Aplicación de registro y reporte automático de parámetros fisiológicos para la trazabilidad psicofisiológica en personas post COVID-19

Abstract

El presente trabajo hace parte de un proyecto general que busca desarrollar una hermaienta para identificar las secuelas neuropsicológicas y sobre el sistema nervioso autónomo en pacientes que se han recuperado de COVID-19. El objetivo del presente trabajo fue desarrollar una aplicación de escritorio que permita un seguimiento clínico instrumentado de las variables psicofisiológicas en múltiples pacientes. La aplicación se desarrolló en lenguaje Python 3.8, con base en los requerimientos acordados por los colaboradores del proyecto general. Se definieron 6 objetos, para procesar 7 bioseñales: electrocardiografía (ECG), respiración (RESP), actividad electrodérmica (EDA), temperatura (TEMP), espectroscopia en el infrarrojo cercano (fNIRS), fotopletismografía (PPG), y electromiografía (EMG). Para cada objeto se defieneron diferentes métodos con el fin de extraer características de relevancia psicofisiológica desde las señales: ECG (frecuencia cardiaca y variabilidad de la frecuencia cardiaca), RESP (frecuencia respiratoria), EDA (conductancia basal, amplitud, tiempo de elevación y tiempo de recuperación media), TEMP (máxima, media y mínima), fNIRS (saturación de oxígeno), PPG (frecuencia cardiaca y variabilidad de la frecuencia cardiaca) y EMG (media del valor RMS). Se desarrolló la interfaz de usuario con 3 ventanas: la ventana principal que permite registrar y visualizar los pacientes junto con sus datos, una ventana para adicionar medidas (adquisiciones de bioseñales, lecturas de signos vitales y pruebas psicológicas) sobre los pacientes, y una ventana para observar dichas medidas. Se validó la interfaz procesando las señales adquiridas de un voluntario sano, y particularmente se validó la detección de complejos QRS en el procesamiento de ECG, y la detección de respiraciones en el procesamiento de RESP. Se logró almacenar correctamente la información del voluntario y se extrajeron satisfactoriamente las características de las bioseñales adquiridas. Por otro lado, la detección de complejos QRS en ECG obtuvo una sensibilidad del 97.50 %, una precisión del 99.00 % y un valor-F1 del 98.24 % en la base de datos MIT/BIH Arrhythmia (n=109461 latidos). La detección de respiraciones obtuvo una sensibilidad del 94.78 %, precisión del 92.02 % y valor-F1 del 93.38 % en la base de datos BDIMC (n=7381 respiraciones)

The present work is part of an overall project to develop a tool to identify neuropsychological and autonomic nervous system sequelae in patients who have recovered from COVID-19. The objective of the present work was to develop a desktop application that allows clinically instrumented monitoring of psychophysiological variables in multiple patients. The application was developed in Python 3.8 language, based on the requirements agreed upon by the collaborators of the overall project. Six objects were defined to process seven biosignals: electrocardiography (ECG), respiration (RESP), electrodermal activity (EDA), temperature (TEMP), near-infrared spectroscopy (fNIRS), photoplethysmography (PPG), and electromyography (EMG). For each object, different methods were used to extract psychophysiologically relevant features from the signals: ECG (heart rate and heart rate variability), RESP (respiratory rate), EDA (basal conductance, amplitude, rise time and mean recovery time), TEMP (maximum, mean and minimum), fNIRS (oxygen saturation), PPG (heart rate and heart rate variability) and EMG (mean RMS value). The user interface was developed with 3 windows: the main window to register and visualize patients and their data, a window to add measurements (biosignal acquisitions, vital sign readings and psychological tests) on patients, and a window to observe these measurements. The interface was validated by processing the signals acquired from a healthy volunteer, and particularly validated the detection of QRS complexes in ECG processing, and the detection of respirations in RESP processing. The information from the volunteer was correctly stored and the characteristics of the acquired biosignals were successfully extracted. On the other hand, the detection of QRS complexes in ECG obtained a sensitivity of 97.50 %, an accuracy of 99.00 % and an F1-value of 98.24 % in the MIT/BIH Arrhythmia database (n=109461 beats). Breath detection obtained a sensitivity of 94.78 %, accuracy of 92.02 % and F1-value of 93.38 % in the BDIMC database (n=7381 breaths).