Novas abordagens para a análise das flutuações destendenciadas de sinais de variabilidade da frequência cardíaca

Abstract

A análise da variabilidade da frequência cardíaca (HRV) auxilia o diagnóstico de várias doenças relacionadas ao mau funcionamento do sistema nervoso autônomo. Abordagens tradicionais para análise de HRV precisam garantir que o sinal apresente um comportamento estacionário durante o período de observação. Isso se torna inviável ao se analisar sinais de longa duração. A análise das flutuações destendenciadas (DFA) torna-se uma solução para esse problema, uma vez que remove interferências externas (“tendências”) e considera apenas as características intrínsecas que estão presentes em todo o sinal. Um software que implementa essa análise foi desenvolvido anteriormente em ambiente MATLAB por Leite et al. (BIOSIGNALS 2010:225-229). Neste trabalho, algumas alterações a essa ferramenta são propostas a fim de melhorar a acurácia do cálculo dos coeficientes da DFA. Essas alterações foram avaliadas ao calcular os coeficientes obtidos ao se analisar sinais de ruído (ruído branco, ruído rosa e ruído Browniano). A ferramenta foi então usada analisar sinais reais de HRV de indivíduos normais, atletas, praticantes de meditação Chi e voluntários diagnosticados com apneia noturna ou epilepsia leve. Os diversos resultados foram avaliados de forma qualitativa e quantitativa, utilizando diversos parâmetros como média e desvio padrão, coeficientes de regressão e correlação, índice Davies–Bouldin, e testes estatísticos. _______________________________________________________________________________ ABSTRACT

The analysis of heart rate variability (HRV) aids in the diagnosis of various diseases related to the malfunction of the autonomic nervous system. Traditional approaches for analysis of HRV require the signal to be reasonably stationary during the period of observation. This is not possible when analyzing long duration signals. Detrended fluctuation analysis (DFA) is robust to this issue, as it removes external interferences (“trends”) and considers only intrinsic characteristics which are present throughout the signal. Leite et al. previously introduced software which makes DFA for HRV, which was implemented in MATLAB (BIOSIGNALS 2010:225-229). In this work several modifications to tradicional DFA are proposed in order to improve the estimation of DFA coefficients. Those modifications were evaluated by calculating the coefficients obtained from the analysis of noise signals (white noise signals, pink noise signals, and Brownian noise signals). Then the modified software was used to analyze HRV signals from normals, athletes, Chi meditators, and volunteers diagnosed with sleep apnea or mild epilepsy. The results were evaluated in a qualitative and a quantitative way, using several parameters, such as mean and standard deviation, regression and correlation coefficients, Davies–Bouldin index, and statistical tests.