1
FIEE-UNMSM. Ccoyori, Gonzales, Saldivar.
CONJUNTO DE TECNICAS DE
REPRESENTACION SIMBOLICA DE
RECONOCIMIENTO BIOMETRICO
BASADO EN SEÑALES ECG
Ccoyori Mendoza Mario, Gonzales Carhuapoma Juan y Saldivar Hospina Jimmy.
mario.ccoyori@gmail.com, kanco_96@hotmail.com, jluissilver@gmail.com
Facultad de Ingeniería Electrónica y Eléctrica - UNMSM
Resumen – En específico, las señales ECG han sido
ampliamente adoptadas para el reconocimiento
biométrico en varias obras y proyectos. Por otro lado,
los análisis de series en el tiempo han sido utilizados
con éxito en muchas aplicaciones diferentes para
identificar patrones temporales de datos. Estos pueden
ser observados con herramientas analíticas
tradicionales como la transformada de Fourier,
transformada de Wavelet. La representación
simbólica puede mejorar los procesos de análisis que
son complejas y posiblemente caóticas. La
representación simbólica también puede reducir la
sensibilidad al ruido y mejorar en gran medida la
eficiencia computacional. Sin embargo, hay aspectos
de diseño estructural y paramétricos que pueden
conducir a la degradación del rendimiento de estos
sistemas. En este estudio se seleccionaron los
componentes del conjunto, que corresponden a las
técnicas de representación simbólica y sus respectivos
parámetros de los algoritmos evolutivos. El objetivo es
explotar conjuntamente el potencial resultante de las
técnicas y máquinas de representación simbólica del
comité para el reconocimiento biométrico basado en
señales ECG. Los resultados experimentales que se
llevaron a cabo indican que el enfoque propuesto
puede mejorar el rendimiento del reconocimiento en
comparación con las técnicas tradicionales. En
ausencia de una metodología sistemática, y de bajo
costo para proponer técnicas de representación
simbólica especifica de manera óptima, se ha visto en
la necesidad de desarrollar este estudio.
. Algoritmos Evolutivos: Son métodos de optimización
Abstract – Specifically, ECG signals have been
widely extended for biometric recognition in various
works and projects. On the other hand, the analysis of
the series over time have been used successfully in
many different applications to identify temporal
patterns of data. These can be observed with
traditional analytical tools such as the Fourier
transform, Wavelet transform. Symbolic
representation can improve the analysis processes that
are complex and possibly chaotic. Symbolic
representation can also reduce noise sensitivity and
greatly improve computational efficiency. However,
there are aspects of structural and parametric design
that can lead to degradation of the performance of
these systems.
In this study, the components of the set were
selected, corresponding to the techniques of symbolic
representation and their respective parameters,
through evolutionary algorithms. The objective is to
jointly exploit the potential resulting from the
committee's techniques and symbolic representation
machines for biometric recognition based on ECG
signals. The experimental results that were carried out
indicate that the proposed approach can improve the
recognition performance compared to traditional
techniques. In the absence of a systematic, low-cost
methodology to propose optimally specific symbolic
representation techniques, we have seen the need to
develop this study.
Palabras Claves —
Electrocardiograma (ECG): Es un procedimiento
simple e indoloro que mide la actividad eléctrica del
corazón, se usa para encontrar y vigilar varias
enfermedades del corazón.
Sistemas biométricos: Es un método automático de
identificación y verificación de un individuo utilizando
características físicas y de comportamiento precisas.
Representación Simbólica: Es agrupar en conjuntos a
los diversos datos que obtenemos, con el fin poder ser
analizados.
y búsqueda de soluciones basados en los postulados de la
evolución biológica. En ellos se mantiene un conjunto de
entidades que representan posibles soluciones, las cuales
se mezclan, y compiten entre sí, de tal manera que las
más aptas son capaces de prevalecer a lo largo del tiempo,
evolucionando cada vez hacia mejores soluciones.
I. INTRODUCCIÓN
En la actualidad se investiga para poder crear nuevos
sistemas los cuales sean los suficientemente seguros para

FIEE-UNMSM. Ccoyori, Gonzales, Saldivar.
evitar fraudes y vulnerabilidades. En consecuencia, hoy
en día se trabajan con características intrínsecas de cada
persona los cuales pueden estar basados en sus aspectos
físicos, a dichas características les llamamos patrones
biométricos, sin embargo, los patrones biométricos
también han sido víctimas de fraudes por lo tanto cada
vez los estudios se centran en características que sean
menos replicables.
En este trabajo nos basaremos en el estudio de un
artículo elaborado por Henrique Dos Santos Passos que se
presentó para obtener el título de Master of Science en la
Universidad de Sao Paulo en el año 2018, titulado
“Ensemble de técnicas de representação simbólica para
reconhecimento biométrico baseado em sinais de ECG”.
De esta manera se verá en el transcurso como es que se
analizan los patrones biométricos de una persona para
poder discriminarlo entre los diferentes patrones
biométricos obtenidos de diferentes personas.
II. METODOLOGÍA:
1. Se hace un estudio histórico de los sistemas
biométricos desde los años los 60 hasta la actualidad
2. Se hace mención a la inmunidad de los sistemas
biométricos en la actualidad.
3. Propone el sistema biométrico basado en señales
ECG como solución ante la crecida demanda de
sistemas biométricos en el campo de seguridad.
4. Estudia y analiza el sistema biométrico basado en
señales ECG mediante algoritmos como el Pan-
Tompkins el cual permite comprender e interpretar
este tipo de señales.
5. Se plantea como base de este sistema biométrico el
uso de un conjunto de técnicas de representación
simbólica para mejorar la eficiencia y la sensibilidad
al ruido.
6. Se describen diversas formas de representación
simbólica de series de tiempo haciendo mención a
cada uno de estos enfoques con su respectiva ventajas
y desventajas mediante cuadros comparativos y
gráficas.
7. Emplea una serie de algoritmos evolutivos para
seleccionar los parámetros de representación
simbólica y cuáles de los enfoques serían las más
adecuadas para formar el conjunto de representación
simbólica.
8. Se presenta una breve una descripción del comité de
maquinas la sub-área de investigación que se ocupa
del estudio de las diferentes formas de componer
varios de estos estimadores- llamados expertos o
componentes.
9. Se describen los resultados obtenidos por el método
propuesto, cuyo objetivo es explorar en conjunto un
cierto potencial derivado de las técnicas de
representación simbólica con los del conjunto
enfoque.
10. Se hace uso de la base de datos de Physionet y PTB
(contienen data de señales ECG de una población de
estudio) para ver el potencial de cada técnica de
representación simbólica y el reconocimiento
biométrico.
2
11. Se hacen comparaciones estadísticas través de
histogramas y graficas de barras, de los resultados
porcentuales obtenidos de cada técnica de
representación simbólica.
12. Se detallan las conclusiones y perspectivas futuras
que demuestran buenos resultados de un sistema
biométrico con pocas probabilidades de error y una
alta tasa de reconocimiento probabilístico y
eficiencia.
III. TECNICAS
En el presente trabajo abordaremos diversas técnicas
que serán presentadas a continuación:
A. Lectura de Electrocardiograma
Es el resultado de la medición de una de serie en el
tiempo que representa la señal de ECG de la cual
obtenemos los parámetros P, Q, R, S, T.
Figura 1. Señal de ECG
Segmento PR: Representa el tiempo necesario para
que el impulso se propague sobre la aurícula.
Segmento PQ: Representa el periodo en el que
transcurre el estímulo eléctrico de las aurículas a los
ventrículos.
Segmento ST: Muestra el comienzo de la re
polarización ventricular.
Segmento QT: Comprende la contracción de los
ventrículos (sístole ventricular) eléctrica.
B. Detección del complejo QRS
Se utilizan técnicas de procesamiento digital con el fin
de detectar los complejos QRS.
1) Algoritmo Pan-Tompkins
Permite un reconocimiento de forma fiable de los complejos
QRS en base a análisis de pendiente, amplitud y anchura.
Involucra una serie de filtros y operadores de tipo paso
bajo, paso alto, derivador, cuadratura, integrador.
C. Representación Simbólica.
Para la representación simbólica tenemos las siguientes
técnicas:
APCA (Adaptive Piecewise Constant
Approximantion) Busca reducir la dimensión de las
series de tiempo por medio de la variación segmentos de
tamaño, lo cual mejora la aproximación del segmento de
valor medio de los datos que analizamos
 3
FIEE-UNMSM. Ccoyori, Gonzales, Saldivar.
EWD (Equal Width Discretization) Divide los de rangos (medianas) y determinar que la diferencia no se deba
valores observados de las variables en k intervalos al alzar es decir que sea estadísticamente significativa.
definido por el usuario. IV. DESARROLLO
EFVD (Equal Fixed-Values Discretization) Crean k
intervalos del mismo tamaño de los valores máximos de El sistema biométrico basada en las señales ECG parte
la serie de tiempo mínimo, siendo k uno de los desde el adquirir la señal de una persona “X”, luego
parámetros definido por el usuario. recurrimos a la detección del complejo QRS (detección,
ESAX (Extended Symbolic Aggregate acondicionamiento y extracción de características). En
approximation) Presenta los resultados relevantes en este trabajo se usó el algoritmo de Pan-Tompkins, que
series de tiempo. viene a ser todo el pre-procesamiento.
EFD (Equal Frequency Discretization) Divide los El algoritmo Pan-Tompkins consiste en filtrar la señal
𝑚
valores observados en k intervalos que contienen casos, de ECG en bruto para reducir el ruido de altas frecuencias
𝑘 producido por la maquina en sí, luego de filtrarla pasa por
y m es el número total de casos, donde k es definido por
un proceso de derivación y exponenciación, luego por un
el usuario.
filtro de media móvil para proseguir con la detección de
SAX (Adaptive Symbolic Aggregate picos de la señal, habiendo detectado aquello se fija el
approximation) Se hace una simbolización de los valores
umbral y se ajusta el intervalo RR medio. Finalmente se
medios resultantes de la reducción de dimensión, la
detecta la onda T y QRS que faltan, y así se localizan los
reducción de la dimensión sustituye los valores de cada
complejos QRS.
segmento hecha por una aproximación por el valor medio
Teniendo antes ya una lectura previa de la persona y
del segmento. Esto hace que la información sea
habiéndose almacenado en una base de datos, pasamos al
suprimida.
algoritmo de reconocimiento que viene a ser la
SAXTD (Symbolic Aggregate approXimation- comparación con lo guardado en la base de datos. Este
Trend Distance) Reduce la dimensión y simboliza los
viene a ser el objetivo de este trabajo, evaluar las técnicas
datos similares a SAX pero en la etapa de la reducción de
de series de tiempo de las representaciones simbólicas y
dimensión a cada segmento se le extrae su tendencia. Su
el conjunto de estos para el reconocimiento biométrico.
cálculo de tendencia es considerablemente intuitivo en
comparación con el SAX, en SAXTD la tendencia de
cada segmento se calcula basándose en la diferencia entre
Adquirir la señal Deteccion Acondicionamiento
el primero y el último valor en el segmento.
SPTA (Symbolic Piecewise Trend Approximation)
Expresa la tendencia en series de tiempo por la relación
Algoritmo de Extraccion de
entre dos puntos consecutivos. reconocimiento caracteristicas

Comité de Maquinas Son propensos a tener menor

complejidad, facilitando su comprensión por parte del
diseñador, se convierte en una tarea compleja y Base de datos

descomponerse en una serie de subtareas, cada uno

asignado a un subgrupo de expertos. Esta estrategia de Figura 2. Sistemas de reconocimiento.
partición es adoptado por enfoque probabilístico troquel
V.RESULTADOS
conocido como mezclas de expertos. Se toma en cuenta
los altos niveles de agudeza y diferentes patrones de A. Pre- procesamiento(deteccion del complejo QRS)
conjuntos heterogéneos de redes neuronales.

D. k-veces la validación cruzada

Se usa un algoritmo evolutivo para llevar a cabo la
búsqueda del subconjunto óptimo de las técnicas de
representación simbólica. La evaluación global se divide
en k partes, se utilizó k - 1 acciones para evaluar la
solución propuesta por cada individuo a lo largo del Figura 3. Señal detectada de la persona en una frecuencia de muestreo
proceso evolutivo y el resto se usó para evaluar la mejor de 400Hz
solución encontrada. Este procedimiento se repitió k
veces, de esta manera nos aseguramos de que todo el
conjunto de la evaluación que se utilizará para la prueba.
El resultado presentado es la media y la desviación
estándar.
E. Prueba de Wilcoxon
Es una prueba no paramétrica de comparación de dos Figura 4. Señal filtrada de 5-15 HZ para eliminar el ruido de alta
muestras relacionadas, se utiliza para comparar dos mediciones frecuencia
 4
FIEE-UNMSM. Ccoyori, Gonzales, Saldivar.
VI. CONCLUSIONES
 El trabajo se centra en el uso de representaciones
simbólicas de señales ECG
 El procesado digital de señales es fundamental en el
análisis de señales ECG.
 En la literatura, se han propuesto varios métodos para el
tratamiento de señales ECG y se eligió el algoritmo
Figura 5.
Pan-Tompkins debido a que es una herramienta
computacional para el análisis y detección del complejo
QRS que es ampliamente utilizado en el análisis de
señales biomédicas.
 Las técnicas de representación simbólica hacen que el
sistema sea más resistente a tener posibles fallos.
 Los conjuntos propuestos de técnicas de representación
simbólica tienen como objetivo combinar las secuencias
simbólicas más relevantes para la tarea de
Figura 6.
reconocimiento biométrico.
 La búsqueda de las mejores técnicas de representación
simbólica y sus parámetros se llevó a cabo mediante
algoritmos evolutivos.
 El resultado obtenido fue superior a los obtenidos
individualmente por el conjunto de componentes.
 Cabe recalcar que en este paper no se están presentando
los resultados de los algoritmos de reconocimiento, solo
los resultados del algoritmo Pan-Tompkins.
Figura 7.
 Los resultados presentados del algoritmo Pan-Tompkins
se obtuvo de una base de datos de cierta procedencia,
ayudándonos a comprender el proceso de filtrado y
localizar los complejos QRS.
 El enfoque que se propuso en el trabajo puede aplicarse
en otros conjuntos de datos, tales como señales EEG,
entre otros.
VII. AGRADECIMIENTOS
 Agradezco a Henrique Dos Santos Passos.
Figura 8.
 Agradezco a Hooman Sedghamiz, MSc.
Biomedical-Engineering,Linkoping
University
VIII. REFERENCIAS BIBLIOGRÁFICAS
[1] ADEOYE, O. S. A survey of emerging biometric technologies.
International Journal of Computer Applications, International Journal of
Computer Applications, 244 5 th Avenue,# 1526, New York, NY 10001,
USA India, v. 10, 2010.

Figura 9. [2] AHA, D. W.; KIBLER, D.; ALBERT, M. K. Instance-based

learning algorithms. Machine learning, Springer, v. 6, n. 1, p. 37–66,
1991.

[3] Biblioteca Nacional de Medicina de los EE. UU.

(2019).Rockville Pike, EEUU.:MedLinePlus. Recuperado de
https://medlineplus.gov/spanish/pruebas-de-
laboratorio/electrocardiograma/.
.
[4] PAN.J, TOMPKINS. W.J,"A Real-Time QRS Detection
Algorithm" IEEE TRANSACTIONS ON BIOMEDICAL
Figura 10. ENGINEERING, VOL. BME-32, NO. 3, MARCH 1985.

[5] SEDGHAMIZ. H, "Matlab Implementation of Pan Tompkins

ECG QRS, detector.” 2014.