Para clasificar las señales de ECG, nuestro sistema propuesto consta de los siguientes subsistemas:

preprocesamiento, extracción de características, entrenamiento del clasificador y evaluación.

Ilustramos el detalle de estos pasos en la figura

Estructura del enfoque de procesamiento de señales de ECG propuesto

Pre procesamiento de señales de ECG

La señal de ECG contiene de forma inherente varios tipos de efectos no deseados de ruido y
artefactos como deriva de línea de base, ruido de contacto con el electrodo, ruido de polarización,
el ruido del amplificador interno, ruido debido al movimiento muscular y artefactos del motor. Los
movimientos de los electrodos inducen artefactos de ruido. Por lo tanto, para que la señal de ECG
esté lista para el paso de extracción de características, debemos eliminar la desviación de la línea
de base y eliminar el ruido por encima.
Proponemos utilizar el filtrado wavelet para filtrar la señal de ECG ya que esta técnica es adecuada
para calcular las ubicaciones del pico R sin cambiar la forma o la posición de la señal original.
Según el conocimiento experimental anterior, para optimizar el filtrado de la señal, debemos
considerar estos dos criterios: la frecuencia de muestreo de la señal y el conocimiento de que la
mayoría de los ruidos se encuentran fuera del intervalo de frecuencia entre 1.5 Hz y 50 Hz [73] .

Para este propósito, usamos un filtro de paso de banda que está construido por un filtro de paso
alto con frecuencia de corte de 1.5 Hz. Este filtro elimina las variaciones de la línea de base. La
salida de este filtro es en cascada con un filtro de paso bajo con frecuencia de corte de 50 Hz. Este
filtro elimina el ruido de alta frecuencia.

La escala y el tipo de los parámetros de la función madre son específicos de cada filtro. Por lo
tanto, el cálculo automático de la escala óptima para el filtrado de paso alto cuando la frecuencia
de muestreo es 256 es igual al orden 6. El orden de escala óptimo para el filtrado de paso bajo es
igual al orden 2. Los resultados de los pasos anteriores se muestran en la Figura
Resultados de la implementación del pre procesamiento en el registro [100] de la base de datos
MIT-BI (a) señal original, (b) línea de base eliminada, (c) eliminación de ruido

Deteccion QRS
Cada ciclo de ECG consiste en una onda P que corresponde a la despolarización auricular, un
complejo QRS que corresponde a la despolarización ventricular y una onda T que apunta a la
rápida repolarización de los ventrículos. Una señal de ECG normal y sus intervalos de tiempo se
muestran en la Figura

Figura

La mayoría de las características clínicas que son útiles para diagnosticar la enfermedad se pueden
encontrar en el intervalo de tiempo entre los componentes del ECG y el valor de la amplitud de la
señal. Por ejemplo, la función Q-T se usa para reconocer una enfermedad peligrosa, el Síndrome
Long Q-T (LQTS), que es responsable de miles de muertes cada año [1]. La forma de la onda T es
un factor crítico y es esencial identificarla correctamente ya que las ondas T invertidas pueden ser
causadas como un efecto de una enfermedad grave llamada isquemia coronaria

Diseñar un algoritmo para extraer las características del ECG automáticamente es muy difícil, ya
que la señal del ECG tiene un comportamiento variable en el tiempo. Como resultado de estas
propiedades de la señal, nos enfrentamos a múltiples restricciones fisiológicas y la existencia de
ruido.

En los últimos años se han propuesto varios algoritmos para detectar esas características. En [74]
introdujeron un método para extraer características de wavelet y usaron SVM para la clasificación.
En su método propuesto, la clasificación se realiza sin identificar completamente los componentes
de ECG. Castro introdujo un método que usaba características basadas en wavelets y clasificaba
varias formas de latidos cardíacos anormales [75]. Tadejko y Rakowski propusieron un algoritmo
que se basa en la morfología computacional [76]. Su principal objetivo es la evaluación de varios
clasificadores automáticos para la detección de trastornos en el ECG. En [77] propusieron un
método para extraer características del ECG basado en una transformada wavelet de resolución
múltiple. Primero, eliminan el ruido de la señal de ECG descartando el coeficiente que causó el
ruido. En el siguiente paso, detectan complejos QRS y al usarlos se determina el inicio y el final de
cada parte de la onda. Evalúan el método propuesto en algunos registros de la base de datos de
arritmia MIT-BIH.
En esta tesis, propusimos un método para el reconocimiento del intervalo de tiempo y la amplitud
de varias partes de onda del ECG. En la Primera etapa de nuestro enfoque, el R-pico se detecta con
precisión. Para ello utilizamos wavelet. En la segunda etapa, los otros componentes de ECG se
identifican mediante una búsqueda local alrededor del pico R detectado. Podemos resumir este
enfoque:

La ubicación de la onda R se ha identificado mediante el uso de transformada wavelet.

Cada intervalo R-R de la señal de ECG se segmenta de la siguiente manera:

Dentro de un intervalo, encontrar el máximo y el mínimo de la onda que corresponden a las ondas
QyS

Dado que la onda P y la onda T son dependientes de otros factores; Debemos proporcionar algún
punto determinista para encontrar su ubicación. Estos puntos incluyen el punto final de S-wave o
Soff, el punto de inicio de T-wave o Ton, y el punto de inicio de Q-wave o Qon.

Detección Pico-R
La detección de R-peak es el primer paso de la extracción de características. Para este propósito,
utilizamos DWT debido a su capacidad para reconocer diferentes ubicaciones de las olas con
precisión. De forma similar al pre procesamiento, aplicamos los mismos pasos para calcular la
escala y elegir la función madre. Tenemos la señal del complejo QRS como una entrada que tiene
las frecuencias entre 5Hz y 15Hz, así que seleccionamos la escala de orden 4 y seleccionamos la
wavelet madre Db4. La wavelet Db4 es muy popular para la detección y ubicación de los picos R
debido a la gran similitud de su forma con la señal de ECG. Nuestro método está organizado en los
siguientes pasos. Al realizar la descomposición wavelet, realizamos un muestreo descendente de
la entrada. Por lo tanto, la cantidad de información innecesaria se reduce pero el componente de
QRS no se modifica.

Para encontrar la ubicación del pico R, primero elegimos las ubicaciones cuya amplitud es mayor
que el 60% del valor máximo de toda la señal de entrada. Como eliminamos el ruido de la señal en
el paso anterior, es útil para la detección de R-peak.

Dado que descomponemos la señal en el cuarto nivel, la ubicación del pico R en la señal
modificada es al menos 0.25 de la ubicación del pico R en la señal original. Entonces, para
encontrar la ubicación real de R-peak debemos convertir las posiciones fundadas multiplicándolas
por 4. Otro punto importante es que la ubicación del pico R en la señal modificada no está
exactamente en la señal original en una escala de 4. Posición La señal cambiará durante el
muestreo descendente, por lo que debemos realizar una búsqueda local alrededor de los picos R
que se calcularon en la parte anterior. El intervalo de esta búsqueda se puede limitar a una
ventana de ± 20 muestras.

Algoritmos de Detección P, Q y S
La precisión de la detección de R-peak completamente afectada en las partes de detección de P, Q
y S ya que su ubicación se determina en relación con R-peak. Por otro lado, detectar la ubicación
de los picos R corresponde a reconocer el intervalo de latidos del corazón.

Una de las características más populares en el procesamiento de señales de ECG es el intervalo R-R
que puede calcularse mediante la siguiente fórmula:

R_R(i)=R(i+1)-R(i)

Donde R (i) y R (i + 1) son los índices del pico de onda R actual y siguiente, respectivamente.

Detección onda S

La onda S se encuentra en el extremo del complejo QRS, por lo que para encontrar su ubicación
debemos comenzar desde la ubicación del pico R más 6 unidades porque el rango de la longitud
más corta está entre 0.016 y 0.036 segundos. Este rango corresponde a 6 y 13 muestras. El punto
de parada del intervalo de búsqueda está relacionado con el valor del intervalo R-R.

Sin embargo, la duración máxima de los intervalos RS es de alrededor de 0,27 segundos, mientras
que su intervalo R-R fue de 1,41 segundos [78].

Detección onda Q

La onda Q indica el punto de inicio de la sección del complejo QRS. Se informa que la ubicación del
pico de la onda Q se puede encontrar en el rango entre 0.02 y 0.06 segundos desde el pico de R.
Por otro lado, este intervalo es igual a 8 y 22 muestras. Pero este intervalo debe ser relevante para
el valor del latido del corazón. Por lo tanto, el intervalo de QR varía de un paciente a otro, por
ejemplo, un paciente con un RR igual a 235 puede tener un intervalo de QR igual a 19 y otro puede
tener un QR igual a 8 mientras que tiene un RR igual a 292. Como resultado, El rango de búsqueda
será mayor para un intervalo RR más largo. El proceso de detección de onda Q se ilustra en la
figura

figura
(Q-wave onset detection)_Deteccion del inicio de la onda Q

El punto de inicio de Q, Qon se puede indicar como el punto con el valor máximo de amplitud
cerca de la ubicación del pico negativo de la onda Q. Por lo tanto, el intervalo de búsqueda para
encontrar el Qon comenzó desde Q-12 y continúa hasta Q-5. Dado que algunos puntos antes de
Qon pueden tener una amplitud mayor, su índice puede necesitar algunas correcciones. Para ello,
es necesario:

Nivel=Yqon(i)-Yq(i)

Si el nivel de amplitud (P) es> 0.25, entonces el umbral = 0.90, si no, configúrelo en 0.87

Qon para encontrar el primer valor que

Punto_amplitud < nivel(i)*umbral

Deteccion onda P

Como la onda P se puede ubicar lejos o cerca de la onda Q, es necesario que su intervalo sea
relativo al valor del intervalo R-R.

Se informa que la duración del intervalo P-R está entre 0.09 y 0.19 segundos y este intervalo
también depende del intervalo R-R. Este intervalo es igual a 19 y 38 muestras. Desde el punto de
vista proporcional, los límites son del 14% al 22% del rango RR respectivo. Uno de los beneficios de
este enfoque es que podemos detectar ondas P con baja amplitud, por lo que, de acuerdo con el
intervalo del área de búsqueda, tenemos dos casos:

0.81*R_R(i)-7 a Q(i)-18. Este intervalo funciona para la

mayoría de los pacientes, pero tiene algún problema con los registros 111,215 y 218.

Caso 2: search_interval = 0.71*R_R(i) – 7 a Q(i)-18. Este intervalo de búsqueda resuelve el

problema anterior, pero ahora cuando no podemos encontrar la onda P y la S-T

El segmento está deprimido, debemos comenzar a buscar la onda P desde el punto de inicio en su
ecuación.

Detección onda T
Encontrar la onda T en la señal de ECG es la tarea más complicada. Diseñar un procedimiento para
detectar la onda T es difícil, ya que tiene comportamientos que varían en el tiempo. Al verificar la
forma de onda del ECG, alguien puede ver que la onda T se ubica como el intervalo que tiene la
mayor amplitud entre S y la mitad del intervalo R-R. Por lo tanto, el intervalo de búsqueda para T
comenzó desde la onda S y finalizó en el punto medio del intervalo R-R.

(T-wave Onset detection)_Deteccion del inicio de la onda T

Otro punto importante en el análisis de la señal de ECG es el punto de inicio de la onda T o Tono
porque se usa como punto de apoyo para determinar la polaridad de T que puede ser positiva,
negativa o plana. La presencia de ondas T negativas o planas en el ECG muestra una enfermedad
grave, la isquemia cardíaca. El área de búsqueda se inicia desde la onda S más un pequeño
desplazamiento hasta la onda T y Ton es un punto con un valor mínimo en este intervalo.

(T-wave end detection)_Deteccion del final de la onda T

La detección del punto final de la onda T, Toff, es otra tarea difícil en este dominio, ya que todavía
hay discusión entre los especialistas al respecto. Las mejores propiedades para detectar Toff es
encontrar el punto que tiene la amplitud más baja después de T dentro de un rango limitado. Para
este propósito, es necesario hacer que la señal sea suave. Podemos hacerlo añadiéndole valores
previos de la señal. Si la amplitud de un punto es mayor que la amplitud de las 3 muestras
anteriores, se puede considerar como un punto Toff.

La Tabla 2 resume los intervalos de búsqueda utilizados para encontrar componentes de ECG.
Muestra los índices de los rangos de inicio y final de la búsqueda [78]. Los resultados de la
implementación del algoritmo de detección PQRS para algunos registros de ECG de la base de
datos MIT-BIH se muestran en la Figura
PQRST detected in record [100].
PQRST detected in record [111].

PQRST detected in record [118].

PQRST detected in record [201].
PQRST detected in record [210].
PQRST detected in record [220].

Implementation result of PQRST detection method in (a) record [100], (b) record [111], (c)
record [118], (d) record [201], (e) record [210], (f) record [220] from ECG MIT-BIH arrhythmia
database

Tabla Intervalos de búsqueda

Onda Inicio Final Tipo

P 0.71*R_R(i) Qon(i)-12 max

Q R_R(i)-25 R_R(i)-7 min

Qon Q(i)-12 Q(i)-5 max

S R(i)+6 R-R(i)/5-10 min

Ton 0.7*( T(i)-S(i) ) T(i)-10 min

T S(i)+15 R_R(i)/2 max

Probamos el algoritmo en MATLAB 2012 utilizando 26 registros de la base de datos de arritmia

MIT-BIH. Los parámetros de sensibilidad y especificidad se calculan para evaluar el
rendimiento de detección y los resultados se muestran en la Tabla 3 y la Tabla 4,
respectivamente.

Tabla 3: Cálculo de sensibilidad de la detección de PQRST en la base de datos de arritmia MIT-

BIH.

Cálculo de sensibilidad en porcentaje (%)

Archivo P Q R S T

100 92 100 100 100 90

101 100 100 100 100 100
103 100 100 100 100 100
105 100 100 100 100 100
106 77 100 80 100 100
112 100 80 82.35 82.35 100
115 92 100 100 100 100
116 100 100 100 100 100
118 100 100 92 100 100

119 89 100 100 100 90

121 100 100 100 100 100
200 100 82 82 82 82
201 100 100 100 100 100
202 100 100 100 100 100
203 91 94.5 94.5 94.5 94.5
205 100 100 100 100 100
207 100 100 100 100 100
209 100 74 75.23 76.19 94.54
210 100 93.5 93.5 93.5 100
214 97 100 100 97 100
219 100 100 100 100 100
220 100 100 100 100 100
221 86 100 100 100 100
223 100 100 100 100 100
230 84 100 100 100 84
234 100 100 100 100 100
Average 96.72 97.12 96.04 97.32 97.56

Tabla 4: Cálculo de la especificidad de la detección de PQRST en la base de datos de arritmia

MIT-BIH.

Cálculo de especificidad en porcentaje (%)

Archivo P Q R S T

100 100 100 100 100 50

101 91 100 100 100 70
103 100 100 100 100 70
105 83 100 100 100 50
106 100 100 100 100 70
112 82 100 100 100 74.3
115 100 100 100 100 80
116 91 100 100 100 100
118 92 100 100 100 90
119 90 90 100 91 100
200 79 100 100 100 72
201 69 100 100 100 84
202 100 100 100 100 100
203 100 100 100 100 100
205 60 100 100 100 54
207 100 100 100 100 100
209 60 100 100 100 42.85
210 13 100 100 100 82
219 90 100 100 100 100
220 100 100 100 100 94
221 70 100 100 100 94
222 50 100 100 100 100
223 83.33 100 100 100 100
230 55 100 95 100 50
231 100 100 100 100 70
234 93.33 100 100 100 62
Average 83.47 99.61 99.80 99.68 80.41

La sensibilidad mide la precisión en la detección, mientras que la especificidad da una

indicación de rechazo de falsas detecciones. Las fórmulas utilizadas para el cálculo de la
sensibilidad y la especificidad se dan a continuación:

Se=TP/(TP-FN)

Sp=TP/(TP-FP)

La sensibilidad es la probabilidad condicional de que el caso se clasifique correctamente y la

especificidad es la probabilidad condicional de que los no casos se clasifiquen correctamente.
Ambos y toman un valor de 1.0 para un algoritmo de reconocimiento ideal.

Los resultados de la implementación de inicio y desplazamiento del algoritmo de detección

para registros de ECG anteriores se muestran en la Figura
Onset-Offset of inter-waves detected in record [100].
Onset-Offset of inter-waves detected in record [111].

(c) Onset-Offset of inter-waves detected in record [118].

(d) Onset-Offset of inter-waves detected in record [201].
(e) Onset-Offset of inter-waves detected in record [210].

(f) Onset-Offset of inter-waves detected in record [220].

Inicio y desplazamiento de las ondas detectadas en (a) registro [100], (b) registro [111], (c)
registro [118], (d) registro [201], (e) registro [210], (f) registro [220] de la base de datos de
arritmias ECG MIT-BIH

Extracción de características

Hay varias características en el análisis de ECG que alguien puede seleccionar entre ellas y es
una tarea difícil seleccionar las combinaciones de características correctas. El primer enfoque
es utilizar todas las características que se encuentran en la literatura, sin embargo, si el número
de características seleccionadas es demasiado grande, esto genera un alto costo computacional.
Por lo tanto, elegimos aquellas características que son relevantes para un tipo específico de
enfermedad. Estas características se identifican a partir de la literatura y se mezclan para formar
un único vector de características que consta de las siguientes categorías.

intervalo que se discutieron anteriormente.

los coeficientes de descomposición de wavelet, sus máximos mínimos, etc.

Para la característica morfológica, primero descompusimos la señal de ECG al nivel 4 usando
daubechies como la wavelet madre. Luego se utilizan los valores máximo y mínimo del
coeficiente de detalle y los coeficientes de aproximación para cada nivel. También utilizamos
los valores pico de onda P, onda Q, onda R, onda S y onda T [18].
Para componer el vector de características, combinamos todas las características anteriores, por
lo que tenemos 30 funciones para cada tiempo. Este vector de características se proporciona
como la entrada al clasificador SVM.

Identificación

El proceso de clasificación incluye dos fases: fase de entrenamiento y fase de prueba.

Utilizamos un software integrado para la clasificación de vectores de soporte, SVMlib, con
kernel lineal. Para entrenar y probar el sistema, utilizamos el enfoque "uno contra todos", por lo
que recopilamos todos los datos en un archivo, cada vez que seleccionamos una clase como
"Clase objetivo" y las otras clases restantes como no deseadas, y las asignamos a un separa la
SVM para cada tipo de arritmia y entrena un modelo para detectar una clase objetivo.
Elegimos el 60% de los datos de cada archivo como datos de entrenamiento y los datos
restantes como datos de prueba. El número total de latidos utilizados en el entrenamiento es de
aproximadamente 20600 latidos y se han dejado 13700 latidos para la prueba. El detalle del
número de registro seleccionado y el número de tiempos que se utilizan en el experimento se
muestran en la Tabla 5.

Tabla 5: Muestras de ECG utilizadas para entrenamiento y pruebas.

Class label Beat Type # of Beat per Data MIT-BIH Data

file File
1 N 2230 100

1860 101
2080 103
1730 113
1950 115
1510 123
2 LBBB 2490 109
2120 111
1450 207
2000 214
3 RBBB 2160 118
1530 124
1820 212
1250 231
5 PVC 990 208
830 233
6 FOV 370 208
360 213
8 APC 380 209
90 220
70 223
1380 232
12 Paced 2070 107
1540 217

La precisión de cada SVM para el conjunto de prueba se muestra en la Tabla 6.

Tabla 6: Precisión de la detección de diferentes tipos de arritmia en la base de datos de arritmia

MIT-BIH.

Arrhythmia type Model Accuracy

Normal 94.16 %
Atrial premature beat 99.04 %
Left bundle branch block beat 98.5 %
Right bundle branch block 92.33 %
beat
Premature Ventricular 99.97 %
Contraction
Fusion of ventricular and 99.51 %
normal beat
Paced beat 99.63 %
Average 97.59%

El mejor rendimiento alcanzado para la arritmia del PVC con una precisión del 99,97%, y luego
el ritmo, FOV, APC y LBBB tienen el siguiente rango. El rendimiento más bajo corresponde a
los latidos normales y la arritmia RBBB.
Como comentamos anteriormente, otros investigadores utilizaron varios tipos de métodos para
la clasificación de ECG, como Combining KNN and DWT [74], MLP y VQ [76] y SOM con
SVD [77]. El rendimiento de su sistema se muestra en la Tabla 7.

Tabla 7: Precisión del método propuesto y otros métodos para la clasificación de ECG

Method Number of beat Accuracy (%)

type
KNN-DWT 4 96.65
Neuro Fuzzy 4 98
MLP-VQ 2 96.8
SOM-SVD 3 92.2
Wavelet-SVM 7 97.59
(proposed
method)

Como podemos ver, hay múltiples factores y razones que hacen que la comparación entre los
resultados de nuestro sistema y los de ellos sean inexactos. Por ejemplo, el número de arritmias
seleccionadas por cada investigador varía según los demás, y los registros seleccionados o
incluso el número de latidos extraídos de un registro específico para entrenamiento y pruebas
no se mencionan claramente. Sin embargo, los resultados de nuestro sistema son comparables
con los otros.

CONCLUSIONES Y FUTUROS PLANES DE TRABAJO.

Se implementa un clasificador de ECG múltiple basado en características temporales y wavelet

que se presentan clasificadores SVM individuales para seis tipos diferentes de arritmia
cardíaca. El uso de señales de ECG MIT-BIH permitió el uso de grabaciones confiables y de
larga duración para la extracción de características de ECG.
La combinación de características temporales y wavelet dio lugar a la descripción de las señales
de ECG en el tiempo, la frecuencia y las dimensiones morfológicas. La efectividad de usar este
conjunto de características se puede ver fácilmente en las tasas de reconocimiento alcanzadas.
Usando clasificadores SVM simples para cada una de las seis arritmias cardíacas, las tasas de
reconocimiento lograron un cambio de 92.33% a 99.97%. En comparación con los métodos
conocidos como KNN-DWT y clasificador neuro-difuso con cuatro tipos de tiempos, el SVM-
DWT propuesto mostró un mejor rendimiento con siete tipos de tiempos. El método propuesto
también tiene un mejor desempeño que los algoritmos MLP-VQ y SOM_SVD, aunque solo
consideraron dos o tres tipos de latidos
El trabajo de características está planificado para ampliar nuestro trabajo utilizando
características estadísticas junto con características de wavelet y temporales. Incluyendo más
tipos de tiempos, los clasificadores múltiples heterogéneos también están dentro de los
contenidos de nuestros planes de trabajo futuros. Además, la implementación en tiempo real del
sistema desarrollado en cooperación con la Facultad de Medicina de la UEM será considerada
como un estudio de futuro cercano para poner el sistema en práctica.