A novel EMG artifact removal algorithm based on complete local convolutional sparse dictionary learning in ECG signals

El corazón humano late con un ritmo en el que los médicos han confiado durante mucho tiempo para evaluar la salud, un pulso eléctrico constante capturado en una tira de papel o en una pantalla digital. Este registro, conocido como electrocardiograma, o ECG, mapea la actividad eléctrica del corazón a lo largo del tiempo, revelando ondas distintas que corresponden a la contracción y relajación del órgano. Sin embargo, capturar esta señal rara vez es un proceso limpio. El cuerpo es un entorno ruidoso, y las diminutas corrientes eléctricas generadas por el corazón son fácilmente ahogadas por las señales eléctricas mucho más grandes y caóticas producidas por los músculos esqueléticos. Cuando una persona se mueve, tiembla o simplemente tensa sus músculos, estas señales musculares, llamadas electromiogramas, o EMG, se filtran en el registro cardíaco. Debido a que las frecuencias del ruido muscular y de las señales del corazón se superponen significeltivamente, filtrar simplemente el ruido a menudo elimina también la señal del corazón, dejando a los médicos con una imagen distorsionada que puede ocultar condiciones potencialmente mortales o crear falsas alarmas.

Durante décadas, los investigadores han buscado una forma de separar el latido constante del corazón del parloteo aleatorio de los músculos sin perder los detalles delicados de la forma del corazón. Los métodos tradicionales suelen basarse en dividir la señal en piezas pequeñas y manejables para analizarlas, pero este enfoque puede trocear accidentalmente las mismas características que los médicos necesitan ver, creando picos artificiales o perdiendo los reales. Un nuevo estudio realizado por investigadores de la Universidad de Ingeniería de Shanghái y el University College de Dublín propone un camino diferente. Han desarrollado un método que no corta la señal en pedazos, sino que aprende la forma única del latido del corazón directamente de la grabación ruidosa, enseñando efectivamente a una computadora a reconocer la voz del corazón incluso cuando está gritando sobre una multitud de ruido muscular.

El enfoque de los investigadores se basa en la idea de que la señal eléctrica del corazón es repetitiva y predecible, mientras que el ruido muscular es aleatorio y caótico. Crearon un sistema que actúa como un oyente altamente capacitado, uno que puede identificar el patrón específico de un latido cardíaco en medio de la confusión. En lugar de forzar los datos en formas fijas y predefinidas, el sistema construye un diccionario personalizado de patrones mediante el estudio de la propia señal ruidosa. Busca los estallidos cortos y agudos de energía que componen el latido del corazón, conocidos como complejos QRS, y aprende a aislarlos. Lo que hace que este nuevo método sea distinto es cómo maneja los datos. En lugar de procesar todo el registro a la vez o trocearlo en segmentos arbitrarios, el sistema se concentra solo en las diminutas regiones activas donde existe la señal del corazón. Ignora las vastas extensionías de silencio o de puro ruido, actualizando su comprensión del patrón del latido cardíaco solo donde la señal está realmente presente. Esta estrategia permite que la computadora trabaje mucho más rápido y con mucha menos memoria, haciendo posible el procesamiento de grabaciones largas de actividad cardíaca sin estancarse.

Para probar si este método funcionaba, los investigadores lo aplicaron a dos colecciones bien conocidas de registros cardíacos: una que contenía ritmos cardíacos estándar y otra llena de severa interferencia muscular. Compararon su nueva técnica con varios métodos existentes, incluyendo descomposiciones matemáticas complejas y modelos modernos de inteligencia artificial. Los resultados mostraron que, mientras otros métodos luchaban por distinguir el corazón del ruido, dejando a menudo ondas distorsionadas o creando latidos falsos, el nuevo método logró eliminar con éxito la interferencia muscular. Restauró la señal del corazón con una claridad notable, preservando los picos agudos y las curvas suaves que los médicos necesitan para realizar un diagnóstico. En pruebas donde el ruido muscular era tan fuerte que la señal del corazón era casi invisible, el nuevo método aún logró recuperar el latido, mientras que otros enfoques no pudieron producir una imagen utilizable.

El estudio también examinó cómo este nuevo método se desempeña bajo diferentes condiciones, como variar la longitud de los segmentos de datos o cambiar la cantidad de ruido. A diferencia de los métodos más antiguos que requerían que los datos se cortaran en longitudes específicas para funcionar correctamente, el nuevo enfoque demostró ser flexible, entregando resultados precisos independientemente de cómo se organizaran los datos. Esta independencia de los formatos de datos rígidos es una ventaja significativa para las aplicaciones en el mundo real, donde las señales cardíacas pueden variar enormemente en velocidad y duración. Además, los investigadores demostraron que el método es lo suficientemente eficiente como para ejecutarse en dispositivos móviles, un paso crucial para el futuro de la tecnología de salud vestible. Al procesar la señal de forma local y rápida, podría un día permitir que los relojes inteligentes o los monitores portátiles limpien los datos cardíacos en tiempo real, proporcionando retroalimentación inmediata y precisa tanto a usuarios como a médicos.

Más allá de simplemente limpiar la señal, los investigadores verificaron que los latidos restaurados eran médicamente útiles. Analizaron características específicas del ciclo eléctrico del corazón, como el tiempo entre latidos y la forma de las ondas que indican la salud del músculo cardíaco. En casos que involucran condiciones cardíacas específicas, como un bloqueo en las vías eléctricas del corazón o un ataque al corazón, el método preservó con éxito los detalles sutiles necesarios para identificar estos problemas. Las señales limpiadas permitieron mediciones precisas de los intervalos eléctricos del corazón, los cuales son críticos para diagnosticar arritmias y otros problemas cardíacos. El estudio sugiere que, al eliminar el ruido muscular sin distorsionar la forma natural del corazón, este método podría mejorar la confiabilidad del monitoreo de salud remoto, asegurando que los datos enviados desde la casa de un paciente hasta el consultorio de un médico sean tan claros y precisos como una grabación realizada en un hospital.

El trabajo representa un cambio en la forma en que pensamos sobre la separación de señales mixtas. En lugar de intentar forzar los datos en una caja que se ajuste a una teoría preexistente, el nuevo método permite que los datos enseñen a la computadora qué buscar. Al concentrarse solo en las partes activas de la señal y aprender el patrón del latido directamente del ruido, logra un nivel de claridad que las técnicas anteriores no pudieron igualar. Los hallazgos sugieren que este enfoque podría convertirse en una herramienta estándar para el procesamiento de señales cardíacas, particularmente en entornos donde el movimiento y el ruido son inevitables. A medida que los dispositivos vestibles se vuelven más comunes y la demanda de monitoreo continuo de la salud crece, la capacidad de extraer una señal cardíaca limpia y de calidad diagnóstica de un cuerpo en movimiento y con ruido será cada vez más vital. Este nuevo método ofrece una forma de asegurar que la verdadera historia del corazón sea escuchada, incluso cuando el cuerpo alrededor de él esté haciendo mucho ruido.