pv2 afonso

Afonso Menegola

Relatrio de Progresso da DisciplinaProjeto de Diplomao

Porto Alegre

2015

Afonso Menegola

Relatrio de Progresso da DisciplinaProjeto de Diplomao

Relatrio de Progresso para a disciplinaENG4029 Projeto de Diplomao do cursode Engenharia Eltrica da Universidade Fe-deral do Rio Grande do Sul UFRGS.

Universidade Federal do Rio Grande do Sul UFRGS

Departamento de Engenharia Eltrica

Porto Alegre2015

ResumoApesar do conhecimento de que o ndice de distrbios de sono aumenta, pouca informa-o est disponvel sobre a deteco de ronco durante o sono. O presente projeto visa odesenvolvimento de um algoritmo de deteco automtica do ronco atravs de um sinalde udio no contexto de Mobile Health (mHealth), que possibilitaria uma anlise clnicasimples e robusta atravs de smartphones. Para detectar o evento de ronco em um sinalde udio so propostas algumas tcnicas, como processamento de sinal e o algoritmo clas-sificador AdaBoost. At o presente momento, atravs do tratamento de um sinal de udiode um minuto com oito roncos, sete foram detectados como candidatos a ronco, suge-rindo melhorias nessa etapa de processamento. Estipula-se que o algoritmo classificadorir classificar corretamente, com alta especificidade, os eventos de ronco. Para o prximoponto de verificao espera-se obter essa resposta.

Palavras-chaves: Ronco. mHealth. AdaBoost.

Lista de ilustraes

Figura 1 Diagrama de blocos da etapa de Deteco e Segmentao . . . . . . . . 13Figura 2 Bordas iniciais do evento de segmentao . . . . . . . . . . . . . . . . . 14Figura 3 Bordas finais do evento de segmentao . . . . . . . . . . . . . . . . . . 14Figura 4 Amplitude do sinal de udio . . . . . . . . . . . . . . . . . . . . . . . . 17Figura 5 Histograma de energia da seo de um minuto. . . . . . . . . . . . . . 18Figura 6 Energia do sinal de udio. . . . . . . . . . . . . . . . . . . . . . . . . . 18

Lista de abreviaturas e siglas

mHealth Mobile Health

EEG Eletroencefalograma

ECG Eletrocardiograma

AdaBoost Adaptive Boosting

Sumrio

Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

1 METODOLOGIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111.1 Coleta de amostras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111.2 Implementao de um algoritmo detector de evento de ronco . . . . 121.2.1 Pr-Processamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121.2.2 Deteco e segmentao de eventos . . . . . . . . . . . . . . . . . . . . . 121.2.3 Classificao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141.3 Resultados esperados do projeto . . . . . . . . . . . . . . . . . . . . . 15

2 PROGRESSO REALIZADO . . . . . . . . . . . . . . . . . . . . . . . 17

Concluso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

REFERNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

9Introduo

Nos Estados Unidos, estima-se que 48% da populao ronca durante o sono. (RAMet al., 2009). Exames de deteco e monitoramento de distrbios do sono so em geralrealizados em Laboratrios do Sono. Alm do exame clnico (anamnese e exame fsico), aPolissonografia o procedimento existente para deteco de distrbios do sono, como oprprio ronco. Diversas dificuldades esto associadas essa anlise: longa fila de espera,desconforto do paciente, custo elevado, para citar algumas. Embora existam hoje em diaaparelhos mveis que realizam a coleta de dados clnicos na casa do paciente, estes apare-lhos so fornecidos pelo prprio laboratrio e no so capazes de suplantar as dificuldadesde acesso ao exame.

O paradigma Mobile Health (mHealth) tem surgido nos ltimos anos como umaalternativa para auxiliar os pacientes e os profissionais de sade na preveno, diagnsticoe tratamento de doenas. No contexto de deteco e monitorao de disturbios do sono,mHealth pode ser utilizado para gerao/coleta, agregao, processamento e disseminaode informao clnica via dispositivos mveis sem fio. Nos Estados Unidos, estima-seque 85% dos adultos possuam um telefone celular. Desses, 53% possuem smartphones,e 19% dos donos de smartphone possuem no mnimo um aplicativo de sade. (FOX;DUGGAN, 2012). Existe, portanto, um amplo nicho de mercado capaz de impulsionar odesenvolvimento de aplicativos capazes de auxiliar o diagnstico de doenas do sono.

Para um aplicativo mvel auxiliar na deteco e monitorao de distrbios do sono,a anlise de sinal de udio com o intuito de detectar e caracterizar a ocorrncia de roncodurante o sono tem grande potencial clnico. Por um lado, poder ajudar na triagem depacientes mais ou menos suscetveis a esses distrbios, ensejando critrios de prioridadepara a lista de espera do exame de Polissonografia. Por outro lado, poder auxiliar noacompanhamento e monitoramento de tratamentos, aps eventual deteco do distrbio.

O que promove a utilizao de smartphones valer-se da qualidade de resoluo epreciso de sensores desses dispositivos, hoje em dia bastante acessveis populao. Ali-ado a isto, a conexo via rede sem fio Internet permite a utilizao de servidores de altodesempenho para o processamento inteligente dos dados clnicos coletados. Alm disso,acredita-se que, atualmente, esses dispositivos fornecem poder computacional adequadopara aplicaes de mHealth (LIU, 2011).

O objetivo do projeto realizar a deteco automtica de eventos de ronco a partirdo processamento e anlise de um sinal de udio, gravado com um smartphone, durante osono de pacientes/voluntrios. Tal deteco capaz de fornecer caractersticas objetivasacerca da qualidade de sono associado ao distrbio do ronco, tais como a intensidade

10 Introduo

sonora, o nmero e durao de eventos de ronco durante o sono, a frequncia sonora doronco, dentre outros. Para que esses resultados sejam obtidos de forma espontnea, necessrio o desenvolvimento de um algoritmo que aplique tcnicas de processamento desinal adequadas ao mHealth. O algoritmo poder otimizar o encaminhamento de pacientescom propenso a distrbios do sono e realizar o monitoramento dos tratamentos destesdistrbios posteriormente ao diagnstico definitivo, de forma acessvel, simples e robusta.

Algumas limitaes, entretanto, devem ser superados. Deve-se verificar se os al-goritmos existentes de deteco automtica de ronco so suficientemente simples paraque um smartphone seja capaz de realizar o processamento do sinal de udio. neces-srio estabelecer uma relao otimizada entre a qualidade do arquivo de udio gerado eo tamanho do mesmo, de modo que este possa ser processado sem perda de confiabili-dade do resultado. Finalmente, necessrio mostrar que o algoritmo reproduz resultadoscoerentes, para que possa ser utilizado em um diagnstico clnico. Para tanto, deve-sesimultaneamente otimizar a sensibilidade e especificidade do algoritmo, evitando tantofalsos negativos (deteco de roncos como no-roncos) quanto falsos positivos (detecode no-roncos como roncos).

11

1 Metodologia

A produo do presente projeto se dar em trs etapas: (i) a implementao deum algoritmo de deteco de ronco j existente, (ii) o estudo, anlise e implementaode um algoritmo aplicado ao contexto mHealth e (iii) sua posterior validao. Para quesejam concludas, primeiro ser ralizada uma coleta de amostras de udio durante o sonode um paciente, e o posterior desenvolvimento do algoritmo de deteco.

1.1 Coleta de amostras

A obteno de sinais de ronco para serem utilizados como validao de um de-terminado experimento enfrenta uma srie de dificuldades, pois, diferentemente de sinaisutilizados em Eletrocardiograma (ECG) ou Eletroencefalograma (EEG), esses sinais nopossuem um banco de dados, por dois motivos principais:

1. O rudo de ronco possui alta variabilidade de caractersticas entre indivduos e entrediferentes tipos de ronco (AGRAWAL et al., 2002).

2. O estudo de distrbios do sono uma linha de pesquisa recente.

Para validao de algoritmos, a literatura realiza a coleta de amostras de pacien-tes durante o exame de Polissonografia. Essas amostras so classificadas manualmente emeventos de ronco e no-ronco, utilizando audio e artifcios como espectrograma, inten-sidade sonora do evento e fluxo de ar obtido no exame (DAFNA; TARASIUK; ZIGEL,2013).

Existem duas alternativas para a coleta de dados para este trabalho de Conclusode Curso. A primeira a coleta de udio ao longo de um exame de Polissonografia.Atualmente est sendo realizado a submisso de um projeto de pesquisa no Hospital SoJos. A prxima reunio do comit de tica para a anlise da nova emenda est marcadapara o dia 30 de setembro de 2015.

Caso essa alternativa no se torne vivel dentro do prazo estabelecido para a con-cluso das coletas, ser realizada a coleta de udio de sono dos pesquisadores envolvidosno projeto. Nesse caso, ser necessrio um estudo da viabilidade desse mtodo de vali-dao, onde problemas como o nmero de amostras e a veracidade do arquivo de udiodevero ser superados.

12 Captulo 1. Metodologia

1.2 Implementao de um algoritmo detector de evento de roncoPara que seja realizada uma introduo ao desenvolvimento de algoritmos de detec-

o de ronco, um algoritmo foi escolhido para ser implementado (DAFNA; TARASIUK;ZIGEL, 2013). Os critrios de escolha foram a qualidade dos resultados, mais de 98%de sensibilidade, especificidade e acurcia nos resultados e a importncia da revista desua publicao, bem como sua relevncia atual. O algoritmo foi publicado no Automa-tic Detection of Whole Night Snoring Events Using Non-Contact Microphone (DAFNA;TARASIUK; ZIGEL, 2013) e se dar em trs etapas principais: Pr-processamento, detec-o e segmentao de eventos, classificao e Melhorias, que sero descritas nas prximassees.

1.2.1 Pr-Processamento

O sinal ser coletado a uma frequncia de amostragem de 44.1kHz e 16 bits poramostra. A densidade amostral do sinal ser reduzida, para uma resoluo de 16kHz.Cada sinal ir passar por uma supresso de rudo adaptativo, baseado em um filtro deWiener. Este processo rastreia segmentos de rudo automaticamente para estimar suadistribuio espectral, subtraindo-o do sinal de udio. O filtro de Wiener supe que tantoo sinal quanto o rudo sejam processos estocsticos lineares (com propriedades espectraise de autocorrelao estacionrias) e minimiza o erro quadrtico no processo de filtrageminversa, mitigando o efeito do rudo (SCALART; FILHO, 1996).

1.2.2 Deteco e segmentao de eventos

Nessa primeira etapa, o sinal de udio ser processado para identificar candidatosa ronco. Um candidato a ronco um evento que possui energia superior a um certolimiar caracterstico (calculado para uma seo de um minuto do sinal, dentro do qual ocandidato a evento de ronco ocorre) e durao entre 200 ms e 3500 ms.

O diagrama de blocos que implementa essa etapa pode ser observado na Figura 1.

Bloco 1: O sinal de udio de toda a noite dividido em sees de um minuto.Para cada seo, um vetor de energia calculado utilizando quadros de 60 ms comsobreposio de 75%.

Bloco 2: Uma energia limiar calculada para cada seo. Para encontrar estevalor limiar, um histograma de energia de cada seo calculado. Como existe umaprevalncia de rudo estacionrio de fundo, o valor de energia relacionado ao pico dohistograma est localizado na baixa escala de energia. A energia limiar da seo o valor de energia correspondente a um dcimo do valor mximo do histograma. O

1.2. Implementao de um algoritmo detector de evento de ronco 13

Figura 1 Diagrama de blocos da etapa de Deteco e Segmentao

Fonte: Dafna, Tarasiuk e Zigel (2013)

parmetro 0.1 corresponde prevalncia estimada, em durao temporal, do eventode ronco, com respeito durao total da seo.

Bloco 3: Um filtro mediano de quinta ordem aplicado aos valores limiares deenergia de diferentes sees para suavizar e uniformizar os valores.

Bloco 4: Aplicam-se os valores limiares s suas sees correspondentes. Caso emum certo instante de tempo o sinal exceda esse valor de energia, os instantes em queesse limiar ultrapassado so guardados.

Bloco 5: Segmentao do Evento - Para encontrar o instante exato de incio e fimdo evento, uma tcnica de declividade de reta utilizada. Para uma esquematizaopictrica dos Blocos 4 e 5, o processo de segmentao exemplificado na Figura 2e Figura 3. A tcnica utilizada estima a inclinao da reta com seis quadros con-secutivos de energia (uma janela de 90 ms). Uma regresso linear realizada paraestimar a inclinao. O processo repetido e transladado para fora dos limites doevento um quadro por vez enquanto a declividade da reta no inverta seu sinal.

Bloco 6: Teste de Fragmentao - Caso os eventos de udio estejam prximos umdo outro (intervalo de tempo entre o instante final do primeiro evento e o instanteinicial do segundo evento, menor que 200 ms), o evento pode ter sido fragmentado(como roncos interrompidos). Caso isso acontea, tomam-se os 100 ms finais doprimeiro evento e os 100 ms iniciais do segundo e comparam-se os espectros depotncia (power spectra), utilizando o mtodo de coerncia para analisar se existeuma componente de frequncia que ambos eventos compartilham. Caso isso ocorra,o evento resultante a soma dos dois eventos fragmentados.


Bloco 7: Teste de Durao de Evento - Os autores do artigo identificaram porinspeo direta (humana) que 99% dos eventos do ronco esto entre 200 ms e 3500ms. Caso a durao do evento no esteja compreendida em tal intervalo de duraes,o evento descartado.

Figura 2 Bordas iniciais do eventode segmentao

Fonte: Dafna, Tarasiuk e Zigel(2013)

Figura 3 Bordas finais do eventode segmentao

Fonte: Dafna, Tarasiuk e Zigel(2013)

Finalmente, com o instante inicial e final de cada candidato ronco, pode serfeita uma anlise em diversas caractersticas do candidato no domnio do tempo e dafrequncia, para posterior classificao em evento de ronco ou no-ronco.

1.2.3 Classificao

Para a etapa de classificao de evento entre ronco e no-ronco, o classificadorAdaBoost ser utilizado (FREUND; SCHAPIRE, 1997). Um algoritmo de Boosting umalgoritmo de aprendizado de mquina que constri um classificador forte (bom classifica-dor) a partir de uma combinao linear adequada de um grupo de classificadores fracos(maus classificadores). Um classificador fraco caracterizado por uma correlao baixacom a classificao verdadeira (ele pode classificar exemplos marginalmente melhor queuma predio aleatria). Um classificador forte, ao contrrio, possui alta correlao coma classificao verdadeira, atravs de um supervisor.

Imagine um apostador em uma corrida de cavalos. Esse apostador iria procurara opinio de apostadores mais experientes antes de tomar sua deciso em que cavalo eledeveria apostar. Cada apostador experiente daria boas sugestes baseadas em suas expe-rincias, criando ento um conjunto de classificadores imprecisos. O ponto do AdaBoost integrar essas sugestes, ponderadas por importncia, para formar um nico classificadorforte para apostar em um cavalo.

Assumindo que para uma entrada , cada classificador experiente () expressesua opinio. Assumindo que se deva separar um conjunto de vetores de treinamento emduas classes (e.g +1 ou -1), a deciso final do comit de apostadores experientes pode ser

1.3. Resultados esperados do projeto 15

expressa pela combinao linear (adequadamente ponderada) dessas opinies, de acordocom a Equao 1.1.

() = 11 + . . .+ (1.1)

onde 1, . . . , so os apostadores experientes e 1, . . . , so os pesos que o apostadoratribui opinio de cada apostador experiente do comit (importncia do classificador).

AdaBoost um algoritmo de Boosting por realizar essa combinao de classifica-dores fracos em um classificador forte, e adaptativo por alterar os pesos atribudos aoseventos em cada iterao na etapa de treinamento dos classificadores. O peso para cadaexemplo incorretamente classificado por um classificador fraco na amostra de treinamento aumentado, enquanto os pesos para exemplos corretamente classificados, diminudos.

Tal algoritmo atualmente um dos melhores classificadores da literatura, atingindo92% de exatido na sua deciso. (P.K. et al., 2011). Sua utilizao se dar classificando oscandidatos a ronco (+1:ronco, -1: no-ronco) baseando sua deciso nas 34 caractersticas(relacionadas aos domnios temporal e espectral) utilizadas no artigo.

1.3 Resultados esperados do projetoO projeto a ser desenvolvido busca minimizar um problema social e clnico at

pouco tempo ignorado pela comunidade mdica, buscando o melhor resultado em termosde confiabilidade clnica. Para tanto, a utilizao de mHealth para fornecer dados clnicospara deteco ou acompanhamento de distrbio do sono satisfaz a busca: satisfaz tantoa necessidade de monitoramento contnuo e peridico da evoluo do quadro clnico depacientes que roncam quanto a impossibilidade de tal monitoramento ser realizado atravsde mltiplas polissonografias.

O detector automtico de ronco proposto ir ter trs resultados finais:

1. Nmero de eventos de ronco.

2. Intensidade sonora dos eventos de ronco.

3. A frequncia sonora do ronco.

Tais resultados devero ser obtidos, processados e analisados em um ambiente quepossui baixa capacidade de processamento, como por exemplo um celular. Portanto, oarquivo de udio dever ser comprimido ao mximo sem perda de confiabilidade.

Para que os resultados sejam otimizados, as seguintes caractersticas devero sersatisfeitas pelo sistema:


Instrues simples.

Baixo nmero de iteraes.

Baixa taxa de amostragem do sinal.

Baixa profundidade de bits por amostra.

Finalmente, trs perguntas devero ser respondidas ao final do projeto:

1. mHealth realmente uma plataforma capaz de produzir resultados clnicos confiveispara a deteco automtica do ronco?

2. Ao longo da pesquisa realizada, conseguiu-se reduzir a complexidade do algoritmofrente ao implementado pelo artigo base?

3. Qual o impacto da qualidade de aquisio do sinal sonoro no resultado?

17

2 Progresso Realizado

At o momento, todas as etapas do diagrama de blocos descritos na Figura 1foram realizadas. O processamento de um sinal de um minuto de udio foi realizadoatravs do software MathWorks MATLAB R2013b. O sinal utilizado foi gerado gravandotrinta segundos iniciais de rudo ambiente e ento iniciando uma sequncia de oito roncos.A Figura 4 mostra o grfico de amplitude do sinal de udio.

Figura 4 Amplitude do sinal de udio

0 10 20 30 40 50 600.1

0.08

0.06

0.04

0.02

0

0.02

0.04

0.06

0.08

Tempo(s)

Ampl

itude

(Arbr

itrio

)

Magnitude do Sinal de udio

Amplitude

Fonte: Produzido pelo autor.

O histograma da Figura 5 foi utilizado para encontrar o limiar de energia. Comodescrito na subseo 1.2.2, o valor de energia correspondente a um dcimo do pico dohistograma o limiar de energia , que possui o valor de 72.5dB.

Explcito na Figura 6 est o grfico de energia do sinal em funo do tempo,onde a linha tracejada o limiar de energia encontrado anteriormente. Na figura se podevisualizar o surgimento dos candidatos a ronco.

Aps realizar o Bloco 5 da Figura 1, foram detectados 35 eventos. Realizando oteste de fragmentao, 6 eventos possuam alta correlao em pelo menos uma frequncia,e agregando-os, resultaram 29 eventos. Finalmente, ao realizar o teste de durao deevento, 16 eventos foram considerados como candidatos a ronco.

18 Captulo 2. Progresso Realizado

Figura 5 Histograma de energia da seo de um minuto.

65 70 75 80 85 90 95 100 1050

50

100

150

200

250

Bin Count: 21

Bin Center: 72.5Bin Edges: [72.4, 72.6]

Magnitude (dB)

Coun

ts

Histograma de energia para seo de 1 minuto


Tais candidatos foram reescritos em um novo sinal de udio. O sinal resultantepassou de um minuto para 16 segundos, e ao escutar o sinal percebeu-se que o algoritmodetectou apenas 7 roncos.

Figura 6 Energia do sinal de udio.

0 10 20 30 40 50 6065

70

75

80

85

90

95

100

105

Tempo (s)

Mag

nitu

de (d

B)

Intensidade sonora da seo de 1 minuto

EnergiaLimiar de Energia


Dado o curto perodo de tempo, no houve nenhuma reviso do cdigo escrito no

19

MATLAB. Ser investigado o motivo do oitavo ronco no ter sido detectado, alm de ou-tros pequenos problemas j observados. Entretanto, os resultados obtidos so promissorese indicam que o algoritmo est correto. Espera-se o algoritmo de classificao descubra,dentre os 29 eventos observados, que somente 7 (nesse caso) so de fato eventos de ronco.

21

Concluso

Em vista dos argumentos apresentados, mostrou-se mHealth um contexto de-safiador para aplicaes de novas tecnologias. Verificou-se que existe uma populaopronta para usar esse conceito, pois no s uma grande parcela das pessoas possuemum smartphone, mas tambm se mostram proativas em utilizar aplicativos de sade. Emoutro lado do sistema, profissionais da sade anseiam por novos resultados que aprimoremsua anlise clnica, de forma simples e robusta.

O projeto apresentado possui grande relevncia para um projeto de diplomao,pois estimula a multidisciplinaridade necessria profisso de um engenheiro. Tal de-senvolvimento contemplar o uso de processamento de sinais, programao e intelignciaartificial para a soluo de um problema cuja abstrao se far necessria, tendo em vistaque no houve um estudo de problemas de sade no curso.

Os resultados apresentados so satisfatrios para o curto perodo de tempo dedesenvolvimento. o algoritmo se mostrou eficaz na busca de candidatos a ronco, obtendo7 de 8 eventos, sendo que ainda no foi feita uma reviso de cdigo em busca de erros.Acredita-se no potencial do algoritmo de classificao AdaBoost para a correta eliminaode eventos resultantes de rudo de ambiente.

Para o prximo ponto de verificao, estipula-se que j ter resultados de umadeteco automtica de roncos, alm de uma parcela da monografia escrita.

23

Referncias

AGRAWAL, S. et al. Sound frequency analysis and the site of snoring in natural andinduced sleep. Clin. Otolaryngol., n. 27, p. 162166, 2002. Citado na pgina 11.

DAFNA, E.; TARASIUK, A.; ZIGEL, Y. Automatic detection of whole night snoringevents using non-contact microphone. Plos One, n. 8, 2013. Citado 4 vezes nas pginas11, 12, 13 e 14.

FOX, S.; DUGGAN, M. Mobile health 2012. Pew Internet, 2012. Citado na pgina 9.

FREUND, Y.; SCHAPIRE, R. E. A decision-theoretic generalization of on-line learningand an application to boosting. Journal of Computer and Systems Sciences, n. 55, p.119139, 1997. Citado na pgina 14.

LIU, C. Status and trends of mobile-health applications for ios devices: A developersperspective. The journal of Systems and Software, n. 84, p. 20222033, 2011. Citado napgina 9.

P.K., D. et al. Performance comparison of machine learning algorithms and number ofindependent components used in fmri decoding of belief vs. disbelief. Neuroimage, n. 52,p. 544553, 2011. Citado na pgina 15.

RAM, S. et al. Prevalence and impact of sleep disorders and sleep habits in the unitedstates. Sleep Breath, n. 14, p. 6370, 2009. Citado na pgina 9.

SCALART, P.; FILHO, J. V. Speech enhancement based on a priori signal to noiseestimation. Acoustics, Speech and Signal Processing, n. 2, p. 629632, 1996. Citado napgina 12.

Folha de rostoResumoLista de ilustraesLista de abreviaturas e siglasSumrioIntroduoMetodologiaColeta de amostrasImplementao de um algoritmo detector de evento de roncoPr-ProcessamentoDeteco e segmentao de eventosClassificao

Resultados esperados do projeto

Progresso RealizadoConclusoReferncias

pv2 afonso

Documents