\documentclass[10pt,journal]{IEEEtran}

\usepackage[spanish]{babel}

\usepackage[utf8]{inputenc}

\usepackage{amsmath}

\usepackage{amsfonts}

\usepackage{amssymb}

\usepackage[T1]{fontenc}

\usepackage[pdftex]{hyperref}

\usepackage{graphicx}

\begin{document}

\title{CONVOLUCION Y MEDICIONES ESTADISTICAS DE SEÑALES BIOLECTRICAS.}

\author{Universidad Manuela Beltran\\

Alayon Roa Zaira Carolina\\Garcia Teheran Karen Daniela}

\maketitle{}

\begin{abstract}
La convolución es una operación matemática que me permite saber la salida de un sistema,
conociendo la entra y la respuesta del impulso; por otro lado esta operación realiza un corrimiento
de fase, es decir, añade datos a la respuesta (Y[n]). El siguiente trabajo muestra una señal de ECG,
con una frecuencia de muestreo de 400 Hz, además de ilustrar como se contamina con ruido, el
cálculo estadístico y la relación señal ruido de esta, así mismo se realiza un control de off-set y la
convolución de la señal.

Palabras Clave- Convolución, señal, RMS.

\end{abstract}

\begin{abstract}

The convolution is a mathematical operation that allows me to know the exit of a system,
knowing the response and the impulse; On the other hand, this operation performs a phase shift,
that is, adds data to the response (Y [n]). The following work shows an ECG signal, with a sampling
frequency of 400 Hz, besides illustrating how it contaminates with noise, the statistical calculation
and the noise signal relation of this, likewise an overall control is carried out and the Convolution
of the signal.

Keywords — Convolution, signal, RMS

\end{abstract}

\section{Introduccion}

\begin{itemize}

En la práctica realizada se aplican conceptos teóricos estadísticos para analizar la obtención de

datos en una señal de ECG.

Mediante el uso de Labview se realiza la emisión de la señal, dentro del programa se ajustan los
parámetros establecidos y con el uso de las herramientas disponibles se hace la toma de
mediciones estadísticas para los datos obtenidos en la señal, realizando análisis a casa dato
obtenido y comparándolo según definiciones teóricas para poder determinar resultados y
comprender la utilidad que estos valores tienen en el uso de los diferentes equipos biomédicos
encargados de la cuantificación de datos.
\end{itemize}

\section{Marco teórico}

La Estadística se determina como la ciencia de métodos y procedimientos para recoger, clasificar,

resumir, hallar regularidades y analizar gran variedad de datos, también se encarga de realizar
inferencias a partir de ellos, con el propósito de ayudar a la toma de decisiones y en su caso
formular predicciones.[1]

Las medidas de tendencia central son medidas estadísticas que ayudan a resumir en un solo valor
a un conjunto de datos, los cuales representan un centro en torno al cual se encuentra ubicado el
conjunto de los datos. [1]

Dentro del grupo de medidas de tendencia central más utilizadas son:

Media, mediana y moda. [1]

Por otra parte, las medidas de dispersión realizan la medición del grado de dispersión que se
genera entre los datos.

De acuerdo a lo anterior se establece que los tipos de medidas permiten describir determinado
conjunto de datos generando información acerca de su posición y su dispersión.[1]

\begin{figure}[h]

\centering

\includegraphics[width=0.5\textwidth]{GRAF.png}

\caption{Representación gráfica de medidas de tendencia central}

\label{fig:mesh1}

\end{figure}

\subsection{CONVOLUCIÓN}

Un sistema lineal se puede ver como cualquier proceso que produce una transformación de
señales, por lo tanto tiene una señal de entrada y una señal de salida que están relacionadas entre
sí a través de la función de transferencia del sistema. Un sistema lineal discreto recibe una señal
de entrada discreta y produce otra señal de salida discreta, de la siguiente forma: x[n] → y[n]. Pero
para ello se rige a través de propiedades tales como: Linealidad (Homogeneidad, Aditividad),
invarianza en el tiempo, causalidad, estabilidad, memoria e invertibilidad.[2]

\begin{enumerate}

\item Propiedades de la convolución:

\end{enumerate}

\begin{itemize}

\item Elemento neutro: x[n]* δ [n] = x[n]

\item Conmutativa: x[n] * h[n] = h[n] * x[n]

\item Asociativa: x[n] * (h1[n] * h2[n]) = (x[n] * h1[n]) *h2[n] = (x[n] * h2[n]) * h1[n] = x[n] * h1[n]
* h2[n]

\item Distributiva: x[n] * (h1[n] + h2[n]) = x[n] * h1[n] + x[n] * h2[n]

\end{itemize}

\section{CUESTIONARIO}

\begin{enumerate}

\item \textbf{¿Qué aplicaciones prácticas tiene la convolución en el procesamiento de señales?}

\end{enumerate}

La convolución y las operaciones relacionadas se encuentran en muchas aplicaciones de

ingeniería.[3]

\begin{itemize}

\item En óptica, muchos tipos de “manchas” se describen con convoluciones. Una sombra (e.g. la
sombra en la mesa cuando tenemos la mano entre ésta y la fuente de luz) es la convolución de la
forma de la fuente de luz que crea la sombra y del objeto cuya sombra se está proyectando. Una
fotografía desenfocada es la convolución de la imagen correcta con el círculo borroso formado por
el diafragma del iris.
 \item En acústica, un eco es la convolución del sonido original con una función que represente los
objetos variados que lo reflejan.

\item En ingeniería, la salida de un sistema lineal (estacionario o bien tiempo-invariante o

espacio-invariante) es la convolución de la entrada con la respuesta del sistema a un impulso (ver
animaciones).

\item MATLAB, que está más a mano de muchos ingenieros, donde se pueden construir y simular
ambientes más acercados a la realidad y con una precisión mayor que a veces se necesitan en
ingeniería

\end{itemize}

\begin{enumerate}

\item [2] \textbf{¿Cuáles variables estadísticas se pueden emplear para medir la amplitud y
frecuencia de una señal?}

\end{enumerate}

\begin{itemize}

\item Si dividimos el recorrido de amplitudes de la señal, en un número determinado de casillas (o

clases) del mismo tamaño, podremos determinar el número de muestras, en la señal, cuya
amplitud está dentro del intervalo definido para cada una de las casillas o clases lo que se
corresponde con el concepto de "frecuencia" en sentido estadístico. Si lo multiplicamos por
1/2*Fm (duración del intervalo de muestreo) obtendremos el tiempo durante el cual la señal tiene
una amplitud incluida dentro de los límites de clase de la casilla correspondiente.Al dividir el valor
de la “frecuencia” por el número total de muestras, obtendremos la "frecuencia relativa". Al
mismo resultado se llega si se divide el tiempo durante el cual la señal tiene una amplitud incluida
dentro de los límites de cada clase por el tiempo total de muestreo.

\end{itemize}

\begin{enumerate}

\item[3] \textbf{Indague y reporte las diversas señales que se pueden encontrar en los
generadores de señales Empleados.}

\end{enumerate}
\begin{itemize}

\item Un generador de funciones es un instrumento versátil que genera diferentes formas de onda
cuyas frecuencias son ajustables en un amplio rango. Las salidas más frecuentes son ondas
senoidales, triangulares, cuadradas y diente de sierra. Las frecuencias de estas ondas pueden ser
ajustadas desde una fracción de Hz hasta varios cientos de kHz.

Las diferentes salidas del generador se pueden obtener al mismo tiempo. Por ejemplo,
proporcionando una sola cuadrada para medir la linealidad de un sistema de audio, la salida en
diente de sierra simultánea se puede usar para alimentar el amplificador de deflexión horizontal
de un osciloscopio, con lo que se obtiene la a exhibición visual de los resultados de las mediciones.
La capacidad de un generador de funciones de fijar la fase de una fuente externa de señas es otra
de las características importantes y útiles.

También puede fijar la fase de un generador de funciones con una armónica de una onda senoidal
del otro generador. Mediante el ajuste de fase y amplitud de las armónicas. Se puede fijar en fase
a una frecuencia estándar, con lo que todas las ondas de salida generadas tendrán la exactitud y
estabilidad en frecuencia de la fuente estándar.

\end{itemize}

\section{Resultados}

Para la práctica desarrollada se diseñó un interfaz en LabVIEW, donde se realizó el análisis a una
determinada señal obtenida desde el generador. Con una frecuencia de muestreo (Fs) de 300Hz.
Para dicha señal obtenida se realizó la toma de datos estadísticos y se añadió ruido para evaluar el
comportamiento de la señal,este tuvo un control off-set por parte del usuario. También se mostró
los valores estadísticos como en la tabla 2 se muestra, utilizamos el vector dado por el docente,
para realizar el algoritmo de la convolucion entre la señal adquirida contaminada con ruido.

\begin{figure}[!ht]

\begin {center}

\includegraphics[width=0.5\textwidth]{tabla.png}

\caption{Valores estadisticos}

\end {center}

\end{figure}
\begin{figure}[!ht]

\begin {center}

\includegraphics[width=0.6\textwidth]{interfaz.png}

\caption{Interfaz diseñada en Labview.}

\end {center}

\end{figure}

Al momento de realizar la adquisición de la señal, se presentó error debido a que el programa no

realizaba la traficación de la gráfica original.Se pudo establecer que el error el cual no permitió
adquirir la señal y graficarla según lo establecido era debido a los (Vi) utilizados. Se desarrollo la
convolución en Matlab, pero al generar error no podía poner dentro del script dentro de LabVIEW.

\section{ANALISIS DE RESUTADOS}

\begin{itemize}

Para la parte del ruido se implementó un generador de señales, al cual se le podía variar la
amplitud, frecuencia y tipo de onda, seguidamente de esto se realiza un adición entre la señal del
generador y la señal de ECG, teniendo presente que para la visualización de esto es necesario
realizar una conversión de datos. Finalmente esta señal contaminada fue visualizada en un
waveform chart, por otro lado se realizó el cálculo del RMS de cada uno de las señales por medio
de una caja especializada para esto, con la finalidad de poder obtener la relación señal ruido. Esta
relación se calculó a partir de la ecuación 20*log(Ps/Pr), para realizar la ecuación primero se
realizó la división del rms de la señal y el ruido, para luego calcular su potencia y finalmente aplicar
una caja de formula y así obtener el dato del RSR.

\end{itemize}

\section{Aplicación Profesional}

\begin{itemize}

El análisis de las señales bioeléctricas representa gran importancia en la investigación, así como
comercialmente, debido a que las nuevas técnicas de procesamiento de señal han ayudado a
descubrir información valiosa para mejorar el diagnóstico y la terapia.
En el procesamiento de señales biomédicas se encuentra una amplia gama de problemas en
aplicaciones cardíacas y neurológicas, dos de las áreas consideradas más complejas en el
procesamiento biomédico de señales. Es por esto que el procesamiento de señales bioeléctricas es
adecuado para su uso como referencia para ingenieros, médicos e investigadores en dicha área

\end{itemize}

\section{CONCLUSIONES}

\begin{itemize}

\item Se realizó el análisis de una señal tomada del generador utilizando Labview para realizar
toma de medidas de tendencia central y evaluar el registro según el tiempo de muestreo.

\item Se relacionaron conceptos teóricos de las medidas estadísticas con datos obtenidos en el
muestreo de la señal obtenida.

\item Se añadió diferentes niveles de ruido a la señal, de la cual se tomaron datos según lo
establecido en la guía.

\item Se presentaron inconvenientes dentro de la programación para obtener la señal original

debido a los comandos empleados dentro del programa, también se generó error al incluir la
convolución, lo cual no permitió relacionarla en Labview

\end{itemize}

\section{Bibliografía}

\begin{itemize}

\item[1]Medidas de Tendencia Central. En línea. Disponible en:

https://www.medwave.cl/link.cgi/Medwave/Series/MBE04/4934

\item[2]Estadística. Medidas de tendencia central. Figura. 1. En línea. Disponible en:

https://aprendiendoadministracion.com/medidas-de-tendencia-central-media-mediana-moda-
rango-y-eje-medio/
\item[3]Procesamiento digital de señales.ING. Biomedico Hedrick Robles, 2019-1. En linea.
Disponible en: http://aulanet.umb.edu.co/

\item[4]Marti ́n Andrés A, Luna del Castillo JD. Bioestadi ́stica para las ciencias de la salud. 4a ed.
Madrid: NORMA; 1993.

\item[5]Milton JS, Tsokos JO. Estadi ́stica para biologi ́a y ciencias de la salud. Madrid:
Interamericana McGraw Hill; 2001.

\item[6]ZeccaM.,MiceraS.,CarrozaM.,DarioP., “ControlOfMultifunctionalProstheticHands By
Processing The Electromyographic Signal”, Critical Reviews™ in Biomedical
Engineering.Vol.30,pp.459 -485.2002.

\item[7]Lowery M., Stoykov N., Taflove A., y Kuiken T., Tesis profesional “A Multiple¬Layer Finite-
Element Model of the Surface ECG Signal”. IEEE Transactions on Biomedical
Engineering,vol.49,no.5,pp.446-454,May2005.

\item[8] #31 - SEÑALES Y SISTEMAS - Parte 4 de 4: Transformada Disponible en

https://www.youtube.com/watch?v=DJ9C8iSE8tk

\item[9]Medlineplus información de salud para usted, ECG tomado en

https://medlineplus.gov/spanish/ency/article/003929.htm

\item[10] IEE Paraguay-Convolución, procesamiento de señales. tomado en

https://ramaucsa.wordpress.com/2013/12/17/convolucion-procesamiento-de-senales/

\item[11]J.M. Almira, “Matemáticas para la recu- ´ peración de señales”, Grupo Editorial

Universitario, 2005.

\item[12]muestreo digital Disponible en https://www.youtube.com/watch?v=FqZPRJQPdJQ

\item[13]Dawson-Saunders B, Trapp RG. Bioestadi ́stica Médica. 2a ed. México: Editorial el Manual
Moderno;1996.

\item[14]Harold A. Romo, Esp., Judy C. Realpe, Ing., Pablo E. Jojoa, Surface ECG Signals Analysis
and Its Applications in Hand Prosthesis Control, 15 de Junio de 2007, versión final 18 de junio de
2007.

\item[15]pruebas neurofisiologicas:electromiograma ECG, 21 junio, 2016, Red española de

investigadores en dolencias de la espalda tomado de
http://www.espalda.org/pruebas_neurofisiologicas.

\end{itemize}

\end{document}