Programa de Ingeniería Biomédica 1

Procesado de Señales e Imágenes Médicas SYSB2020-1

Proyecto final: identificación biométrica basada

en señales de ECG
(Mayo,2020)
María Carolina Barbosa Código 2110095, Nicolás Santiago Bonilla 2160255, Laura Camila Cruz
2159234.


Resumen—En este informe se plantea, utilizando los

conocimientos adquiridos en el curso, un posible método para la
identificación biométrica por medio de la señal de ECG del sujeto
sin detección de puntos fiduciales. El método consiste en obtener
los coeficientes de autocorrelación de la señal de ECG filtrada,
así mismo identificar por medio del algoritmo de Pam Tompkins
los picos R con los cuales de calcula el ritmo cardíaco promedio.
Estas variables son las características que se extraen para cada
sujeto, constituyendo así una base de datos, esta es comparada
por medio de la distancia euclidiana con las características de la Figura 1. Ondas del ECG [1].
señal del sujeto a identificar obteniéndose una matriz de
disimilitud que nos permitirá determinar a qué sujeto
corresponde dicha señal, Este método tuvo una sensibilidad de  Onda P:Representa el momento en que las aurículas
70% y especificidad de 30%, indicándonos que es efectivo se están contrayendo y enviando sangre hacia los
ventrículos.
Palabras Clave— Autocorrelación, Detención, ECG, Filtros,  Onda P-R:En este momento las aurículas terminan de
Pan Tompkins. vaciarse, se da justo antes del inicio de la contracción
de los ventrículos.
I. INTRODUCCIÓN  Complejo QRS:Corresponde con el momento en que

E L ECG es un grafica que registra la actividad de la

corriente eléctrica del corazón en un tiempo
determinado, el corazón consta de aurículas y ventrículos
(Derecho e Izquierdo), la parte izquierda se comunican entre si
por la válvulamitral, el movimiento de la sangre se divide en
dos periodos sístole y diástoleDurante la sístole elcorazón se
contrae, expulsando la sangre en cambio en la diástole el
corazón se relaja[1].
El ventrículo derecho expulsa sangre desoxigenada que
proviene de los tejidos hacia los pulmones a través de la
arteria pulmonar. El ventrículo izquierdo expulsa sangre
oxigenada a todo el organismo a través de la arteria aorta. Con
la expulsión de nuevo de la sangre almacenada en ambos
ventrículos, tiene lugar un nuevo ciclo cardíaco [1].
El ECG tiene una líneaguíadenominada línea isoeléctrica
que es la línea horizontal entre cada latido, ella sufre unas
deflexiones por los complejos (Onda P, segmento P-R,
complejo QRS, el segmento ST y la onda T) como se ve en la
Figura [1].

los ventrículos se contraen y expulsan su contenido
sanguíneo.
Complejo ST: es una líneaisoeléctrica entre el final
de la onda S y comienzos de la onda T.
 Onda T: La onda T representa el momento en que el
corazón se encuentra en un período de relajación, una
vez que ha expulsado la sangre que se hallaba en los
ventrículos.
La realización de un ECG, la persona se coloca boca arriba
sobre una camilla, la persona a cargo le coloca 10 electrodos
divididos en dos grupos los periféricos y precordiales, los
cuales se obtienen 12 derivaciones del ECG, la ubicación de
los electrodos periféricos es como se ve en la Figura 2 y en la
Figura 3 los electrodos precordiales [2].

Figura 2. Ubicación de electrodos periféricos [2].

• R: brazo derecho (Right), evitando prominencias óseas.

• L: brazo izquierdo (Left), evitando prominencias óseas.
• F: pierna izquierda (Foot), evitando prominencias óseas.
 • N: pierna derecha, es el neutro (N).
 Programa de Ingeniería Biomédica
Procesado de Señales e Imágenes Médicas SYSB2020-1
Figura 3. Ubicación de electrodos periféricos [2].
 V1: en el cuarto espacio intercostal, en el borde
derecho del esternón.
 V2: en el cuarto espacio intercostal, en el borde
izquierdo del esternón.
 V3: a la mitad de distancia entre los electrodos V2 y
V4.
 V4: en el quinto espacio intercostal en la línea medio-
clavicular (línea que baja perpendicularmente desde
el punto medio de la clavícula).
 V5: en la misma línea horizontal que el electrodo V4,
pero en la línea axilar anterior (línea que baja
perpendicularmente desde el punto medio entre el
centro de la clavícula y su extremo lateral).
 V6: en la misma línea horizontal que los electrodos
V4 y V5, pero en la línea medio axilar (línea que baja
perpendicularmente desde el centro de la axila).
Las derivaciones cardiacas son el registro de la diferencia
de potenciales eléctricos entre dos puntos estas se dividen en
las Derivaciones bipolares Que tienen dos polos, uno positivo
y uno negativo y el electrocardiógrafo mide la diferencia de
potencial entre los dos electrodosy están descritas por el
triangulo de Einthoven [3].
Figura 4. Triangulo de Einthoven[3].
 D1 ó I: diferencia de voltajeentre brazo derecho y
brazo izquierdo. Su vector está en dirección a 0º.
 D2 ó II: diferencia de voltajeentre brazo derecho y
pierna izquierda. Su vector está en dirección a 60º.
 D3 ó III: diferencia de voltaje entre brazo y pierna
izquierdos. Su vector está en dirección a 120º.
Las derivaciones monopolares aumentadas registran la
diferencia de potencial entre un punto teórico en el centro del
triángulo de Einthoven, con valor de 0 y el electrodo de cada
extremidad, permitiendo conocer el potencial absoluto en
dicho electrodo[3].
 aVR: potencial absoluto del brazo derecho. Su vector
está en dirección a -150º.
 aVL: potencial absoluto del brazo izquierdo. Su
vector está en dirección a -30º.
2
 aVF: potencial absoluto de la pierna izquierda. Su
vector está en dirección a 90º.
Se utilizo la base de datos a ECG-ID database (ecgiddb),esa
base de datos fue creada y aportada por Tatiana
Lugovayaqueen la uso en su tesis de maestría y lo que quería
era identificar a la persona biométricamentecon el ECG, la
base de datos contiene 310 grabaciones de ECG de 90
personas (44 hombres y 46 mujeres ) que varia su edad de 13 a
75 años.
II. METODOLOGÍA
A. Pre-procesamiento.
En primer lugar, se descargo las señales de 20 sujetos 3
registros de cada uno. Luego, al tener las señales como
algunas estaban un poco desniveladas se realizo una función
para normalizar el ECG. Después, se paso a filtrar el ruido
eléctrico generado por los artefactos conectados a la red y
que hacen que se distorsione la señal. Para lo anterior, se
diseñaron dos filtros; un filtro pasa altas con una frecuencia
de corte 0,5Hz y un filtro pasa bajas con una frecuencia de
corte de 40Hz.
B. Extracción de características
1. Algoritmo de Pan-Thompkins.
A partir de este algoritmo se detectó el pico de la onda
R de cada uno de los registros de cada sujeto estudiado.
De esta manera, se calculo el ritmo cardiaco (distancia
entre picos R), para cada registro y se utilizó como
parámetro de comparación.
2. Extracción de coeficientes de auto-correlación.
En esta sección se extrajeron 400 coeficientes de auto-
correlación. Esto se realizo a partir de la señal filtrada y
normalizada del ECG con sí misma para luego
compararlos con cada registro de los otros sujetos.
C. Clasificación
Para la clasificación e identificación de los ECG de cada
sujeto se realizó el cálculo de la distancia euclídea para cada
combinación posible. La distancia euclídea es un cálculo que
permite estimar numéricamente que tan alejados se
encuentran varios grupos de datos alejados entre sí. De esta
manera se puede calcular cuales de estos grupos de datos se
parecen más entre ellos y así poder determinar una relación
entre estos.
III. RESULTADOS
A. Pre-procesamiento
Como se mencionó anteriormente se realizaron dos filtros
para eliminar aquellos componentes que no hacen parte de la
señal original. En las Figuras 5 y 6 se muestra como estos
filtros permitieron ver un registro más aproximado a la que
señal de ECG original.
 Programa de Ingeniería Biomédica 3
Procesado de Señales e Imágenes Médicas SYSB2020-1

Figura 5. Señal de ECG sin filtrar.

Figura 8. Resultado del algoritmo de Pan-Thompkins.
(Ubicación picos R)

Figura 6. Señal de ECG filtrada.

Luego, se normalizo la señal filtrada con el fin de quitar todos

los desniveles que se pudieron haber dado por error durante la
toma de muestras. En las Figuras 7 se muestran las señales
ECG antes y después de este paso.
Figura 9. Ubicación de los picos R sobre la señal original
filtrada
2. Extracción de coeficientes de auto-correlación.
A partir de la función xcorr de Matlab, se extrajeron
400 coeficientes de auto-correlación de las señales de
cada sujeto. En la Figura 10 se observa la superposición
de estos coeficientes para el ECG de un mismo sujeto.

Figura 7. Normalización de la señal de ECG filtrada

(Baseline_Wander).

B. Extracción de características
Figura 10. Superposición de los coeficientes de auto-correlación para
1. Algoritmo de Pan-Thompkins. diferentes señales del mismo sujeto.
Utilizando este algoritmo se extrajeron los picos de las
ondas R y se utilizaron para calcular el ritmo cardiaco el C. Clasificación.
cual sería una de las características a comparar en nuestro
Luego de obtener la matriz de distancias Euclídeas se realizo
análisis. En las Figuras 8 y 9 se observa el resultado final
un algoritmo que permitiera observar los resultados, de forma
del algoritmo y la ubicación de estos picos sobre la señal
que, se pudiera observar con claridad los errores de
filtrada de ECG.
identificación del algoritmo organizándolos en una tabla.
En la Tabla 1 se observan los resultados obtenidos. En la
columna izquierda se observa el sujeto al cual pertenecía la
señal de prueba y en la columna de la derecha, el sujeto con el
cual se le identifico con el algoritmo.

Sujet Clasificaci
os ón
1 1
2 2
 Programa de Ingeniería Biomédica 4
Procesado de Señales e Imágenes Médicas SYSB2020-1
3 3
4 4 De la misma manera, se podrían utilizar otro tipo de
5 5 representaciones, utilizando la transformada Z o la
6 4 transformada de Laplace, en lugar de utilizar únicamente la
representación de señales en espectros de frecuencia, luego de
7 19
aplicar transformada de Fourier a una señal.
8 8
9 9 Asimismo, se podrían extraer más características del domino
10 1 tiempo como la amplitud de las otras ondas que componen un
11 12 pulso completo en un ECG. También se podrían hallar más
12 12 intervalos o pendientes entre estas diferentes ondas
13 2 encontradas previamente.
14 14
15 1
16 16
V. CONCLUSIONES
17 17
18 18
Las señales de ECG, debido a su universalidad y unicidad para
19 19
cada persona, permiten la identificación efectiva y precisa de
20 20
personas a partir de la extracción de características de estas
Tabla 1. Resultados de identificación para cada señal y cada señales, teniendo en cuenta su representación en dominio
sujeto evaluado. temporal y en dominio frecuencia.
Luego de obtener estos resultados se realizo el conteo de los
El algoritmo desarrollado funciona correctamente, pero es
Falsos Positivos obtenidos y luego se hallo el valor de la
impreciso con aquellos registros que tienen valores muy
sensibilidad del sistema de identificación realizado. Estos
cercanos entre ellos. Para solucionar este problema, se podrían
resultados se presentan en la Tabla 2.
extraer características que posean diferentes tipos de datos que
permitan diferenciar entre sujetos de forma más eficiente.
Sensibilida
F.P d El programa para el pre-procesamiento de la señal cumple la
30% 70% función de facilitar la extracción de características de estos
Tabla 2. Resultados obtenidos para la proporción de falsos registros, sin modificar sus datos, pero haciendo estos
positivos y el porcentaje de sensibilidad. comparables con los de otras grabaciones, al eliminar
elementos impropios de la señal y características que se
IV. ANÁLISIS DE RESULTADOS pudieron formar por errores cometidos en la toma de estos
Como se puede observar en los resultados de la clasificación, datos.
el algoritmo logra identificar una gran cantidad de sujetos con
respecto utilizando su señal de ECG como herramienta para REFERENCIAS
esto y, utilizando los coeficientes de correlación y la distancia [1]C. Macaya Miguel and A. López Farré, Libro de la salud cardiovascular
entre los picos R como parámetros de comparación entre del Hospital Clínico San Carlos y de la Fundación BBVA. Bilbao: Fundación
señales, tanto para el entrenamiento como para la prueba de BBVA, 2009.
[2]"Electrodos del Electrocardiograma, Ubicación", My-ekg.com, 2020.
estas. [Online]. Available: https://www.my-ekg.com/generalidades-ekg/electrodos-
ekg.html. [Accessed: 21- May- 2020].
Aun así, la sensibilidad del sistema es de solo 64%. Esto se [3]"Documento sin título", My-ekg.com, 2020. [Online]. Available:
pudo haber dado debido a que solo se utilizaron dos https://www.my-ekg.com/generalidades-ekg/. [Accessed: 21- May- 2020].
parámetros para identificar el sujeto al que corresponde la
señal de prueba. Esto sin tener en cuenta que, en realidad, los
coeficientes de auto-correlación son en total 400 valores que
se comparan también individualmente al calcular su distancia
euclídea.

El algoritmo se podría mejorar utilizando más parámetros del

dominio frecuencia par la identificación, en vez de utilizar
estas herramientas para el pre-procesamiento y la extracción
de característica del dominio tiempo de la señal, como los
picos de las ondas R. También, se podrían utilizar otras
herramientas estadísticas que permiten medir similitud y di-
similitud entre dos grupos de datos, como la correlación
multivariable o la correlación canónica.