⚡ electrical engineering

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

Este artigo propõe uma abordagem de aprendizagem profunda que estima o tempo de trânsito do pulso coração-carótida a partir de sinais de vibrometria Doppler a laser sem exigir eletrocardiografia, demonstrando desempenho comparável aos métodos de referência enquanto processa com sucesso um maior número de indivíduos.

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

Publicado 2026-07-29

📖 3 min de leitura☕ Leitura rápida

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine o sistema rodoviário do seu corpo: uma vasta rede de tubos elásticos chamados artérias que transportam o sangue do seu coração para todos os cantos do seu corpo. Quando o seu coração bate, ele envia uma poderosa onda de pressão correndo através desses tubos, muito parecido com uma ondulação movendo-se por um "slinky" esticado. Se os tubos estiverem saudáveis e flexíveis, a onda move-se a uma velocidade normal. Mas se os tubos ficarem rígidos e duros — como mangueiras de borracha velhas e ressecadas — a onda passa por eles muito mais rápido. Os médicos chamam essa velocidade de "Velocidade da Onda de Pulso", e é uma pista superimportante para detectar problemas cardíacos antes que se tornem uma crise. Para medir essa velocidade, eles precisam cronometrar quanto tempo leva para essa onda de pressão viajar entre dois pontos, uma medição conhecida como "Tempo de Trânsito do Pulso" (PTT).

Tradicionalmente, para acertar esse tempo, os médicos precisam colar eletrodos adesivos no peito de um paciente para registrar um eletrocardiograma (ECG), que atua como um cronômetro para a faísca elétrica do coração. Mas colar fios nas pessoas é desorganizado, demorado e não é exatamente divertido para um check-up rápido. Cientistas têm tentado usar uma ferramenta legal, sem contato, chamada Vibrometria Doppler a Laser (LDV). Pense na LDV como um apontador laser super sensível que pode "ouvir" as minúsculas vibrações da sua pele conforme o seu pulso a atinge, sem nunca tocar em você. O problema? Sem o cronômetro do ECG, o sinal do laser parece um emaranhado caótico de ondas, e é incrivelmente difícil para um computador entender exatamente quando cada batimento cardíaco começou apenas olhando para os dados do laser.

É aqui que os pesquisadores deste artigo entraram com uma solução inteligente: eles ensinaram um cérebro de computador, conhecido como Rede Neural Profunda (DNN), a agir como um "ECG fantasma". Em vez de precisar de um sinal elétrico real do peito, a DNN olha para as vibrações desordenadas do laser no pescoço (a artéria carótida) e aprende a prever exatamente quando os batimentos cardíacos estão acontecendo, efetivamente criando um ECG falso do nada. Eles testaram este novo método contra a técnica tradicional de "correspondência de padrão" (que tenta encontrar padrões comparando-os com um desenho pré-feito) e o método manual, que é o padrão ouro (onde um especialista humano escolhe cuidadosamente os batimentos).

Os resultados foram promissores, mas sutis. O modelo de IA foi capaz de adivinhar corretamente o início de cerca de 68% a 77% dos batimentos cardíacos em seus dados de teste. Quando usaram esta IA para calcular o tempo de viagem do pulso, ela funcionou para 64 de cada 100 pessoas, e os resultados coincidiram muito bem com os cálculos manuais do especialista humano (uma correlação de 0,71). Em comparação, o método tradicional de correspondência de padrão funcionou para apenas 46 pessoas, embora tivesse um nível de precisão semelhante quando funcionava. O artigo sugere que, embora esta abordagem de IA ainda não seja perfeita, ela é muito mais robusta e inclusiva do que os métodos anteriores, transformando com sucesso a "escuta" de um laser em um temporizador de batimentos cardíacos confiável sem a necessidade de fios. Isso indica que, no futuro, poderemos verificar a saúde das nossas artérias apenas com um escaneamento a laser, pulando os eletrodos adesivos inteiramente.

Resumo Técnico: Estimativa de Tempo de Trânsito de Pulso Coração-Carótida sem ECG Baseada em Aprendizado Profundo a partir de Vibrometria Doppler a Laser

Definição do Problema
A rigidez arterial é um biomarcador crítico para o risco de doenças cardiovasculares (DCV), frequentemente avaliado via Velocidade da Onda de Pulso (VOP). A VOP é calculada medindo-se o Tempo de Trânsito de Pulso (TPT) — o atraso temporal de uma onda de pressão entre dois sítios arteriais. Embora a Vibrometria Doppler a Laser (VDL) ofereça um método não invasivo para medir o deslocamento da pele e a aceleração em sítios arteriais (especificamente no coração e nas artérias carótidas) para estimar o TPT, as abordagens automatizadas atuais enfrentam obstáculos significográficos. Tradicionalmente, a estimativa precisa do TPT requer Eletrocardiografia (ECG) simultânea para identificar os inícios dos batimentos cardíacos (ondas R) para segmentação de sinal. No entanto, a integração de eletrodos de ECG complica o procedimento de medição, aumenta o tempo de configuração e reduz a facilidade de uso, tornando-a inadequada para futuros dispositivos de VDL comerciais. As alternativas existentes sem ECG, como o ajuste de modelos (Template Matching - TM), dependem de modelos analíticos rígidos e modelos predefinidos, sendo sensíveis à qualidade do sinal e falhando frequentemente no processamento de uma parcela significativa de indivíduos devido a limiares de qualidade rigorosos.

Metodologia
O estudo propõe uma abordagem de Rede Neural Profunda (DNN) para gerar um sinal "proxy de ECG" diretamente dos dados de VDL, permitindo a estimativa de TPT totalmente automatizada sem a aquisição paralela de ECG.

Fontes de Dados: Duas bases de dados foram utilizadas. A base de dados CARDIS (100 indivíduos hipertensos) forneceu gravações de 20 segundos usadas para treinamento, validação e teste da DNN. A base de dados INSIDE (100 indivíduos) serviu como um conjunto de dados completamente inédito para benchmarking do desempenho final de estimativa de TPT em relação a uma referência manual.
Processamento de Sinal e Geração de Alvo:
- Sinais de VDL (aceleração da pele) foram registrados nos sítios carotídeo e cardíaco usando um protótipo com seis canais laser por manopla.
- Para treinar a DNN, sinais de ECG brutos foram transformados em um sinal alvo ( $E'(n)$ ). Isso envolveu a conversão de ondas R em um trem de pulsos usando funções delta de Kronecker e a convolução com um filtro Gaussiano ( $\sigma=75$ amostras). Essa transformação simplificou a tarefa de aprendizado para a perda de Erro Quadrático Médio (MSE), preservando a informação de tempo cardíaco.
Arquitetura da DNN: Uma arquitetura Wave-U-Net modificada foi empregada, apresentando quatro camadas convolucionais em ambos os blocos de codificador e decodificador, normalização por lote (batch normalization), ativações ReLU e uma camada de transformer no gargalo (bottleneck) para atenção de auto-contexto. O modelo mapeia segmentos de 4 segundos de VDL para o correspondente sinal proxy de ECG.
Fluxo de Trabalho de Estimativa de TPT:
1. Segmentação: A DNN prevê o proxy de ECG ( $\hat{E}'(n)$ ) a partir do sinal de VDL carotídeo. A detecção de picos é aplicada a este proxy para identificar os inícios dos batimentos cardíacos.
2. Controle de Qualidade: Uma métrica de Relação Sinal-Ruído (SNR) ( $\zeta$ ) é calculada com base na energia dos picos previstos para filtrar canais de baixa qualidade. Apenas canais com valores altos de $\zeta$ são usados para segmentação.
3. Detecção de Pontos Fiduciais: Uma vez segmentados em épocas, os pontos fiduciais são identificados dentro de janelas fisiologicamente definidas: o incisura dicrótica (DN) da carótida e a primeira perturbação antes do mínimo da segunda bulha cardíaca (S2) no sinal do coração.
4. Cálculo: O TPT é calculado como a diferença de tempo entre esses pontos fiduciais. O TPT final é a mediana de todas as combinações válidas de canais, desde que um número mínimo de estimativas (ex: 50 em 20 segundos) seja atingido.

Principais Contribuições

Segmentação sem ECG: A principal contribuição é o desenvolvimento de uma DNN que consegue mapear sinais de VDL para um proxy de ECG, eliminando a necessidade de gravações paralelas de ECG em configurações clínicas de VDL.
Robustez à Qualidade do Sinal: O estudo introduz uma métrica de SNR inovadora derivada da própria saída da DNN para filtrar canais, permitindo que o sistema lide com a qualidade variável do sinal de forma mais eficaz do que algoritmos de ajuste de modelo rígidos.
Benchmarking: O trabalho fornece uma comparação abrangente entre três métodos: (1) uma referência manual usando ECG, (2) um método automatizado baseado em ECG, (3) um método de ajuste de modelo (TM) de última geração e (4) o método proposto baseado em DNN.

Resultos

Detecção de Batimento Cardíaco: A DNN previu corretamente o início de 68% dos batimentos cardíacos no conjunto de teste e 77% no conjunto de validação. A distância temporal média entre os picos previstos e de referência foi de aproximadamente 4–6 amostras (4–6 ms a 1 kHz).
Correlação de TPT: Quando aplicado à base de dados INSIDE, não vista (100 indivíduos):
- O método baseado em DNN gerou estimativas de TPT válidas para 64 indivíduos, alcançando uma correlação com a referência manual de $\rho = 0,71$ ( $p < 0,001$ ).
- O método de Ajuste de Modelo (TM) gerou estimativas válidas para apenas 46 indivíduos, com uma correlação de $\rho = 0,69$ ( $p < 0,001$ ).
- O método automatizado baseado em ECG (usando ECG de verdade de campo para segmentação) alcançou $\rho = 0,69$ para 90 indivíduos.
Significância Estatística: Testes de postos sinalizados de Wilcoxon indicaram que não houve diferença estatisticamente significativa nos valores de TPT produzidos pelos métodos DNN, TM e baseado em ECG. No entanto, o método DNN demonstrou inclusividade superior, processando com sucesso uma fração significativamente maior de indivíduos comparado ao método TM.

Significância e Alegações
Os autores alegam que a abordagem baseada em DNN fornece um "proxy de ECG" viável que permite a segmentação robusta e automatizada de batimentos cardíacos em sinais de VDL sem o ônus logístico dos eletrodos de ECG. Embora os coeficientes de correlação do método DNN sejam comparáveis tanto ao método de ajuste de modelo quanto ao método baseado em ECG, sua principal vantagem reside na inclusividade: ele gera com sucesso estimativas de TPT confiáveis para um número maior de indivíduos (64 vs. 46 para o TM) na presença de qualidade de sinal variável. O estudo conclui que esta técnica demonstra potencial para aplicações de VDL biomédicas mais amplas além do TPT coração-carótida, como a estimação de VOP carótida-femoral ou detecção de arritmia, desde que a DNN seja treinada novamente para os tipos de sinais relevantes. O trabalho enfatiza que este avanço é um passo necessário para o deployment clínico de dispositivos de monitoramento de rigidez arterial não invasivos e fáceis de usar.

Mais como este