RESSALVA Atendendo solicitação do autor, o texto completo desta tese será disponibilizado somente a partir de 02/06/2023. 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. 71 Referências ABE, J. M. Paraconsistent intelligent-based systems: new trends in the applications of paraconsistency. New York, Springer-Verlag, 2015. ACOG TECHNICAL BULLETIN. Umbilical artery blood acid-base analysis: n.207. Washington, 1996. 305-310 p. ALNUAIMI, S. A.; JIMAA, S.; KHANDOKER, A. H. Fetal cardiac doppler signal processing techniques: challenges and future research directions. Frontiers in Bioengineering and Biotechnology, Switzerland, v. 5, p. 82, 2017. ISSN 2296-4185. Dispońıvel em: https: // www.frontiersin.org/article/10.3389/fbioe.2017.00082. Acesso em: 28 nov. 1998. ARORA, S.; BARAK, B. Computational complexity: a modern approach. Cambridge, Cambridge University Press, 2009. ISBN 9780521424264. BRUCE, P.; BRUCE, A. Practical statistics for data scientists: 50 essential concepts. Sebastopol, CA: O’Reilly Media, Inc., 2017. BUTRUILLE, L.; JONCKHEERE, J. D.; FLOCTEIL, M.; GARABEDIAN, C.; HOUFFLIN- DEBARGE, V.; STORME, L.; DERUELLE, P.; LOGIER, R. Parasympathetic tone variations according to umbilical cord ph at birth: a computerized fetal heart rate variability analysis. Journal of Clinical Monitoring and Computing, Dordrecht, v. 31, n. 6, p. 1197–1202, Dec 2017. ISSN 1573-2614. Disponı́vel em: https://doi.org/10.1007/s10877-016-9957-y. Acesso em: 28 jun. 2021. CARNIELLI, W.; CONIGLIO, M. E. Paraconsistent logic: consistency, contradiction and negation. Berlin, Springer-Verlag, 2016. CARVALHO, F. R.; ABE, J. M. A paraconsistent decision-making method. Berlin, Springer- Verlag, 2018. CASTRO, D.; PATIL, S.; KEENAGHAN, M. Arterial blood gas. Bethesda MD, 2021. Disponı́vel em: https://www.ncbi.nlm.nih.gov/books/NBK536919/. Acesso em: 28 jun. 2021. CRISTIANINI, N.; SHAWE-TAYLOR, J. An introduction to support vector machines and other kernel-based learning methods. Cambridge, Cambridge University Press, 2000. DAWES, G. S.; M., M.; REDMAN, C. W. Improvements in computerized fetal heart rate analysis antepartume. J Perinat Med, Berlin, v.24, p.25–36, 1996. DAWES, G. S.; MOULDEN, M.; REDMAN, C. W. The advantages of computerized fetal heart rate analysis. J Perinat Med, Berlin, v.19, n.1-2, p.39–45, 1991. DAWES, G. S.; MOULDEN, M.; REDMAN, C. W. Short-term fetal heart rate variation, decelerations, and umbilical flow velocity waveforms before labor. Obstet Gynecol, Washington, p. 80: 673–8, 1992. DAWES, G. S.; REDMAN, C. W. Sonicaid system 8002: objective ctg analysis system user guide. Oxford Instruments Medical System Division, Oxford, v. 19, p. 39–45, 1995. https://www.frontiersin.org/article/10.3389/fbioe.2017.00082 https://www.frontiersin.org/article/10.3389/fbioe.2017.00082 https://doi.org/10.1007/s10877-016-9957-y https://www.ncbi.nlm.nih.gov/books/NBK536919/ Referências 72 DUDA, R. O.; HART, P. E.; STORK, D. G. Pattern classification. Hoboken, NJ: Wiley- InterScience, 2000. EDEN, R. D.; EVANS, M. I.; EVANS, S. M.; SCHIFRIN, B. S. Reengineering electronic fetal monitoring interpretation: using the fetal reserve index to anticipate the need for emergent operative delivery. Reproductive Sciences, Switzerland, v. 25, n. 4, p. 487–497, 2018. PMID: 29137550. Dispońıvel em: https://doi.org/10.1177/1933719117737849. Acesso em: 28 jun. 2021. FERGUS, P.; SELVARAJ, M.; CHALMERS, C. Machine learning ensemble modelling to classify caesarean section and vaginal delivery types using cardiotocography traces. Computers in Biology and Medicine, S.l., v. 93, p. 7 – 16, 2018. I SSN 0010-4825. Dispońıvel em: http:// www.sciencedirect.com/science/article/pii/S0010482517303918. Acesso em: 28 jun. 2021. FERNANDES, J. N. O.; CORTEZ, P. C.; MARQUES, J. A. L.; FEITOSA, F. E. L. A fuzzy intelligent agent for analysis and classification of fetuses’ cardiac signals. IEEE Latin America Transactions, S.l., v. 14, n. 5, p. 2052–2058, 2016. ISSN 1548-0992. GARCIA, G. S. Prediction of fetal acidemia by Short-term Variation measured by Computerized Cardiotocography in pregnancies with Hypertensive Syndrome. Tese (Doutorado) — Universidade Federal de São Paulo, Escola Paulista de Medicina, Programa de P ós-Graduação em Obstetŕıcia, São Paulo, 2006. GIBSON, A.; PATTERSON, J. Deep Learning: A Practitioner’s Approach. Sebastopol CA, O’Reilly Media, 2017. GONÇALVES, H.; PINTO, P.; SILVA, M.; CAMPOS, D. Ayres-de; BERNARDES, J. Toward the improvement in fetal monitoring during labor with the inclusion of maternal heart rate analysis. Medical & Biological Engineering & Computing, Switzerland, v. 54, n. 4, p. 691–699, Apr 2016. I SSN 1741-0444. Dispońıvel em: https://doi.org/10.1007/s11517-015-1359-7. Acesso em: 28 jun. 2021. GUIDO, R. C. Zcr - aided neurocomputing. Know.-Based Syst., Elsevier Science Publishers B. V., Amsterdam, v. 105, n. C, p. 248–269, ago. 2016a. I SSN 0950-7051. Dispońıvel em: http:// dx.doi.org/10.1016/j.knosys.2016.05.011. Acesso em: 28 jun. 2021. GUIDO, R. C. A tutorial on signal energy and its applications. Neurocomputing, S.l, v. 179, p. 264 – 282, 2016b. I SSN 0925-2312. Dispońıvel em: http://www.sciencedirect.com/science/article/ pii/S0925231215019281> Acesso em: 28 jun. 2021. GUIDO, R. C. A tutorial review on entropy-based handcrafted feature extraction for information fusion. I nformation Fusion, S.l, v. 41, p. 161 – 175, 2018. I SSN 1566-2535. Disponı́vel em: http://www.sciencedirect.com/science/article/pii/S1566253517303846. Acesso em: 28 jun. 2021. GUIDO, R. C. Enhancing teager energy operator based on a novel and appealing concept: Signal mass. Journal of the Franklin I nstitute, S.l, v. 356, n. 4, p. 2346 – 2352, 2019a. I SSN 0016-0032. Disponı́vel em: http://www.sciencedirect.com/science/article/pii/ S0016003218307348. Acesso em: 28 jun. 2021. GUIDO, R. C. Paraconsistent feature engineering [lecture notes]. IEEE Signal Processing Magazine, S.l., v. 36, p. 154–158, 01 2019b. https://doi.org/10.1177/1933719117737849 http://www.sciencedirect.com/science/article/pii/S0010482517303918 https://doi.org/10.1007/s11517-015-1359-7 http://dx.doi.org/10.1016/j.knosys.2016.05.011 http://www.sciencedirect.com/science/article/pii/S0925231215019281 http://www.sciencedirect.com/science/article/pii/S0925231215019281 http://www.sciencedirect.com/science/article/pii/S1566253517303846 http://www.sciencedirect.com/science/article/pii/S0016003218307348 http://www.sciencedirect.com/science/article/pii/S0016003218307348 Referências 73 HAYKIN, S. Communication Systems. 5th. ed. New York, Wiley Publishing, 2009. ISBN 0471697907. HAYKIN, S. S. Neural networks and learning machines. Third. Upper Saddle River, NJ, Pearson Education, 2009. HAYKIN, S. S.; VEEN, B. V. Signals and Systems. New York, Wiley, 2002. ISBN 9780471164746. HENSON, G.; DAWES, G. S.; REDMAN, C. W. Characterization of the reduced heart rate variation in growth-retarded fetuses. Br J Obstet Gynaecol, New York, v. 91, p. 751–5, 1984. HIRSCHMAN, I . I . I nfinite Series. New York, Dover Publications I nc., 2014. I SBN 0486789756. HOLAMBE, R. S.; DESHPANDE, M. S. Advances in Non-Linear Modeling for Spe- ech Processing: Speech Technology). 1st. ed. New York, Springer Publishing Company, Incorporated, 2012. ISBN 1461415047. JEZEWSKI, M.; CZABANSKI, R.; HOROBA, K.; LESKI, J. Clustering with pairs of prototypes to support automated assessment of the fetal state. Applied Artificial Intelligence, S.l., v. 30, n. 6, p. 572–589, 2016. JOSEPH, E. Sorting Algorithm: Analysis and Comparison Performance. Germany: LAP Lambert Academic Publishing, 2012. ISBN 3659185477, 9783659185472. KAISER, J. F. On a simple algorithm to calculate the ’energy’ of a signal. In: International Conference on Acoustics, Speech, and Signal Processing. Albuquerque, 1990. v. 1, p. 381–384. MACONES, G. A.; HANKINS, G. D. V.; SPONG C. Y., H. J.; MOORE, T. The 2008 national institute of child health and human development workshop report on electronic fetal monitoring: Update on definitions, interpretation, and r esearch guideliness. Journal of Obstetric, Gynecologic, Neonatal Nursing, S.l., v.37, .510–515, 2008. MAEDA, M. de F. Y. Cardiotocografia computadorizada e doppervelocimetria em ges- tações com insuficiência placentária: associação com a lesção miocárdia e acidemia no nascimento. 2013. 134 p. Dissertação (Mestrado no Programa de Obstetŕıcia e Ginecologia) — Faculdade de Medicina da Universidade de São Paulo, São Paulo, 2013. MANICKAM, P.; PRABHA, H. Extraction of fetal ecg from the composite abdomen signal by anfis with different learning algorithm. Advances in Natural and Applied Sciences, S.l., v. 10, p. 207, 2016. MAVROFORAKIS, M.; THEODORIDIS, S. A geometric approach to support vector machine (svm) classification. IEEE Transactions on Neural Networks, S.l., v. 17, n. 3, p. 671–682, May 2006. ISSN 1941-0093. OPPENHEIM, A. V.; SCHAFER, R. W. Discrete-time Signal Processing. London, Pearson, 2013. PACHORI, R.; SHARMA, R. Automatic sleep stages classification based on i terative filtering of electroencephalogram signals. S.l., Neural Computing and Applications, p. 2959– 2978 , 2017. Referências 74 PACHORI, R. B.; SIRCAR, P. Speech analysis using fourier-bessel expansion and discrete energy separation algorithm. In: 2006 IEEE 12th Digital Signal Processing Workshop 4th IEEE Signal Processing Education Workshop. Piscataway N.J., p. 423–428, 2016. PACHORI, R. B.; SIRCAR, P. Analysis of multicomponent am-fm signals using fb-desa method. Digital Signal Processing, S.l., v. 20, n. 1, p. 42 – 62, 2010. ISSN 1051-2004. Dispońıvel em: http://www.sciencedirect.com/science/article/pii/S105120040900075X. Acesso em: 28 jun. 2021. PISHRO-NIK, H. Introduction to Probability, Statistics and Random Processes. S.l.: Kappa Research LLC, 2014. Dispońıvel em: https://www.probabilitycourse.com. RAY, C.; RAY, A. Intrapartum cardiotocography and its correlation with umbilical cord blood ph in term pregnancies: a prospective study. International Journal of Reproduction, Contra- ception, Obstetrics and Gynecology, S.l., v. 6, n. 7, p. 2745–2752, 2017. ISSN 2320-1789. Dispońıvel em: https://www.ijrcog.org/index.php/ijrcog/article/view/2929. ROMANO, M.; BIFULCO, P.; RUFFO, M.; IMPROTA, G.; CLEMENTE, F.; CESARELLI, M. Software for computerised analysis of cardiotocographic traces. Computer Methods and Programs in Biomedicine, S.l., v. 124, p. 121 – 137, 2016. ISSN 0169-2607. Dispońıvel em: http://www.sciencedirect.com/science/article/pii/S0169260715002680. SALING, E. A new method for examination of the child during labor. introduction, technic and principles. Arch Gynakol, S.l., v.197, p.108–22, 1962. SCALASSARA, P. R.; DAJER, M. E.; MACIEL, C. D.; GUIDO, R. C.; PEREIRA, J. C. Relative entropy measures applied to healthy and pathological voice characterization. Applied Mathe- matics and Computation, S.l., v. 207, n. 1, p. 95 – 108, 2009. ISSN 0096-3003. Includes Special issue on Emergent Applications of Fractals and Wavelets in Biology and Biomedicine. Disponı́vel em: http://www.sciencedirect.com/science/article/pii/S0096300308000234. Acesso em: 28 jun. 2021. SEJDIĆ, E.; DJUROVIC, I.; JIANG, J. Time-frequency feature representation using energy concentration: An overview of recent advances. Digital Signal Processing, S.l., v. 19, p. 153–183, 2009. SHANNON, C. A mathematical theory of communication. The Bell System Technical Journal, S.l., v. 27, n. 3, p. 379–423, July 1948. ISSN 0005-8580. SMULLYAN, R. M. A Beginner’s Guide to Mathematical Logic. New York: Dover Publi- cations Inc., 2014. ISBN 0486492370. STREET, P.; DAWES, G.; MOUDELEN, M.; REDMAN, C. Short term variation in abnormal antenatal fetal heart rate records. Am J Obstet Gynecol, Washington, v. 165, p. 515–23, 1991. STROUSTRUP, B. The C++ Programming Language (Hardcover). 4th. ed. S.l., Addison- Wesley Professional, 2013. ISBN 0321958322. THEODORIDIS, S.; KOUTROUMBAS, K. Pattern Recognition. San Diego CA, Elsevier, 2008. ISBN 9781597492720. VAPNIK, V. The Nature of Statistical Learning Theory. New York, Springer, 1995. http://www.sciencedirect.com/science/article/pii/S105120040900075X https://www.probabilitycourse.com https://www.ijrcog.org/index.php/ijrcog/article/view/2929 http://www.sciencedirect.com/science/article/pii/S0169260715002680 http://www.sciencedirect.com/science/article/pii/S0096300308000234 Referências 75 VAPNIK, V.; CORTES, C. Support vector networks. New York, Machine Learning, p. 273-297, 1995. ZANATY, E.; AFIFI, A. Support vector machines (svms) with universal kernels. Applied Artificial Intelligence, S.l., v. 25, p. 575–589, 2011. ZAYLAA, A.; CHARARA, J.; GIRAULT, J.-M. Reducing sojourn points from recurrence plots to improve transition detection: Application to fetal heart rate transitions. Computers in Biology and Medicine, S.l., v. 63, p. 251 – 260, 2015. ISSN 0010-4825. Dispońıvel em: http://www.sciencedirect.com/science/article/pii/S0010482514002583. Acesso em: 28 jun. 2021. ZAYLAA, A.; OUDJEMIA, S.; CHARARA, J.; GIRAULT, J. n-order and maximum fuzzy simila- rity entropy for discrimination of signals of different complexity: Application to fetal heart rate signals. Computers in Biology and Medicine, S.l., v. 64, p. 323 – 333, 2015. ISSN 0010-4825. Disponı́vel em: http://www.sciencedirect.com/science/article/pii/S0010482515000840. Acesso em: 28 jun. 2021. ZHAO, L.; WEI, S.; TANG, H.; LIU, C. Multivariable fuzzy measure entropy analysis for heart rate variability and heart sound amplitude variability. Entropy, S.l., v. 18, n. 12, 2016. ISSN 1099-4300. Dispońıvel em: http://www.mdpi.com/1099-4300/18/12/430. Acesso em: 28 jun. 2021. ZHENG, A.; CASARI, A. Feature Engineering for Machine Learning: Principles and Techniques for Data Scientists. 1st. ed. Sebastopol CA, O’Reilly Media, Inc., 2018. ISBN 1491953241. http://www.sciencedirect.com/science/article/pii/S0010482514002583 http://www.sciencedirect.com/science/article/pii/S0010482515000840 http://www.mdpi.com/1099-4300/18/12/430 Apêndices 77 APÊNDICE A – Vetor caracteŕıstica da energia do sinal Energia do sinal utilizando o método A3 - Resultado das caracteŕısticas do processamento dos 50 sinais coletados na Santa Casa de São José do Rio Preto dos batimentos cad́ıacos fetais utilizando o Algoritmo 2 Figura 40 – Energia Fonte: o autor 78 APÊNDICE B – Vetor caracteŕıstica do ZCR do sinal Resultados do processamento do sinais gravados de gestações normais e anormais com o para o ZCR utilizando método B3. Figura 41 – ZCR Fonte: o Autor 79 APÊNDICE C – Vetor caracteŕıstica da entropia do sinal Resultados do processamento da entropia dos sinais gravados de gestações normais e anormais com o para o método C1 Figura 42 – Entropia Fonte: o Autor 80 APÊNDICE D – Vetor caracteŕıstica da energia, ZCR e entropia do sinal Vetor caracteŕıstica com sinal da FCF das gestantes coletadas com aplicação de filtro passa baixa de 276Hz, com a aplicação de Energia, ZCR e Entropia Figura 43 – Vetor caracteŕıstica da Energia, ZCR e Entropia Fonte: o Autor 81 APÊNDICE E – Vetor caracteŕıstica da massa da energia Vetor caracteŕıstica da massa da energia do sinal da FCF das gestantes coletadas com aplicação de filtro passa baixa de 276Hz. Figura 44 – Massa da energia dos sinais Fonte: o Autor 82 APÊNDICE F – Vetor caracteŕıstica da massa da ZCR Vetor caracteŕıstica da massa da ZCR do sinal da FCF das gestantes coletadas com aplicação de filtro passa baixa de 276Hz. Figura 45 – Massa da ZCR dos sinais Fonte: o Autor 83 APÊNDICE G – Vetor caracteŕıstica da massa da entropia Vetor caracteŕıstica da massa da entropia do sinal da FCF das gestantes coletadas com aplicação de filtro passa baixa de 276Hz. Figura 46 – Massa da entropia dos sinais Fonte: o Autor Anexos 85 ANEXO A – Algoritmo 1 Algoritmo 1: Fragmento do código C++ para o método A3 utilizado para a extração das caracteŕısticas dos batimentos card́ıacos fetais Dados: Dados bruto do sinal da FCF Resultado: Energia ... M∗ = 0.1 L = 0 C = 1 T = ((100/C)− ((int)(100/C)) == 0)?(100/C)− 1 : (int)(100/C) f = newdouble[T ] z = energy(&s[0],M) ∗ ((double)(C)/100) k = 0 repita Para k < T while energy(&s[0],L) < ((k + 1) ∗ z) do L = L+ 1 f [k] = (double)(L)/(double)(M) end até k => T ; Funç~ao energia e = 0; i = 0 repita e+ = pow(input_vector[i],2) i = i+ 1 até i => length; ... Fonte: Adaptado de Guido (2016b) 86 ANEXO B – Algoritmo 2 Algoritmo 2: Fragmento do código C++ para o método B3, utilizado para a extração das caracteŕısticas dos batimentos card́ıacos fetais Dados: Dados bruto do sinal da FCF Resultado: ZCR ... e mean = 0; k = 0 repita Para k < M mean+ = s[k]/(double)(M) k = k + 1 até k < M ; k = 0 repita Para k < M s[k]− = mean k = k + 1 até k => M ; L = 0 C = 10 T = (100/C)− ((int)(100/C)) == 0)?(100/C)− 1 : (int)(100/C) ∗f = newdouble[T ] z = zcr(&s[0],M) ∗ ((double)(C)/100) k = 0 repita Para k < T while zcr(&s[0],L) < ((k + 1) ∗ z) do L+ + f [k] = (double)(L)/(double)(M) end k = k + 1 até k => T ; Funç~ao ZCR z = 0 i = 0 repita z+ = (input_vector(i) ∗ input_vector(i+ 1) < 0)?1 : 0 return(z) i = i+ 1 até i => length− 1; ... Fonte: Adaptado de Guido (2016b) 87 ANEXO C – Algoritmo 3 Algoritmo 3: Código-fonte C++ para o método C1 em 1D, utilizado para a extração das caracteŕısticas dos batimentos card́ıacos fetais Dados: Dados bruto do sinal da FCF Resultado: Entropia ... L = (int)(M/10.0) V = 25 T = (int)((100 ∗M − L ∗ V )/((100− V ) ∗ L)) highest H = 0 ∗f = newdouble[T ] k = 0 repita Para k < T f [k] = entropy 1D(&s[k ∗ ((int)(((100− V )/100.0) ∗ L))],L) if f [k] > highest H then highest H = f [k] end k = k + 1 até k => T ; k = 0 repita Para k < T f [k]/ = highest H k = k + 1 até k => T ; ... Fonte: Adaptado de Guido (2016b) Folha de rosto DEDICATÓRIA AGRADECIMENTOS RESUMO ABSTRACT LISTA DE FIGURAS LISTA DE TABELAS LISTA DE ABREVIATURAS E SIGLAS LISTA DE SÍMBOLOS LISTA DE ALGORITMOS SUMÁRIO INTRODUÇÃO Objetivos Específicos Estrutura do Trabalho Referências Apêndices Vetor característica da energia do sinal Vetor característica do ZCR do sinal Vetor característica da entropia do sinal Vetor característica da energia, ZCR e entropia do sinal Vetor característica da massa da energia Vetor característica da massa da ZCR Vetor característica da massa da entropia Anexos Algoritmo 1 Algoritmo 2 Algoritmo 3