⚡ electrical engineering

Deep-Learning Based ECG-free Heart-Carotid Pulse Transit Time Estimation from Laser Doppler Vibrometry

Este artículo propone un enfoque de aprendizaje profundo que estima el tiempo de tránsito del pulso corazón-carótida a partir de señales de vibrometría Doppler láser sin requerir electrocardiografía, demostrando un rendimiento comparable a los métodos de referencia y procesando con éxito un mayor número de sujetos.

Autores originales: Simeon Beeckman, Smriti Badhwar, Rosa Maria Bruno, Yanlu Li, Soren Aasmul, Silvia Seoni, Patrick Segers, Nilesh Madhu

Publicado 2026-07-29

📖 3 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Simeon Beeckman, Smriti Badhwar, Rosa Maria Bruno, Yanlu Li, Soren Aasmul, Silvia Seoni, Patrick Segers, Nilesh Madhu

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina el sistema de autopistas de tu cuerpo: una vasta red de tubos elásticos llamados arterias que transportan la sangre desde tu corazón hacia cada rincón de tu cuerpo. Cuando tu corazón late, envía una poderosa onda de presión corriendo a través de estos tubos, muy parecido a una ondulación que se desplaza por un juguete Slinky estirado. Si los tubos están sanos y son elásticos, la onda se mueve a una velocidad normal. Pero si los tubos se vuelven rígidos y duros —como mangueras de caucho viejas y secas—, la onda viaja mucho más rápido a través de ellos. Los médicos llaman a esta velocidad "Velocidad de la Onda de Pulso", y es una pista superimportante para detectar problemas cardíacos antes de que se conviertan en una crisis. Para medir esta velocidad, necesitan cronometrar cuánto tiempo tarda esa onda de presión en viajar entre dos puntos, una medición conocida como "Tiempo de Tránsito del Pulso" (PTT).

Tradicionalmente, para lograr que este cronometraje sea exacto, los médicos tienen que pegar electrodos pegajosos en el pecho de un paciente para registrar un electrocardiograma (ECG), que actúa como un cronómetro para la chispa eléctrica del corazón. Pero pegar cables a las personas es desordenado, consume mucho tiempo y no es precisamente divertido para un chequeo rápido. Los científicos han estado intentando utilizar una herramienta genial sin contacto llamada Vibrometría Doppler Láser (LDV). Piensa en la LDV como un puntero láser super sensible que puede "escuchar" las diminutas vibraciones de tu piel cuando tu pulso la golpea, sin siquiera tocarte. ¿El problema? Sin el cronómetro del ECG, la señal del láser parece un revoltijo caótico de ondas, y es increíblemente difícil para una computadora determinar exactamente cuándo comenzó cada latido mirando solo los datos del láser.

Aquí es donde los investigadores de este artículo intervinieron con una solución ingeniosa: le enseñaron a un cerebro de computadora, conocido como Red Neuronal Profunda (DNN), a actuar como un "ECG fantasma". En lugar de necesitar una señal eléctrica real del pecho, la DNN observa las desordenadas vibraciones del láser en el cuello (la arteria carótida) y aprende a predecir exactamente cuándo están ocurriendo los latidos del corazón, creando efectivamente un ECG falso de la nada. Probaron este nuevo método contra la técnica tradicional de "coincidencia de plantillas" (que intenta encontrar patrones comparándolos con un dibujo preestablecido) y el método manual, que es el estándar de oro (donde un experto humano selecciona cuidadosamente los latidos).

Los resultados fueron prometedores pero matizados. El modelo de IA fue capaz de adivinar correctamente el inicio de aproximadamente el 68% al 77% de los latidos en sus datos de prueba. Cuando usaron esta IA para calcular el tiempo de viaje del pulso, funcionó para 64 de cada 100 personas, y los resultados coincidieron muy bien con los cálculos manuales del experto humano (una correlación de 0.71). En comparación, el método tradicional de coincidencia de plantillas solo funcionó para 46 personas, aunque tenía un nivel de precisión similar cuando funcionaba. El artículo sugiere que, si bien este enfoque de IA aún no es perfecto, es mucho más robusto e inclusivo que los métodos anteriores, convirtiendo con éxito la "escucha" de un láser en un temporizador de latidos cardíacos confiable sin necesidad de cables. Esto insinúa que, en el futuro, podríamos revisar la salud de nuestras arterias con solo un escaneo láser, saltándonos por completo los electrodos pegajosos.

Resumen Técnico: Estimación del Tiempo de Tránsito del Pulso Corazón-Carótida sin ECG basada en Aprendizaje Profundo mediante Vibrometría Doppler Láser

Planteamiento del Problema
La rigidez arterial es un biomarcador crítico para el riesgo de enfermedad cardiovascular (ECV), que a menudo se evalúa mediante la Velocidad de la Onda de Pulso (VOP). La VOP se calcula midiendo el Tiempo de Tránsito del Pulso (PTT, por sus siglas en inglés)—el retraso de una onda de presión entre dos sitios arteriales. Si bien la Vibrometría Doppler Láser (LDV) ofrece un método no invasivo para medir el desplazamiento y la aceleración de la piel en los sitios arteriales (específicamente en el corazón y las arterias carótidas) para estimar el PTT, los enfoques automatizados actuales enfrentan obstáculos significativos. Tradicionalmente, la estimación precisa del PTT requiere la realización simultánea de un electrocardiograma (ECG) para identificar los inicios del latido cardíaco (ondas R) para la segmentación de la señal. Sin embargo, la integración de electrodos de ECG complica el procedimiento de medición, aumenta el tiempo de configuración y reduce la facilidad de uso, lo que lo hace inadecuado para futuros dispositivos de LDV comerciales. Las alternativas existentes sin ECG, como el emparejamiento de plantillas (TM), dependen de modelos analíticos rígidos y plantillas predefinidas, los cuales son sensibles a la calidad de la señal y a menudo fallan al procesar una parte significativa de los sujetos debido a los estrictos umbrales de calidad.

Metodología
El estudio propone un enfoque de Red Neuronal Profunda (DNN) para generar una señal "proxy de ECG" directamente a partir de los datos de LDV, permitiendo una estimación de PTT totalmente automatizada sin la adquisición paralela de un ECG.

Fuentes de Datos: Se utilizaron dos bases de datos. La base de datos CARDIS (100 sujetos hipertensos) proporcionó grabaciones de 20 segundos utilizadas para el entrenamiento, validación y prueba de la DNN. La base de datos INSIDE (100 sujetos) sirvió como un conjunto de datos completamente no visto para evaluar el rendimiento final de la estimación del PTT frente a una referencia manual.
Procesamiento de Señales y Generación de Objetivos:
- Las señales de LDV (aceleración de la piel) se registraron en los sitios carotídeo y cardíaco utilizando un prototipo con seis canales láser por mango.
- Para entrenar la DNN, las señales de ECG crudas fueron transformadas en una señal objetivo ( $E'(n)$ ). Esto implicó convertir los picos R en un tren de pulsos utilizando funciones delta de Kronecker y convolucionándolas con un filtro Gaussiano ( $\sigma=75$ muestras). Esta transformación simplificó la tarea de aprendizaje para la pérdida de Error Cuadrático Medio (MSE), preservando al mismo tiempo la información de temporización cardíaca.
Arquitectura de la DNN: Se empleó una arquitectura Wave-U-Net modificada, que presenta cuatro capas convolucionales tanto en los bloques de codificador como de decodificador, normalización por lotes (batch normalization), activaciones ReLU y una capa de transformador en el cuello de botella para la atención propia sensible al contexto. El modelo mapea segmentos de 4 segundos de LDV al correspondiente señal proxy de ECG.
Flujo de Trabajo de Estimación del PTT:
1. Segmentación: La DNN predice el proxy de ECG ( $\hat{E}'(n)$ ) a partir de la señal de LDV carotídea. Se aplica la detección de picos a este proxy para identificar los inicios del latido cardíaco.
2. Control de Calidad: Se calcula una métrica de Relación Señal-Ruido (SNR) ( $\zeta$ ) basada en la energía de los picos predichos para filtrar los canales de baja calidad. Solo los canales con valores altos de $\zeta$ se utilizan para la segmentación.
3. Detección de Puntos Fiduciales: Una vez segmentados en épocas, se identifican los puntos fiduciales dentro de ventanas definidas fisiológicamente: la muesca dicrótica (DN) carotídea y la primera perturbación antes del mínimo del segundo sonido cardíaco (S2) en la señal del corazón.
4. Cálculo: El PTT se calcula como la diferencia de tiempo entre estos puntos fiduciales. El PTT final es la mediana de todas las combinaciones válidas de canales, siempre que se cumpla un número mínimo de estimaciones (por ejemplo, 50 en 20 segundos).

Contribuciones Clave

Segmentación sin ECG: La principal contribución es el desarrollo de una DNN que logra mapear con éxito las señales de LDV a un proxy de ECG, eliminando la necesidad de grabaciones paralelas de ECG en configuraciones de LDV clínicas.
Robustez a la Calidad de la Señal: El estudio introduce una novedosa métrica basada en SNR derivada de la propia salida de la DNN para filtrar canales, lo que permite al sistema manejar la variabilidad de la calidad de la señal de manera más efectiva que los algoritmos de emparejamiento de plantillas rígidos.
Evaluación Comparativa: El trabajo proporciona una comparación exhaustiva entre tres métodos: (1) una referencia manual utilizando ECG, (2) un método automatizado basado en ECG, (3) un método de emparejamiento de plantillas (TM) de última generación, y (4) el método propuesto basado en DNN.

Resultados

Detección de Latidos: La DNN predijo correctamente el inicio del 68% de los latidos en el conjunto de prueba y el 77% en el conjunto de validación. La distancia temporal media entre los picos predichos y de referencia fue de aproximadamente 4 a 6 muestras (4 a 6 ms a 1 kHz).
Correlación de PTT: Al aplicarse a la base de datos no vista INSIDE (100 sujetos):
- El método basado en DNN produjo estimaciones válidas de PTT para 64 sujetos, logrando una correlación con la referencia manual de $\rho = 0.71$ ( $p < 0.001$ ).
- El método de Emparejamiento de Plantillas (TM) produjo estimaciones válidas para solo 46 sujetos, con una correlación de $\rho = 0.69$ ( $p < 0.001$ ).
- El método automatizado basado en ECG (utilizando el ECG de verdad de terreno para la segmentación) logró una correlación de $\rho = 0.69$ para 90 sujetos.
Significancia Estadística: Las pruebas de rango signed-rank de Wilcoxon indicaron que no hubo diferencias estadísticamente significativas en los valores de PTT producidos por la DNN, el TM y el método basado en ECG. Sin embargo, el método de la DNN demostró una mayor inclusividad, procesando con éxito una fracción significativamente mayor de sujetos en comparación con el enfoque de TM.

Significancia y Reivindicaciones
Los autores afirman que el enfoque basado en DNN proporciona un "proxy de ECG" viable que permite una segmentación de latidos robusta y automatizada en las señales de LDV sin la carga logística de los electrodos de ECG. Si bien los coeficientes de correlación del método de la DNN son comparables tanto al método de emparejamiento de plantillas como al método basado en ECG, su ventaja principal reside en la inclusividad: genera con éxito estimaciones de PTT fiables para un mayor número de sujetos (64 frente a 46 para TM) ante la presencia de una calidad de señal variable. El estudio concluye que esta técnica demuestra potencial para aplicaciones biomédicas de LDV más amplias, más allá del PTT corazón-carótida, como la estimación de la VOP carótido-femoral o la detección de arritmias, siempre que la DNN sea reentrenada para los tipos de señal pertinentes. El trabajo enfatiza que este avance es un paso necesario hacia el despliegue clínico de dispositivos de monitoreo de rigidez arterial fáciles de usar y no invasivos.

Más como este