Reconstruction of Standard ECG Leads from Wearable Devices using Deep Learning in the Time-Frequency Domain for the Reliable Estimation of the Cardiac Electrical Axis

Negli ultimi anni, i dispositivi indossabili per l’acquisizione dell’elettrocardiogramma hanno reso possibile il monitoraggio continuo dell’attività cardiaca in contesti extraospedalieri, aprendo la strada a soluzioni di analisi automatica comparabili con gli standard clinici. Tuttavia, nei sistemi wearable i segnali ECG non vengono sempre acquisiti secondo la configurazione standard di Einthoven, poiché questi dispositivi compatti devono adottare configurazioni di elettrodi locali, diverse da quelle cliniche. Inoltre, tali dispositivi sono pensati per essere utilizzati senza l’assistenza di un operatore specializzato e, in molti casi, da persone anziane, con un conseguente rischio di errato posizionamento degli elettrodi. Risulta dunque complesso confrontare direttamente i segnali registrati con le derivazioni standard ed effettuare una stima accurata di parametri diagnostici come l’asse elettrico cardiaco. Questa tesi affronta tale problematica proponendo la ricostruzione delle derivazioni di Einthoven (I, II, III) a partire dalle tre derivazioni di ciascun segnale acquisito utilizzando una delle possibili configurazioni del dispositivo e valutando in che modo tale trasformazione influenzi la stima dell’asse elettrico cardiaco. Le acquisizioni sono state effettuate con il dispositivo Hi, sviluppato da CompuGroup Medical (CGM) in collaborazione con STMicroelectronics. Sono stati utilizzati due setup: (i) la configurazione da manuale (“Configurazione 2”), con tre elettrodi disposti in un triangolo compatto sul torace, e (ii) una configurazione di riferimento ispirata al sistema di Einthoven. Le acquisizioni simultanee hanno permesso di costruire un dataset originale che mette in relazione i segnali acquisiti nella configurazione da manuale con le corrispondenti derivazioni di riferimento di Einthoven. Dopo il caricamento e il pre-processing, i due segnali sono stati allineati temporalmente mediante correlazione incrociata, ancorando la stima finale del ritardo alla derivazione I, la cui posizione fornisce la morfologia d’onda più simile. Per costruire il dataset finale, sono state definite le finestre beat-by-beat a partire da annotazioni automatiche (Pon/Poff, QRSon/QRSoff, Ton/Toff) su sei canali e normalizzate in lunghezza. La ricostruzione delle derivazioni è stata eseguita mediante una rete U-Net, addestrata sulle rappresentazioni Short-Time Fourier Transform (STFT) dei battiti acquisiti nella Configurazione 2, utilizzando come target i corrispondenti battiti di Einthoven. Il modello è stato ottimizzato minimizzando una funzione di perdita basata sull’errore quadratico medio, mentre la valutazione su validation e test set è stata condotta tramite RMSE, MAE e coefficiente di correlazione di Pearson per analizzare la coerenza e la morfologia dei segnali ricostruiti. La valutazione su soggetti non inclusi nell’addestramento ha evidenziato prestazioni stabili e buona capacità di generalizzazione: le tracce ricostruite risultano coerenti con quelle di riferimento, con una ricostruzione particolarmente accurata delle derivazioni I e II. L’angolo dell’asse elettrico cardiaco è stato stimato a partire dalle ampiezze del complesso QRS nelle derivazioni I e III calcolate sia sui tracciati di riferimento sia su quelli ricostruiti. Nel complesso, i risultati mostrano una buona coerenza tra le due stime confermando che il metodo proposto preserva le caratteristiche salienti del segnale e consente una stima affidabile dell’asse elettrico cardiaco anche in condizioni d’uso non cliniche.