimento de triagem de bolhas citado por E. Joseph (JOSEPH, 2012) que contém uma ordem logaŕıtmica de complexidade de tempo conforme citado por S. Arora e B. Barak (ARORA; BARAK, 2009) para organizar seus elementos em ordem crescente, favorecendo consequentemente o cálculo do número de śımbolos distintos e suas probabilidades. Qualquer outra estratégia de classificação também pode ser usada. Caṕıtulo 3. TÉCNICAS DE ANÁLISE DE SINAIS BIOMÉDICOS 36 O segundo passo do algoritmo é peculiar, oferecendo a possibilidade de redimensionar s [·]. Lembrando que a quantização de um sinal digital reflete o tamanho da etapa adotada para dividir seu eixo de amplitude durante a digitalização (OPPENHEIM; SCHAFER, 2013), a redimensionização pode ser particularmente interessante na prática sempre que a maior precisão posśıvel não for necessária. Assim, esse processo evita valores próximos de amplitude, que podem ser distintos devido a rúıdos ou artefatos, para aumentar de maneira conveniente o número de śımbolos diferentes, dificultando a análise. Se s[·] não for quantificado novamente, esses valores serão interpretados como śımbolos distintos, perturbando o valor esperado para H na prática. A terceira e quarta etapas, respecti- vamente, referentes ao cálculo das probabilidades requeridas e da entropia, ocorrem assim que a classificação e a requantização opcional são conclúıdas. O algoritmo 2 contém o código-fonte completo na linguagem de programação C/C ++ (STROUSTRUP, 2013). Ele implementa a classificação de bolhas com um loop for dentro de uma repetição do while, que continua até que uma determinada travessia de s [·] não exija a alteração de nenhum de seus elementos vizinhos, o que implica que o vetor seja classificado como pretendido. As diferenças entre as variáveis c e p são usadas estrategicamente para contabilizar quantos śımbolos idênticos ou próximos em caso de requantização existem; os quais certamente se agruparam devido à classificação anterior. Cálculo de entropia: associação com redes neurais profundas Nesta subseção, um ponto de vista interessante é oferecido aos leitores. O uso da propriedade do logaritmo logβ(x) = ln(x) ln(β) , permitindo a equivalência de H, como sendo: H = − k−1∑ i=0 pi.logβ(pi) = − k−1∑ i=0 pi. 1 ln(β) .ln(pi) = k−1∑ i=g0 pi.ln(pi).(− 1 lnβ (8) Além disso, a expansão de ln(x) usando a série de Taylor (HIRSCHMAN, 2014) permite reescrever H, H = k−1∑ i=0 pi.ln(pi).(− 1 (lnβ) ) = k−1∑ i=0 pi.(2 ∞∑ n=1 1 2n+ 1 ( pi − 1 pi + 1 )2n+1 ).(− 1 (lnβ) ) (9) H = ( − 2 (lnβ) ) . k−1∑ i=0 pi.( ∞∑ n=1 1 2n+ 1 ( pi − 1 pi + 1 )2n+1 ) (10) H = ( − 2 (lnβ) ) k−1∑ i=0 pi.( ( pi − 1 pi + 1 ) + ( pi − 1 pi + 1 )3 + ( pi − 1 pi + 1 )5 + ...) (11) Sendo que ( − 2 (lnβ) ) é um valor constante. Na Figura 6, que representa graficamente a A formulação proposta, corrobora o fato de que, independentemente da multiplicação pela constante ( − 2 (lnβ) ) , H é a soma ponderada dos Caṕıtulo 3. TÉCNICAS DE ANÁLISE DE SINAIS BIOMÉDICOS 37 escalares K, com p0, p1, ..., pk−1 como os pesos correspondentes e predefinidos. Particularmente, cada escalar, corresponde à sáıda de uma máquina de suporte de vetores (SVM) isolada (DUDA; HART; STORK, 2000; HAYKIN, 2009b). Para cada SVM, o elemento inicial, os elementos ocultos e o elemento de sáıda são, respectivamente, núcleos passivos, ativos, do tipo polinomial não linear (HAYKIN, 2009b) e linear ativo. Por um lado, os elementos passivos apenas encaminham suas entradas para as sáıdas correspondentes. Inspecionando a Figura 6, observa-se claramente a afirmação de que a estrutura completa é composta por quatro camadas, das quais apenas a primeira é passiva, onde H é a soma ponderada de K isolados das SVM parcialmente pré-sintonizados, formando uma estrutura profunda. Teoricamente, o número de elementos ocultos em cada SVM é infinito. Notavelmente e de acordo com resultados recentes (GIBSON; PATTERSON, 2017), três camadas ativas são suficientes para caracterizar a arquitetura proposta como sendo a de uma rede profunda, ou seja, H por si só consiste no resultado de um procedimento de fusão de informações a partir de K SVMs distintos e particularmente ajustados. Por fim, os leitores sabem que recursos como H geralmente são empregados como entrada para classificadores de correspondência de padrões ou baseados em conhecimento. Especificamente, quando o último tipo de classificador é adotado, como mostrado na Figura 7, todo o algoritmo corresponde ao de uma rede profunda e, portanto, possui um potencial considerável para resolver tarefas de classificação. Felizmente, esse ponto de vista em particular motiva as comunidades DSP e PR a usar a H. Uma vez que ambos os algoritmos projetados para calcular H são apresentados e complementados com um ponto de vista particular, que caracteriza H como o resultado de uma estrutura neural profunda parcialmente pré-ajustada, pode-se entender o método que foi proposto, isto é, C1, conforme detalhado na próxima subseção. Por um lado, C1 é inspirado em A1 e B2, respectivamente de (GUIDO, 2016a; GUIDO, 2016b), que são baseados nas análisee de quantidades acumuladas de energia e ZCRs, não admitindo nenhuma extensão a ser usada com H. 3.4.2 Método C1 Da mesma forma que os métodos A1 (GUIDO, 2016b) e B1 (GUIDO, 2016a), C1 é o método mais simples proposto por Guido (2018). Para o sinal de entrada 1D s [·] de comprimento M , ele consiste em uma janela retangular deslizante, w, de comprimento L atravessando o sinal, de modo que, para cada posicionamento, H seja calculado sobre essa posição. Cada posicionamento subsequente se sobrepõe em V% ao anterior, sendo o excesso de conteúdo no final, insuficiente para cobrir uma janela, descartado. As restrições (2 ≤ L ≤M) e (0 ≤ V ≤ 100) se aplicam necessariamente. Como explicado em (GUIDO, 2016b) para energia, o FE artesanal baseado em en- tropia também exige que s [·] seja convertido em um vetor de recurso, f [·], de compri- mento T = ⌊ (100M)−(LV ) (100−V ).L ⌋ , sendo b.c o operador de menor inteiro. Nesse caso, cada fk (0 ≤ k ≤ (T − 1)) corresponde a H calculado sobre a k−ésima posição da janela w. Como Caṕıtulo 3. TÉCNICAS DE ANÁLISE DE SINAIS BIOMÉDICOS 38 Figura 6 – Estrutura para obtenção da entropia (H) (x−1 x+1 ) (x−1 x+1 )3 ... (x−1 x+1 )2n+1 ∑1 1 1 1 1 3 1 2n+1 SVM0 x = p0 (x−1 x+1 ) (x−1 x+1 )3 ... (x−1 x+1 )2n+1 ∑1 1 1 1 1 3 1 2n+1 SVM1 x = p1 ... ... ... (x−1 x+1 ) (x−1 x+1 )3 ... (x−1 x+1 )2n+1 ∑1 1 1 1 1 3 1 2n+1 SVMk−1 x = pk−1 ∑ −2 ln(β) p0 p1 pk−1 H Fonte: a daptado de Guido (2018) também está documentado em (GUIDO, 2016b), f [·] requer normalização antes de seu uso como entrada para um classificador, com a entropia relativa sugerido por Scalassara et al. (2009) como o método apropriado. Ele permite avaliações baseadas em H por comparações, forçando particularmente o H mais alto em f [·] a 1 e ajustando o restante, proporcionalmente, dentro do intervalo (0 ∼ 1). O procedimento consiste em dividir cada valor individual em f [·] Caṕıtulo 3. TÉCNICAS DE ANÁLISE DE SINAIS BIOMÉDICOS 39 Figura 7 – Combinando recursos baseados em H com um classificador baseado em conheci- mento. Sinal s [·] Recursos de H Classificador baseado no conhecimento Sáıda estrutura neural profunda parcialmente pré-ajustada estrutura neural profunda parcialmente pré-ajustada Fonte: Adaptado de Guido (2018) pelo maior H não normalizado contido nele, que é aquele calculado sobre o posicionamento da janela chamado wh, ou seja, fr ← fr H(wh) , (0 ≤ r ≤ T − 1 (12) O Algoritmo 3 do Anexo C contêm as implementações C/C++ para o método de extração de caracteŕısticas da entropia C1 em 1D. Além disso, a Figura 8 ilustra o modo como C1 funciona para entradas 1D. Figura 8 – Método C1 da entropia aplicado a um sinal de entrada 1D s [·]. Como A1, descrito por Guido (2016b), inspira C1, esse diagrama é herdado desse artigo, no qual as únicas diferenças são os componentes do vetor de caracteŕıstica f [·]. Sinal de entrada 1D s[·]: S0 S1 S2 S3 S4 S5 S6 S7 S8 S9 S10 S11 S12 S13 S14 S15 · · · w0[·] w1[·] w2[·] w3[·] Caracteŕısticas do vetor f [·] para wi[·] : f0 = H(w0[·]) H(wh[·]) f1 = H(w1[·]) H(wh[·]) f0 = H(w0[·]) H(wh[·]) f0 = H(w0[·]) H(wh[·]) · · · w0[·] w1[·] w2[·] w3[·] Fonte: Adaptado de Guido (2018) 3.5 Massa do sinal O Operador de Energia Teager (T ) original modela aproximadamente a energia de um sinal de tempo discreto (x [·]) como produto do quadrado de sua amplitude (A) por sua frequência instantânea (Ω), mas também x [·] possui uma massa (η) que expressa a resistência Caṕıtulo 3. TÉCNICAS DE ANÁLISE DE SINAIS BIOMÉDICOS 40 na alteração da amplitude do sinal ao longo do tempo. Além disso, T é modificado com base em η para que A2.Ω2 seja calculado exatamente em termos de x [·], criando um operador de energia aprimorado (T ) que permite análises mais precisas em contraste com as fornecidas pela ferramenta original (GUIDO, 2019a). Em problemas modernos de processamento de sinal digital (DSP), o conceito de energia (E) tem estado na vanguarda dos fenômenos f́ısicos, como mostrado em Energia e ZCR. Especificamente, componentes espectrais instantâneos de um procedimento de modulação em amplitude (AM) e modulação em frequência (FM) podem ser estimados usando energia (PACHORI; SIRCAR, 2010). A filtragem de sinais biomédicos pode ser baseada em uma decomposição de sinais AM-FM, onde o algoritmo de separação de energia discreta (DESA) desempenha um papel importante (PACHORI; SHARMA, 2017). Complementarmente, o DESA também pode ser aplicado para extrair o pacote de amplitude de um sinal de voz com voz isolada, como mostrado em (PACHORI; SIRCAR, 2006). Essas são aplicações interessantes de energia, entre muitas outras. Como nos casos anteriores, o Operador de Energia Teager (T ) (KAISER, 1990), que permite que os procedimentos de AM e FM sejam considerados em conjunto (HAYKIN, 2009a), impulsionou o desenvolvimento de importantes avanços no mundo do DSP, como os relacionados ao processamento de fala (HOLAMBE; DESHPANDE, 2012). Particularmente, T modela aproximadamente a energia de um sinal de entrada em análise, daqui em diante x [·], como produto quadrado de sua amplitude (A) por sua frequência instantânea (Ω) com base na relação x2i − xi−1.xi+1, ∀ i ∈ Z. Como T foi definido há algumas décadas, percebe-se que não apenas a matéria, mas também os sinais de tempo discreto, têm uma massa (η) que expressa a resistência imposta por suas fontes à inércia ao longo do tempo. Além disso, T é modificado com base em η de maneira que A2.Ω2 possa ser calculado exatamente como uma função de x [·], fornecendo informações precisas com o recém-definido Operador de Energia Teager (T ) avançado. Ele pode ser aplicado em muitos campos, como reconhecimento de fala, identificação de alto-falante, aprimoramento de fala, detecção de emoção de fala, análise de sinal biomédico e reconhecimento de padrões (GUIDO, 2019a). 3.6 Vetores de caracteŕısticas A caracterização do sinal extráıdo por meio desses métodos será útil para o treinamento do sistema para a atribuição do sinal ou de sua identificação, comparados aos modelos ou avaliados por um especialista. Além disso, informações fundamentais para a classificação podem estar escondidas nos dados brutos ou ruidosos. Portanto, estágios que extraem as caracteŕısticas sempre são necessários. Esse conceito é mostrado na Figura 9, sendo óbvia e necessária a extração de recursos com procedimentos de perdas, reduzindo consideravelmente a dimensão do sinal de entrada. Portanto, quanto mais caracteŕısticas preservadas das informações do sinal em análise, mais preciso será o resultado da classificação (GUIDO, 2016b). Caṕıtulo 3. TÉCNICAS DE ANÁLISE DE SINAIS BIOMÉDICOS 41 Figura 9 – Esquema de classificação usual para abordagens modernas de padrões, baseadas no conhecimento e combinadas IŃICIO EXTRAÇ~AO DE CARACTERÍSTICAS CLASSIFICAÇ~AO FIM Entrada do sinal s[·] de comprimento relevante e variável Vetor de caracteŕısticas de comprimento reduzido e predefinido Resultado da classificação Fonte: Adaptado de Guido (2016b) 3.7 Engenharia paraconsistente de caracteŕısticas - EPC A EPC emergiu como o campo da ciência responsável por transformar dados brutos em informações de entrada relevantes, configurando classificadores no doḿınio de processamento de sinal digital (DSP) e reconhecimento de padrões (PR). Apesar dos esforços cont́ınuos para melhorar o aprendizado de recursos, a extração artesanal ainda desempenha um papel muito importante. Nesse contexto, uma escolha cuidadosa de recursos é extremamente relevante para criar uma classificação precisa (GUIDO, 2019b). Em Guido (2019b) esclarece que o problema da qualidade de recursos usando um sistema lógico não-clássico capaz de lidar com situações conflitantes é conhecido como lógica paraconsistente (PL). Normalmente os algoritmos de inteligência artificial (IA) especificamente dedicados à PR dominam os sistemas de DSP, estimulando estudos adicionais sobre engenharia de recursos (ZHENG; CASARI, 2018). Sempre que a lógica clássica não resolve um problema neste campo, a PL pode ser uma solução (CARNIELLI; CONIGLIO, 2016). Segundo Guido (2019b), a comunidade de reconhecimento de padrões admite que os vetores de caracteŕısticas favoráveis exibem similaridade considerável quando extráıdos de entradas de uma classe particular e uma distinção notável quando provenientes de classes Caṕıtulo 3. TÉCNICAS DE ANÁLISE DE SINAIS BIOMÉDICOS 42 diferentes. Além disso, sempre que os recursos da EPC contribuem substancialmente para resolver um problema, eles evitam o simples encaminhamento de um problema não polido para o classificador, que é o próximo estágio do sistema de classificação. Como resultado, o problema é o de definir uma estratégia quantitativa para investigar as caracteŕısticas extráıdas, observando que análises intraclasse e interclasse independentes podem causar conflitos. Como a maioria dos classificadores, a técnica adotada para resolver o problema declarado também requer que todos os vetores de caracteŕısticas sejam primeiro normalizados dentro da faixa 0 a 1, o que permite uma escala adequada de inspeção. Contrariamente, registros adequados de grandezas relacionadas a uma quantidade máxima contêm a unidade como o maior valor posśıvel, como nos métodos A3 e B3, também definidos em (GUIDO, 2016a; GUIDO, 2016b). Quando a normalização estiver completa, os vetores de recursos estarão prontos para ser estudados adequadamente. Como mencionado, esse problema é resolvido usando dois critérios independentes: um para quantificar as semelhanças intraclasse e outro para refletir as diferenças interclasses. Cada um é representado pelas quantidades α que expressam o ńıvel de crédito nas caracteŕısticas, e β que especifica seu ńıvel de descrédito (0 6 α,β 6 1). A independência indica que α e β não são complementares, isto é, α + β pode ser diferente da unidade, implicando que a lógica ordinária (SMULLYAN, 2014) não é a ferramenta apropriada para tratar este problema. Como base para a realização da análise intraclasse, notamos que a amplitude, ou alcance, de um conjunto de K números reais, isto é, s [·] = {s0, s1,..., sK−1}, é a maneira mais simples de medir seu desvio (BRUCE; BRUCE, 2017). É definido como A = L (s [·])−S (s [·]), isto é, a diferença entre o maior e o menor valor em s [·]. Notavelmente, quanto menor for A, mais próximos estarão os escalares no conjunto, e vice-versa. Desde que (0 6 A 6 1), devido às suas normalizações anteriores, Y = (1− A) pode ser usado como uma medida padronizada de similaridade entre os escalares de tal maneira que Y ≈ 0 e Y ≈ 1 indicam baixa e alta similaridade, respectivamente. O objetivo é encontrar a similaridade entre os vetores de caracteŕısticas do tamanho TP , não os escalares. Consequentemente, pode-se executar, separadamente para cada classe, uma computação vetorial de similaridade elementar, onde o elemento i representa a similaridade entre os componentes correspondentes dos vetores de caracteŕısticas, como mostrado na Figura 10. A seguir, os vetores de similaridade são intuitivamente denominados como svC1 b.c,svC2 [·], ..., svCN [·]. A aritmética correspondente da Equação (13), que são usados para balancear seus respectivos valores individuais, correspondem às similaridades intraclasse. Idealmente, todos eles seriam próximos de 1. Caṕıtulo 3. TÉCNICAS DE ANÁLISE DE SINAIS BIOMÉDICOS 43 Ȳ (C1) = 1 TP TP−1∑ i=0 svC1[i] Ȳ (C2) = 1 TP TP−1∑ i=0 svC2[i] .... (13) Ȳ (CN) = 1 TP TP−1∑ i=0 svCN [i] Assim, para avaliar o pior caso, define-se α como a menor entre as semelhanças intraclasse, isto é, α = min { Ȳ (C1),Ȳ (C2), ..., Ȳ (CN) } (14) Uma vez que os cálculos para encontrar α estão completos, o próximo passo é definir β como segue. Para executar a análise interclasse, como mostrado na Figura 10, inicialmente calculamos dois vetores de intervalo de tamanho TP para cada classe: um com valores ḿınimos de todo o conjunto e o outro com valores máximos de todo o conjunto. Assim, os vetores de intervalo armazenam o intervalo exato contendo todos os valores do vetor de recursos de suas respectivas classes. Em seguida, realiza-se uma comparação baseada em elementos entre os vetores de caracteŕısticas de cada classe e os vetores de intervalo de todas as outras classes para definir R, ou seja, o número de elementos vetoriais de feições, se houver, que se sobrepõem ao respectivo intervalo. Cada elemento sobreposto significa que uma caracteŕıstica de uma classe invadiu o intervalo usado pelos recursos de outra classe, o que é desvantajoso para a classificação, ou seja, uma linha reta não é capaz de separar esses recursos interclasses, e uma técnica não linear é provavelmente necessária. Finalmente, define-se β, onde F é o número máximo posśıvel de sobreposições. Assumindo que cada uma das classes contém X vetores de caracteŕısticas de tamanho TP , então F = N · (N − 1) ·X · TP . Notavelmente, consideramos uma comparação como uma olhada em uma posição particular de ambos os vetores de intervalo de uma classe. β = R F (15) As quantidades α e β criam duas medidas distintas e possivelmente conflitantes. Neste ponto, é importante notar que α = 1 sugere fortemente que os vetores de caracteŕıstica intra- classe são similares e representam suas respectivas classes precisamente. Complementarmente, β = 0 sugere que os vetores de caracteŕısticas da interclasse não se sobrepõem, confirmando assim a confiança em α e β. Ambas as condições são esperadas, pelo menos aproximadamente, para uma classificação precisa e fácil de executar. Caṕıtulo 3. TÉCNICAS DE ANÁLISE DE SINAIS BIOMÉDICOS 44 Figura 10 – Abordagem proposta foi baseada na EPC: análise intraclasse (superior esquerda), análise interclasse (direita) e análise paraconsistente (inferior esquerda). • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • ... ... ... ... ... ... • • • • • • • • • • • • • • • • • • • • • • • • • • • • Menores valores em C1 • • • • Maiores valores em C1 • • • • Menores valores em C2 • • • • Maiores valores em C2 Ińıcio Vetores normalizados Calculando Ȳ C1 (Média de svC1[·] Calculando Ȳ C2 (Média de svC2[·] Encontrar α, i.e., a menor similaridade intraclasses {Ȳ C1, Ȳ C2} Realiza uma comparação de elementos entre os vetores de caracteŕısticas de cada classe e os vetores de alcance de toda as outras clas- ses para encontrar β = R/F Análise paraconsistente: plotar P = (G1, G2) = (α − β, α + β − 1) encontrar o vértice mais próximo para decisão Fim Análise intraclasse Análise interclasse Vetores caracteŕısticas da classe C1 Vetores caracteŕısticas da classe C2 Vetores similar correspodente de C1 (svC1[·]) Vetores similar correspondente de C2 (svC2[·]) Vetores caracteŕısticas da classe C1 Vetores caracteŕısticas da classe C2 Dois vetores de intervalo definem o intervalo para cada classe, um armazenando os menores valores e o outro registrando os maiores vetores Fonte: Adaptado de Guido (2019b) Apesar desse melhor caso, há três outras possibilidades extremas envolvendo essas medidas, ou seja, (α, β) = (0,1), (α, β) = (0,0)e (α, β) = (1,1), além de um número infinito Caṕıtulo 3. TÉCNICAS DE ANÁLISE DE SINAIS BIOMÉDICOS 45 de valores intermediários onde (0 6 α,β 6 0). Para lançar alguma luz sobre esse cenário, adota- se uma ferramenta simples, porém flex́ıvel, usada para tratar informações conflitantes como potencialmente informativas: PL. Descrito em (CARNIELLI; CONIGLIO, 2016; CARVALHO; ABE, 2018; ABE, 2015), ele usa α e β para calcular o grau de certeza, ou seja, G1 = α− β, e o grau de contradição, ou seja, G2 = α + β − 1, de um estágio, onde (−1 6 G1,G2 6 1), como mostrado na Figura 10. Por um lado, a certeza varia da falsidade à verdade, ou seja, G1 = −1 e G1 = 1, respectivamente. Por outro lado, a contradição varia de indefinição à ambiguidade, ou seja, G2 = −1 e G2 = 1, respectivamente. Na Figura 11, que contém explicações adicionais, mostra o plano paraconsistente onde o ponto P = (G1,G2) é plotado para permitir a análise pretendida. Particularmente, as distâncias de P para os cantos (−1, 0), (1, 0), (0,−1) e (0, 1), ou seja, √ (G1 + 1)2 + (G2)2, √ (G1 − 1)2 + (G2)2, √ (G1)2 + (G2 + 1)2, √ (G1)2 + (G2 − 1)2, respectivamente, revelam a seguinte conclusão: vetores de caracteŕısticas favoráveis coloque P mais perto do canto (1, 0) do que com os outros cantos, como pode ser visualizado no exemplo da Figura 13, representando diferentes classes C1 e C2, por exemplo para as classes normais e anormais. Figura 11 – O plano paraconsistente representa os graus de confiança (α) e contradições (β), podemos considerar para α = 1 totalmente confiável, α = 0 não confiável, β = 1 contraditório, β = 0 totalmente contraditório -1 1 1 -1 G1 = α− β G2 = α + β − 1 Inconsistente (α = 1, β = 1) Falso (α = 0, β = 1) Verdadeiro (α = 1, β = 0) Indefinido (α = 0, β = 0) Fonte: Adaptado de Guido (2019b) 3.8 Máquina de suporte de vetores - SVM A máquina de vetores de suporte (SVM) é uma máquina de aprendizado universal proposta por Vladimir Vapnik (VAPNIK, 1995), aplicada tanto à regressão quanto ao reconhe- cimento de padrões (VAPNIK; CORTES, 1995). A SVM pode trabalhar com problemas lineares e não lineares e usa uma função chamada kernel (núcleo) para mapear o espaço de entrada de dados para um espaço de alta dimensão no qual o problema se torna linearmente separável. A Caṕıtulo 3. TÉCNICAS DE ANÁLISE DE SINAIS BIOMÉDICOS 46 Figura 12 – Os vetores de caracteŕısticas das classes C1 para os casos normais, e C2 para os casos anormais localizados no espaço. Caracteŕıstica 1 C ar ac te ŕı st ic a 2 C1 C2 Fonte: Adaptado de Guido (2019b) Figura 13 – O ponto P é representado como ponto no plano paraconsistente para o exemplo numérico. -1 1 1 -1 G1 G2 P Fonte: Adaptado de Guido (2019b) boa capacidade de generalização, a robustez em grandes dimensões, a convexidade da função objetivo e uma teoria estat́ıstica e matemática bem definida de aprendizado são vantagens importantes do classificador SVM (CRISTIANINI; SHAWE-TAYLOR, 2000). Caṕıtulo 3. TÉCNICAS DE ANÁLISE DE SINAIS BIOMÉDICOS 47 A formulação de problemas de reconhecimento de padrões (binários) da SVM traz uma série de vantagens sobre outras abordagens, algumas das quais são: 1) garantia de que uma vez que uma solução seja alcançada, esta seja a solução global única; 2) boas propriedades de generalização da solução; 3) fundamentação teórica sólida baseada na teoria da aprendizagem [minimização de risco estrutural (SRM)] e na teoria da otimização; 4) bases / formulações comuns para a classe separável e os problemas não-separáveis da classe (por meio da introdução de fatores de penalidade apropriados de grau arbitrário na função de custo de otimização), bem como para problemas lineares e não-lineares (através do chamado ”truque do kernel”) e; 5) clara intuição geométrica na tarefa de classificação. Devido às boas propriedades acima citadas, a SVM foi e tem sido usada com sucesso em várias aplicações (MAVROFORAKIS; THEODORIDIS, 2006; ZANATY; AFIFI, 2011). 48 4 METODOLOGIA E RESULTADOS O desenvolvimento do sistema de monitoramento e análise da oxigenação e acidemia fetal reconhecidos por meio da VCP da FCF, disponibiliza uma ferramenta para análise da FCF que contribui para que profissionais e especialistas em obstetŕıcia tenham informações preditivas da acidose e oxigenação fetal, possibilitando a elaboração de diagnósticos mais precisos. Desta forma possibilitará tomadas de decisões importantes durante o ante parto ou intraparto como método não invasivo aumentando o sucesso de nascimentos. Por meio da aferição dos dados obtidos com a coleta do sangue da arteria umbilical no nascimento, foram desenvolvidos algoritmos em linguagem C++ para análise da variabilidade de curto prazo para determinar a oxigenação e a acidemia fetal. Os resultados obtidos foram concisos e confiáveis, considerando-se os critérios de normalidade de Dawes, M. e Redman (1996), para análise da FCF determinando-se a VCP durante os exames no ante parto ou intraparto. Com a determinação da VCP foi posśıvel determinar a acidemia fetal, cujos valores de VCP < 5,25 ms indicando acidemia fetal com pH < 7,20 (GARCIA, 2006). A aquisição e a gravação da FCF foram realizadas em gestantes com idade gestacional de 35 a 41 semanas no trabalho de parto ou intraparto em ambiente hospitalar. Estes exames foram fundamentais para a comparação dos valores obtidos por meio do processamento dos sinais da FCF para obtenção da VCP, acidose e oxigenação fetal, possibilitando a realização da aferição do sistema com o pH do sangue da artéria umbilical coletado no momento do nascimento. Desta forma, pode-se enriquecer, validar e comprovar o algoritmo desenvolvido para atuar na prevenção durante o trabalho de parto. Pesquisa aprovada pelo Comitê de Ética em Pesquisa (CEP) conforme Certificado de Apresentação de Apreciação Ética (CAAE) 14329919.7.0000.5402, conforme parecer do CEP 3.844.264 de 18 de fevereiro de 2020. Com os resultados dos processamentos obtidos, foi posśıvel realizar a comparação com os valores laboratoriais do sangue da artéria umbilical coletado no nascimento, considerando-se o limite do valor de pH < 7,20 para pré-acidose fetal (GARCIA, 2006). 4.1 Critérios de exclusão Foram exclúıdos deste estudo gestações gemelares e menores de 18 anos desacompa- nhadas de seus responsáveis legais, gravações com interrupção dos sinais, gravações sem o exame laboratorial do sangue arterial umbilical e exames com tempo inferior a 20 minutos. 4.2 Riscos A aquisição e gravação da FCF foram realizadas em gestantes no trabalho de parto ou intraparto em ambiente hospitalar acompanhado de especialistas, como aux́ılio de um Caṕıtulo 4. METODOLOGIA E RESULTADOS 49 equipamento de cardiocografia para gravação do áudio. Este método não é invasivo e não ofereceu risco à gestante e ao feto, e a coleta do sangue da artéria umbilical da placenta foi realizada após o nascimento. 4.3 Benef́ıcios É de fundamental importância destacar que a análise da oxigenação e da acidemia fetal reconhecido por meio da VCP da FCF, baseado em processamento digital dos sinais, utiliza os conceitos de engenharia paraconsistentes de caracteŕısticas como contribuição original para a análise de sinais biomédicos. Com robusta fundamentação teórica e a adequação metodológica, justificam-se por meio dos resultados elencados no presente estudo, garantindo que os elementos mencionados são pasśıveis de exploração e certamente trarão frutos interessantes e inovadores à saúde e à ciência. 4.4 Estratégia de análise de dados Neste trabalho buscou-se pela análise da variável VCP na avaliação da vitalidade fetal, cujo valor é mensurado pela diferença das médias de intervalos de pulso, expressas em milissegundos, calculadas em peŕıodos (janelamento) de 3,75 segundos, ou seja, 1/16 de minuto para todos os minutos válidos do traçado (DAWES; REDMAN, 1995). A VCP é determinada pelo cálculo da diferença entre a média dos peŕıodos da janela de 3,75 segundos e a média dos peŕıodos da janela de 3,75 segundos anterior. O valor obtido no cálculo da VCP correlaciona-se com acidose metabólica fetal e morte intrauterina(DAWES; MOULDEN; REDMAN, 1991; DAWES; MOULDEN; REDMAN, 1992; DAWES; REDMAN, 1995). Considerando os critérios de normalidade de Dawes e Redman, o objetivo do estudo foi o de avaliar individualmente um dos parâmetros, a VCP, que é estabelecida inicialmente após os primeiros 10 minutos de exame e, consecutivamente, a cada 2 minutos após essa primeira interpretação (DAWES; M.; REDMAN, 1996). Os critérios de normalidade de Dawes e Redman são: • a VCP (STV – Short-term variation) deve ser superior ou igual a 3 milissegundos; • o ńıvel da linha de base (FCF) deve estar entre 110 e 160 bpm; • deve ocorrer no ḿınimo um episódio ou peŕıodo de alta variação; • deve ocorrer no ḿınimo um movimento fetal (registrados pela mãe) ou 3 acelerações; • não devem ocorrer desacelerações com mais de 20 batimentos perdidos (MACONES et al., 2008). Existe também uma correlação significativa entre a VCP e a análise de acidemia no sangue do cordão umbilical ao nascimento e valores de VCP < 5,25 ms que foram significativa- mente capazes de predizer acidemia fetal com pH < 7,20, na artéria umbilical ao nascimento considerando-se o limite para pré-acidose fetal (GARCIA, 2