Proyecto Fin de Carrera

Ingeniería de Telecomunicación

Medición del ritmo cardíaco mediante

Fotopletismografía

Autor: Ramón Medrán Medrán

Tutor: Rafael Boloix Tortosa

Equation Chapter 1 Section 1

Dpto. Teoría de la Señal y Comunicaciones

Escuela Técnica Superior de Ingeniería
Universidad de Sevilla
Sevilla, 2018
 Proyecto Fin de Carrera
Ingeniería de Telecomunicación

Medición del ritmo cardíaco mediante

Fotopletismografía

Autor:
Ramón Medrán Medrán

Tutor:
Rafael Boloix Tortosa
Profesor Contratado Doctor

Dpto. de Teoría de la Señal y Comunicaciones

Escuela Técnica Superior de Ingeniería
Universidad de Sevilla
Sevilla, 2018

iii
 Proyecto Fin de Carrera: Medición del ritmo cardíaco mediante Fotopletismografía

Autor: Ramón Medrán Medrán

Tutor: Rafael Boloix Tortosa

El tribunal nombrado para juzgar el Proyecto arriba indicado, compuesto por los siguientes miembros:

Presidente:

Vocales:

Secretario:

Acuerdan otorgarle la calificación de:

Sevilla, 2018

El Secretario del Tribunal

v
 A mis padres, a los que sin duda les habría venido
estupendamente una herramienta para tener bajo
control su frecuencia cardíaca ante la tranquilidad con
la que me he tomado terminar lo que empezó hace tanto
tiempo.

“Abu Ali puso su mano en el paciente para notar su

pulso, y mencionó nombres de diferentes distritos,
hasta alcanzar el cuarto y notar que el pulso se agitaba
de manera extraña. Entonces Abu Ali repitió nombres
de diferentes calles en ese distrito y de diferentes casas
en cada calle, hasta sentir de nuevo la misma
agitación. Finalmente pronunció el nombre de
diferentes familias de la casa hasta llegar al nombre
bajo cuya mención el pulso se agitó nuevamente. En
ese momento, dijo: Este hombre está enamorado de
esta chica, miembro de esta familia, que vive en esta
casa, en esta calle y en este barrio. Y la única cura del
paciente es verla de nuevo.”
- Abu Ali Ibn Sina (Avicena) -

vii
 Agradecimientos

Debido a la tranquilidad con la que me he tomado el Proyecto Fin de Carrera, esta sección se quedará corta para hacer
justicia a todos aquéllos que han estado presentes durante la pelea de un hombre contra una placa, una tecnología de
nombre impronunciable tras los 10 primeros intentos, e infinitas tardes en las que al salir del trabajo lo menos que apetecía
era meterse en el barro de las investigaciones ajenas. En resumen, y utilizando el manido dicho, “no están todos los que
son, pero sin duda son todos los que están”.
Escribo estas palabras con la esperanza de que, con el tiempo, pueda agradecer también a ese edificio rojo cobrizo haberse
cruzado en mi vida, y vayan desapareciendo en la bruma de la memoria los desengaños propios de la ingeniería, para
permanecer únicamente los recuerdos de la gente increíble con la coincidí allí, compañeros de exámenes y batallas,
trabajos y exposiciones, pero también de noches para celebrar, y para olvidar, en la que curiosamente el cerveza-tequila
solía ser factor común.
Sin duda, y en primera instancia, vaya mi agradecimiento para mis padres. Sufridores casi más que yo de una carrera en la
que si se puntuase por disgustos, deberían darles el título a ellos, sin su apoyo incondicional estas palabras nunca habrían
visto la luz, pues fueron siempre la voz de la lógica para reconducirme cuando erré el camino. Por eso merecen estas
frases, y más, pero creo que no está permitido dedicar un capítulo sólo a los agradecimientos. También a mis hermanas, ya
que una me indicó el camino para presentar un proyecto técnico, y la otra me enseñó que hay tragos mucho más difíciles
que estudiar una ingeniería.
En segundo lugar, no está de más agradecer a Rafael Boloix, el tutor de este proyecto, su inestimable colaboración. Él fue
quien me presentó a la Fotopletismografía, quien me aprovisionó con el material inicial sobre el que ir construyendo la
investigación que aquí se refleja, y ha sido él quien ha estado aguantando estos años a la espera de un correo perdido en el
que volviese a dar señales de vida. Si la paciencia de mis padres ha sido infinita, la de Rafael probablemente tienda al
mismo punto. Ha sido un placer compartir este último capítulo universitario en su compañía.
A toda mi familia, que manifestaba su interés por mi carrera y mi proyecto en “cada una de las cenas familiares”. Por su
sincera preocupación por mí, y por sus ánimos para que acabara y pudieran preguntarme por otras cosas. Especialmente
agradecido estoy a mi abuelo Ramón, por preguntarme cada vez que hablamos si he terminado por fin. A pesar de ser tan
culé como es, creo que esto le hará incluso más ilusión que el Barça adelantase al Madrid en Champions.
A los telecos, cómo no. A esos telecos que me hicieron recuperar la fe en la carrera, y me proporcionaron mil excusas para
no sucumbir a la adversidad académica. A Rafa, Patricia, Míriam y Alejandro, sobre todo, pero también a todos los que
leyendo esta frase se acuerden de aquéllos que cerramos el Plan Antiguo.
A José Francisco, porque él no fue partícipe de ninguna recuperación. Él siempre estuvo ahí, desde el primer día, y desde
esa primera noche en la biblioteca; y en cierta manera, pasar tiempo con él me hace ser optimista por los dos.
A Inma Encinas, porque es Inma Encinas, y tampoco hay que explicar mucho más.
A todos los amigos que de llevan diciéndome desde 2015, “venga, ya te queda el último empujón”. Que ya es tiempo
apoyándome incondicionalmente.
A la familia de Aoifes-Galgus, que me acogió para mi primera experiencia profesional, y son ellos los profesionales en eso
de hacer que alguien se sienta integrado. Por enseñarme tantas cosas, como la hamburguesa de piña del Malasa, el
serranito del Quini, e infinitos conceptos de WiFi, redes, sistemas, Linux y compañerismo. Con especial recordatorio a
Gema, que nunca me puso ninguna pega para dedicar tiempo al proyecto cuando necesité pegarle un achuchón.
A la gente del IEEE, porque me han hecho descubrir una parte de la ingeniería maravillosa (no, no es el networking), que
me ha abierto los ojos a un mundo con un sinfín de posibilidades.
A todos los voluntarios que me dejaron tomar muestras de sus señales cardíacas, a pesar de usarlas para desvelar los
secretos más íntimos de su corazón.
A todos los que alguna vez me escucharon quejarme de mi proyecto.
Ramón Medrán Medrán
Sevilla, 2018

ix
 Resumen

En un momento en el que las enfermedades cardiovasculares siguen siendo la primera causa de muerte en el
mundo, resulta significativo el hecho de que en la mayoría de las ocasiones el fallecimiento podría haberse
evitado. En los países desarrollados la población cada vez se hace más anciana, y se hace necesaria una
asistencia sanitaria que incluya como prioridades las tareas relacionadas con la prevención y detección de
dolencias en fases tempranas, para lo cual la monitorización continua de los pacientes se erige como un pilar
fundamental.
La frecuencia cardíaca es uno de los parámetros vitales que miden las funciones básicas del cuerpo, y
determinar este parámetro de la forma más cómoda y sencilla posible sin renunciar a la precisión de la medida
es vital de cara a la detección precoz de dolencias cardíacas, ya que del pulso se puede extraer información
tremendamente útil acerca del estado de salud del sistema cardiovascular del paciente.
Siendo especialmente interesante el desarrollo de tecnologías que permitan la monitorización ambulatoria
(fuera del hospital), se hace necesario el desarrollo de técnicas que, siendo menos molestas y complejas que el
Electrocardiograma (ECG), alcancen una precisión similar a éste para poder realizar asistencia sanitaria en
hogar de los pacientes, o en su día a día. Y ahí es donde surge la Fotopletismografía (PPG), técnica basada en
el estudio de cambios de volumen de sangre en una zona del organismo para obtener señales que permiten
medir, entre otras cosas, la frecuencia cardíaca.
En este proyecto se realiza un estudio de la Fotopletismografía, sus señales asociadas (fotopletismograma y su
segunda derivada, o fotopletismograma de aceleración) y sus características más significativas, comparándola
con técnicas actuales y métodos en desarrollo para medir el pulso, y presentándola como una alternativa que
debe ser tenida en cuenta frente al ECG a la hora obtener medidas precisas con el uso de dispositivos portátiles
que puedan emplearse para monitorizar el ritmo cardíaco.
Se presta especial atención a la mayor limitación de la señal PPG, los artefactos de movimiento, ruido
provocado por la respiración y movimientos del sujeto, que corrompen la señal y dificultan la obtención de un
pulso correcto, llegando al límite de dejarla inutilizable. Se investigan asimismo las principales investigaciones
llevadas a cabo en los últimos años con el objetivo de intentar eliminar o reducir estos fenómenos.
Por último, haciendo uso de una placa que permite obtener medidas de la señal PPG y su segunda derivada
(SDPPG), se han reunido un conjunto de muestras de estas señales gracias a un grupo de voluntarios, con las
que se ha elaborado una Base de Datos. Posteriormente dichas medidas se han utilizado para validar algunas
de las técnicas investigadas que se han implementado usando Matlab, con el objetivo de calcular el ritmo
cardíaco en señales que presenten corrupción por artefactos.

xi
 Abstract

In today´s society, cardiovascular diseases remain the world´s leading cause of death. And in most cases, it
could have been avoided. In developed countries, the population is becoming older and older, and health need
are increasing, especially those related to prevention and detection of illnesses in early stages, for which the
continuous monitoring of patients is an essential aspect.
Heart rate is one of the vital parameters that measure the basic functions of human body. Determine this
parameter in the most comfortable and effortless way without sacrificing accuracy is vital for the early
detection of heart diseases, as heart rate provides useful information about the health status of the patient’s
cardiovascular system.
Development of technologies that allow ambulatory monitoring (monitoring outside the hospital) is
particularly interesting. Thus, it is necessary to develop techniques that are less cumbersome and complex than
the Electrocardiogram (ECG), but achieve similar accuracy to ECG in order to provide healthcare at home or
on a daily basis. This is where Photoplethysmography (PPG), a technique based on the study of changes in
blood volume in an area of the body to obtain measurements of the heart rate, emerges.
In this Project, a study of Photoplethysmography, its most significant signals (photoplethysmography and its
second derivative, or acceleration photoplethysmogram) and its most significant characteristics is carried out,
comparing it with current and developing techniques to measure the pulse, and presenting it as a strong
alternative to the ECG to obtain precise measurements with the use of portable devices, that can be used to
monitor the heart rate.
Special attention is paid to the greater limitation of the PPG signal, motion artifacts; noise caused by the breath
noise and patient movement, that corrupts the signal and makes it difficult to obtain a correct heart rate,
reaching the limit of rendering it unusable. In addition, the main techniques developed in the last years to try to
eliminate or reduce this artifacts have been researched.
Finally, using a board, which allows us to obtain measurements of the PPG signal and its second derivative
(SDPPG), a set of samples of these signals have been collected thanks to a group of volunteers, with whom a
database has been developed. Subsequently, these measures have been used to validate some of the
investigated techniques that have been implemented using Matlab, with the objective of calculating the heart
rate in signals that present corruption by artifacts.

xiii
 Índice

Agradecimientos ix
Resumen xi
Abstract xiii
Índice xv
Índice de Tablas xix
Índice de Figuras xxi
Notación xxv
1 Objetivos y motivación 1
2 Antecedentes 3
2.1 Fundamentos teóricos 3
2.1.1 Sistema cardiovascular 3
2.1.2 Ciclo cardíaco 5
2.1.3 Frecuencia cardíaca y pulso arterial 7
2.2 Breve historia de la medición del pulso arterial 13
2.2.1 Medicina Antigua 13
2.2.2 Medicina Medieval 14
2.2.3 Medicina Moderna 14
2.3 El pulso arterial en la actualidad 17
2.3.1. El pulso en Medicina 17
2.3.2. El pulso en el Deporte 26
3 Alternativas novedosas para la obtención del pulso 27
3.1 Seismocardiografía 27
3.1.1 Balistocardiograma 29
3.2 Fonocardiografía 29
3.3 Medición con sonda de fibra óptica 31
3.4 Termometría de infrarrojos en auricular 33
3.5 Radar Doppler 35
3.6 Técnicas de tratamiento remoto de video 36
3.6.1 Fotopletismografía remota (rPPG) 36
3.6.2 Reflexión de luz verde en rostro 38
3.6.3 Medida térmica 38
3.7 Otras alternativas 39
3.7.1 Sensor similar a la piel 39
3.7.2 ECG de 3 derivaciones inalámbrico 39
3.7.3 Frecuencia cardíaca a través de la voz 40
3.7.4 Vibrocardiografía óptica 40
3.7.5 Monitorización del pulso desde el pijama de hospital 40
4 Pletismografía 41
4.1 Pletismografía 41
4.1.1 Tipos de pletismografía. 42

xv
 44
4.2 Medida de las pulsaciones mediante la PPG 46
4.3 Características de la señal PPG 48
4.4 Segunda derivada de la PPG (SDPPG) 50
4.5 Motions artifacts (MA) 51
5 Estado del arte 53
5.1 Técnicas de reducción de presencia de MA en señales PPG 55
5.1.1 Filtros de media móvil. 55
5.1.2 Filtros adaptativos 55
5.1.3 Cancelación adaptativa de ruido (ANC) 56
5.1.4 Técnicas de análisis tiempo-frecuencia 59
5.1.5 Separación ciega de fuentes 61
5.1.6 Técnicas con acelerómetro como referencia 63
5.2 Técnicas para la detección de secciones de señal PPG corrompidas por MA 70
5.2.1 NMIFS y SVM 70
5.2.2 Índice de calidad de señal (SQI) 71
5.3 Técnicas para la detección de picos sistólicos 72
5.3.1 Algoritmo AMPD y decision Bayesiana 72
5.3.2 Cascada de filtros recursivos y Slope Sum Function 74
5.3.3 Método de segmentación adaptativo (ASM) 75
5.3.4 Filtro de media móvil y filtrado adaptativo 76
5.3.5 Algoritmo heurístico 76
5.4 Técnicas empleando la Segunda Derivada de la PPG (SDPPG) 77
5.4.1 Estimación de HR mediante medidad de intervalos a-a 78
5.4.2 Cálculo de Índice de Envejecimiento mediante recurrencias 79
5.4.3 Delimitación de señal SDPPG Slope Sum Function 81
5.5 Evolución de los sensores 82
6 Obtención de medidas y realización de la base de datos 89
6.1 Elementos utilizados en la adquisición de los datos 89
6.1.1 SDPPG v1.0 89
6.1.2 Sensor DCM02 91
6.1.3 SDPPG.exe 92
6.2 Zonas de medición 93
6.2.1 PPG en el oído 94
6.2.2 PPG en la muñeca 95
6.2.3 PPG en la sien 95
6.2.4 PPG en el puente de la nariz 96
6.2.5 PPG en el dedo índice 96
6.3 Base de Datos 97
6.3.1 Protocolo de medición 97
6.3.2 Almacenamiento de medidas 98
6.3.3 Información sobre los voluntarios 99
7 Algoritmos propuestos para la obtención del pulso 101
7.1 Preprocesamiento de la señal 101
7.1.1 Eliminación de ruido 102
7.1.2 Normalización 107
7.1.3 Eliminación de baseline wander 107
7.2 Reducción y eliminación de MA 110
7.2.1 Filtrado adaptativo 110
7.2.2 Transformada Wavelet 117
7.2.3 Análisis de components independientes (ICA) 123
7.3 Detección de picos sistólicos 125
7.3.1 Detección de ondas a en señales SDPPG 127
 7.3.2 Detección de pulsos sistólicos mediante Slope Sum Function 131
7.3.3 Método AMPD 136
7.4 Posprocesamiento de la señal 139
7.4.1 Reestimación de picos por detección de diferencias abruptas en el pulso 139
7.4.2 Reestimación de inicios de pulso perdidos o erróneos 142
8 Resultados 145
8.1 Parámetros para la evaluación 145
8.1.1 Sensibilidad, Valores predictivos positivos y tasa de falsos negativos 146
8.2 Evaluación de los métodos para obtener la frecuencia cardíaca 148
8.2.1 Comparación entre método de detección de ondas a con SDPPG obtenida con placa SFPPGv1 y
SDPPG obtenida mediante derivada de 3 puntos 148
8.2.2 Comparación entre los métodos basados en la PPG para la obtención de la frecuencia cardíaca
149
8.2.3 Trazas de frecuencia cardíaca respecto al tiempo 150
9 Conclusiones y líneas de trabajo futuras 155
Referencias 157
Anexo A 167
SDPPG v1.0 (esquemáticos e instalación) 167
Anexo B 171
DCM02 171
Anexo C 173
Algoritmo AMPD basado en escalograma de máximos locales ( [110]) 173
Butterworth + Filtrado RLS + Detección de picos sistólicos por SSF + Posprocesamiento por detección de
inicios de pulso ( [51]) 174
Detección de ondas a mediante filtros de media móvil y umbralización con la señal SDPPG proporcionada
por la placa SDPPGv1.0 (Elgendi [47]) 175
Butterworth + Filtrado RLS + Segunda Derivada + Detección de ondas a mediante filtros de media móvil+
Posprocesamiento por histórico de pulsos 176
Butterworth + Filtrado RLS + Segunda Derivada + Enventanado de la detección de ondas a mediante filtros
de media móvil y umbralización adaptativa + Posprocesamiento por histórico de pulsos 177

xvii
 ÍNDICE DE TABLAS

Tabla 2-1. Rangos de frecuencia cardíaca en reposo. 8

Tabla 2-2. Ecuaciones predictoras de la frecuencia cardíaca máxima. 9
Tabla 5-1. Algoritmos para cálculo de HR mediante PPG. 86
Tabla 6-1. Información sobre voluntarios sometidos a las pruebas. 100
Tabla 8-1. Comparación de la aplicación de detección de ondas a aplicada a SDPPG obtenida con la placa y a
SDPPG derivada con Matlab. 148
Tabla 8-2. Comparativa de los métodos de obtención de HR mediante PPG. 149

xix
 ÍNDICE DE FIGURAS

Figura 2-1. Sistema cardiovascular. 4

Figura 2-2. Localización del corazón. 4
Figura 2-3. Diagrama del corazón. 5
Figura 2-4. Movimientos cardíacos. 6
Figura 2-5. Representación teórica del pulso. Variación de presión arterial en el tiempo. 7
Figura 2-6. Variación de presión en ventrículo izquierdo (azul) y aorta (rojo). 8
Figura 2-7. Método de palpación de pulso arterial. 9
Figura 2-8. Partes del cuerpo humano para palpar el pulso arterial. 10
Figura 2-9. Alteraciones de igualdad y regularidad de ondas de pulso. 11
Figura 2-10. Efecto de inspiración en personas sanas, y en pulso paradójico. 11
Figura 2-11. Variaciones de la amplitud en las ondas de pulso. 12
Figura 2-13. Forma de onda de pulso normal. 12
Figura 2-12. Forma de onda de a) Pulso bisferiens b) Pulso dícroto 12
Figura 2-14. Reloj de agua o clepsidra usado por Herófilo para medir el pulso arterial. 13
Figura 2-15. Los cuatro humores que conformaban el cuerpo humano. 14
Figura 2-16. Pulsilogium de Sanctorius. 15
Figura 2-17. Esfigmómetro (izquierda) y quimógrafo (derecha) [8]. 15
Figura 2-18. Esfigmómetros de Marey (izquierda) y Mahomed (derecha). 15
Figura 2-19. Angiografías de mano y cerebro. 16
Figura 2-20. Palpación de pulso radial. 17
Figura 2-21. Auscultación con estetoscopio. 18
Figura 2-22. Esfigmomanómetro aneroide. 19
Figura 2-23. Catéter Swan Ganz. 20
Figura 2-24. Ecocardiograma Doppler. 21
Figura 2-25. Pulsioxímetro con medidas de frecuencia cardíaca y concentración de oxígeno en sangre. 22
Figura 2-26. ECG de 12 derivaciones a partir de 10 electrodos conectados al paciente. 23
Figura 2-27. Asociación de la anatomía del corazón a los impulsos eléctricos asociados. 23
Figura 2-28. Electrocardiograma de un latido y sus partes. 24
Figura 2-29. Sístole, diástole e intervalo RR en un ECG. 25
Figura 2-30. Holter. 25
Figura 2-31. Banda pectoral y pulsómetro (izquierda), y pulsómetro por fotopletismografía (derecha). 26
Figura 3-1. a) ECG b) SCG 28
Figura 3-2. Fonocardiograma. 30
Figura 3-3. Fonocardiogramas con soplos. 30

xxi
Figura 3-4. Diagrama de medición con sensores FBG y fibra óptica 32
Figura 3-5. Señal respiratoria (arriba) y de frecuencia cardíaca (debajo) obtenidas con el sensor FBG, y sus
correspondientes transformadas de Fourier. 33
Figura 3-6. A) En verde, la zona del tragus. En azul, la de la cavus conchae. B) Receptáculos para los sensores
que obtendrán la señal en una y otra zona respectivamente. 34
Figura 3-7. Diagrama de bloques de un sistema de radar Doppler con una transmisión y dos antenas de
recepción, y referencia de sensor de pulso por PPG 36
Figura 3-8. Ejemplo de ROIs. 37
Figura 3-9. Obtención de pulso con rPPG y ROIs definidas. Comparación con PPG. 37
Figura 3-10. Paper-thin flexible sensor (sensor de “piel”). 39
Figura 3-11. Pijama de tejido óptico que permite fabricar textilmente los emisores y detectores necesarios para
el sensor de pulso. 40
Figura 4-1. Pneumopletismografía. 42
Figura 4-2. Pletismografía de impedancia. 43
Figura 4-3. Pletismografía de anillos de mercurio. 43
Figura 4-4. Principio de la fotopletismografía (por reflexión). 44
Figura 4-5. Representación de ECG, en traza superior, y PPG, en traza inferior. 45
Figura 4-6. PPG por transmisión. 46
Figura 4-7. PPG por reflexión. 46
Figura 4-8. Topologías de colocación del sensor del fotopletismógrafo. 46
Figura 4-9. Componentes de la señal PPG. 47
Figura 4-10. Partes DC y alterna de la señal PPG. 47
Figura 4-11. Ciclo de señal PPG normal, y repetición del ciclo 48
Figura 4-12. Comparación entre ECG, traza superior, y PPG, traza inferior. 49
Figura 4-13. Señal PPG tomada en dedo. (a) PPG. (b) SDPPG 50
Figura 4-14. Señal PPG con MA provocados por movimientos al andar. 52
Figura 5-1. Señal de PPG representando un latido. 54
Figura 5-2. Ejemplo de filtro adaptativo. 57
Figura 5-3. Canceladores de ruido adaptativo. 58
Figura 5-4. Algoritmo Wiener y Phase Vocoder. 63
Figura 5-5. Framework de algoritmo TROIKA. 66
Figura 5-6. Comparación de resolución de espectros calculados con Periodograma y FFT. 69
Figura 5-7. Etapas de algoritmo HEALT-T. 70
Figura 5-8. Algoritmo AMPD. 73
Figura 5-9. Detección de picos separando la señal en segmentos. 75
Figura 5-10. Proceso para detectar ondas a mediante recurrencias. 81
Figura 5-11. Señal PPG y su transformación SSF. 81
Figura 5-12. Sensor PPG para oreja. 83
Figura 5-13. Anillo PPG. 83
Figura 5-14. Pulsera PPG. 84
Figura 5-15. Gafas con emisores y sensores PPG. 84
Figura 5-16. Señales obtenidas con PPG usando webcam con luz natural como fuente. 85
Figura 6-1. SDPPG v1.0 90
Figura 6-2. SDPPG v1.0 con sensor DCM02 externo seleccionado y nivel de intensidad de los LEDs fijado a
5. 91
Figura 6-3. Sensor externo DCM02, a la izquierda con la cubierta adaptada a los dedos, y a la derecha con los
LEDs y el fotodetector al descubierto. 91
Figura 6-4. Entorno gráfico de SDPPG.exe. 92
Figura 6-5. Medición de pulso con la placa usando SDPPG.exe. 93
Figura 6-6. Señal PPG medida en el oído. 94
Figura 6-7. Señal PPG medida en la muñeca. 95
Figura 6-8. Señal PPG medida en la sien. 95
Figura 6-9. Señal PPG medida en el puente de la nariz. 96
Figura 6-10. Señal PPG medida en el dedo índice. 96
Figura 6-11. Ejemplo de medición con el sensor externo. 97
Figura 6-12. Organización BD de señales. 98
Figura 6-13. Señales PPG para Sujeto 21 sentado. 99
Figura 7-1. Señal PPG obtenida con sensor IR. 102
Figura 7-2. Señales con distinto tipo de ruido añadido. 102
Figura 7-3. Señal corrupta (arriba) y señal filtrada por S-G (debajo). 103
Figura 7-4. Señales filtradas. En la gráfica superior señal corrompida con ruido de distribución uniforme. En la
inferior señal corrompida con ruido de distribución normal 103
Figura 7-5. Señal corrupta y señal filtrada por filtro de media móvil. 104
Figura 7-6. Señales filtradas por media móvil ponderada. 104
Figura 7-7. Señal corrupta frente a señal procesada por filtro de mediana. 105
Figura 7-8. Señales filtradas por mediana. 105
Figura 7-9. Señal corrupta frente a señal procesada por filtro Butterworth paso de baja. 106
Figura 7-10. Señales filtradas por Butterworth paso de baja. 106
Figura 7-11. Señal con baseline wander, e intento de supresión con polinomio de orden 4. 108
Figura 7-12. Señal con baseline wander, e intento de supresión con polinomio de orden 10. 108
Figura 7-13. Señal con baseline wander, e intento de eliminarlo con Butterworth paso de alta de orden 2.109
Figura 7-14. Filtro adaptativo para cancelación de interferencias. 110
Figura 7-15. Cancelador adaptativo de ruido. 111
Figura 7-16. Espectro de amplitud de la señal deseada con ruido adicional. 112
Figura 7-17. Espectro de amplitud de la señal de referencia sintética. 113
Figura 7-18. Señal deseada sin ruido añadido (azul) y señal sintética (naranja). 113
Figura 7-19. Señal deseada con ruido añadido (azul) y señal sintética (naranja). 114
Figura 7-20. Filtrado LMS. 114
Figura 7-21. Filtrado RLS. 116
Figura 7-22. Adaptación de los coeficientes del filtro RLS en el tiempo. 116

xxiii
Figura 7-23. Wavelet. 117
Figura 7-24. Banco de filtros de descomposición Wavelet de 3 componentes. 119
Figura 7-25. Filtrado con diversas DWT de nivel 7. a) coif1 b) db4 c) bior3.1 119
Figura 7-26. Wavelet db4. 120
Figura 7-27. Señal filtrada con DWT db4 de 7 componentes (7 niveles). 120
Figura 7-28. Señal original y componentes de detalle de sucesivos niveles de la DWT. 121
Figura 7-29. Señal original y componentes de detalle de sucesivos niveles de la SWT. 122
Figura 7-30. Señal filtrada con SWT db4 de 6 niveles. 122
Figura 7-31. Señales filtradas con SWT (azul) y DWT (naranja). 123
Figura 7-32. Subcomponentes ICA. 124
Figura 7-33. PPG Infrarroja, PPG Visible, y subcomponente con información pulsátil. 124
Figura 7-34. Picos sistólicos encontrados en señal PPG. 126
Figura 7-35. Ondas a detectadas en señal SDPPG. 126
Figura 7-36. Espectro de amplitud de señal PPG con su frecuencia máxima detectada. 127
Figura 7-37. Señal SDDP con valores negativos eliminados y elevada al cuadrado. 128
Figura 7-38. Filtros de media móvil de onda a (naranaja) y de latido (amarillo). 129
Figura 7-39. Bloques de interés con sus respectivas ondas a. 131
Figura 7-40. Señal PPG (azul) y su SSF (naranja). 132
Figura 7-41. Diagrama de estimación de pulsos mediante SSF y umbral adaptativo. 133
Figura 7-42. Señal SSF con picos e inicios detectados 134
Figura 7-43. Diagrama de la reestimación de inicios de pulso perdidos. 135
Figura 7-44. Diagrama de la detección de inicios de pulso detectados erróneamente. 136
Figura 7-45. Diagrama con las etapas del algoritmo AMPD. 138
Figura 7-46. Picos detectados en la señal PPG con el algoritmo AMPD. 139
Figura 7-47. Diagrama del algoritmo de reestimación de picos. 141
Figura 7-48. Pico debido a ruido detectado erróneamente. 141
Figura 7-49. Correcicón de picos detectados tras aplicar posprocesamiento. 142
Figura 7-50. Error al detectar inicios de pulso usando la señal SSF. 143
Figura 8-1. Ejemplo de Falso Negativo (rodeado en naranja) en una señal SDPPG. 147
Figura 8-2. Ejemplos de Falsos Positivos (rodeados en naranja) en una señal SDPPG. 147
Figura 8-5. Pulsos estimados para el Sujeto 9 Sentado. 151
Figura 8-3. Figura 8-4. Pulsos estimados para el Sujeto 15 Sentado. 151
Figura 8-6. Figura 8-7. Pulsos estimados para el Sujeto 1 Pie. 152
Figura 8-8. Figura 8-9. Pulsos estimados para el Sujeto 21 Sentado. 152
Figura 8-10. Figura 8-11. Pulsos estimados para el Sujeto 18 Pie. 153
Figura 8-12. Figura 8-13. Pulsos estimados para el Sujeto 3 Pie. 153
 Notación

PPG Fotopletismografía (o fotopletismograma)

ECG Electrocardiograma
SCG Seismocardiograma
PCG Fonocardiograma
rPPG Fotopletismografía Remota
ROI Región de Interés
SDPPG Segunda derivada de la fotopletismografía
APG Pletismograma de aceleración (equivalente a SDPPG)
HbO2 Oxihemoglobina
HbR Hemoglobina reducida
FC Frecuencia cardíaca
HR Heart Rate (frecuencia cardíaca)
HRV Variabilidad de la frecuencia cardíaca
MA Motion Artifacts
IR Infrarrojo
WT Transformada Wavelet (Wavelet Transform)
lpm latidos por minuto
bpm beats per minute (latidos por minuto)
et al y otros
LMS Least Mean Squares
NLMS LMS normalizado
RLS Recursive Least Squares
TVS-LMS LMS de tamaño de paso variante en el tiempo
AS-LMS LMS de tamaño de paso adaptativo
EMD Empirical Mode Decomposition
FSA Fourier Series Analysis
SVD Descomposición en Valores Singulares
ICA Análisis de Componentes Independientes
PCA Análisis de Componente Principal
BSS Separación Ciega de Fuentes
ALS Asymmetric Least Square
MMV Multiple Measurement Vector
EEMD Ensemble EMD
AGI Índice de envejecimiento
SVM Support Vector Machine
SQI Índice de calidad de señal
LP Filtro paso bajo
BP Filtro paso banda

xxv
HP Filtro paso alta
SSF Slope Sum Function (suma de pendiente)
AMPD Detección automática de picos basada en multiescala
ASM Método de segmentación adaptativaa
AAE Absolute Average Error (error medio absoluto)
SD Desviación estándar
BD Base de Datos
CTW Transformada de Wavelet Continua
DTW Transformada de Wavelet Discreta
STW Transformada de Wavelet Estacionaria
VPP Valor Predictivo Positivo
FN Falso Negativo
FP Falso Positivo
VP Verdadero Positivo
FNR Tasa de Falsos Negativos
xxvii
 1 OBJETIVOS Y MOTIVACIÓN

“Nothing in life is to be feared, it is only to be

understood.”
- Marie Skłodowska-Curie -

L
a frecuencia cardíaca es uno de los cuatro parámetros que permiten valorar el estado de las funciones
corporales, junto a la temperatura corporal, la tensión arterial y la frecuencia respiratoria. Definida como
la tasa de latidos del corazón, es un indicador de la actividad de éste, y proporciona información muy
útil acerca de la salud del paciente, y de la posible gestación de enfermedades cardiovasculares. Por tanto, la
obtención del pulso se convierte en un procedimiento básico en el diagnóstico de un paciente, y se hace
necesario disponer de ténicas que nos ofrezcan medidas precisas y fiables.
El interés sobre este proyecto nace de la necesidad de encontrar alternativas al ECG, técnica tradicionalmente
usada para la monitorización de la frecuencia cardíaca en el ambiente sanitario, con el objetivo de realizar
medidas de manera ambulatoria, como puede ser la asistencia sanitaria en el propio hogar del paciente, o una
monitorización continua de éste a lo largo de su día a día. Este tipo de cuidados se hacen necesarios en una
sociedad en la que aumentan las enfermedades crónicas por el envejecimiento de la población, y son cada vez
más comunes incidentes inesperados como muertes súbitas o infartos que causan fallecimiento en zonas
alejadas de instalaciones médicas.
Para conseguir este propósito, la técnica elegida, además de poseer una precisión similar a la del ECG necesita
ser menos engorrosa y compleja que éste, ya que su uso será eminentemente portátil. La Fotopletismografía
cumple estos requisitos ofreciendo una solución a la obtención del pulso de manera no invasiva y manejable.
Basada en una representación de la variación volumétrica de la sangre en las arterias obtenidas con sensores
ópticos, no requiere colocación de electrodos, siendo sólo necesario portar un dispositivo con diodos LED y un
fotosensor en una parte del organismo donde el flujo sanguíneo se encuentre cerca de la piel (dedos, muñecas,
orejas). Sin embargo, la mayor limitación de esta técnica son los artefactos de movimiento, ruido debido al
movimiento y respiración del paciente, que puede llegar a corromper la señal PPG hasta el punto de hacerla
totalmente inútil para la estimación del pulso sanguíneo.
En este Proyecto Fin de Carrera se pretende ahondar en el efecto de estos motion artifacts en las señales PPG,
y en la forma de eliminarlos, o al menos reducirlos, para obtener señales más limpias que permitan medidas
precisas de la frecuencia cardíaca por medio de esta técnica.
Con un acercamiento en la primera parte a los conceptos teóricos de la frecuencia cardíaca y los eventos
fisiológicos del organismo humano a los que se debe, se intenta comprender el comportamiento del pulso en
diversas situaciones, y la forma en que éste se ha medido hasta la época actual, en la que la técnica más común
es el Electrocardiograma.
Aunque la PPG es una gran candidata para la monitorización continua del pulso de los pacientes, se presentan
alternativas actuales, o en pleno desarrollo, que deben ser tenidas en cuenta en un futuro como opciones

1
 2 Objetivos y motivación

interesantes de cara a sutituir o complementar al ECG en aquellas situaciones donde el uso de éste sea
engorroso o innecesario.
En última instancia, el objetivo principal de este Proyecto es investigar la señal PPG como técnica para la
obtención de la frecuencia cardíaca, y las técnicas llevadas a cabo para realizar esta tarea a pesar de las
limitaciones que puedan afectar a este tipo de señales. Para ello se estudian la señal PPG y su segunda
derivada, la SDPPG, buscando encontrar sus debilidades y fortalezas a la hora de extraer de ellas
características pulsátiles.
Siendo los artefactos de movimiento el principal factor limitante para las medidas con esta técnica, se realiza
una investigación acerca de su naturaleza, y de las diversas técnicas que han surgido en los últimos años para
paliar su efecto, recogiendo en el estado del arte diferentes métodos de procesamiento de la señal PPG que
puedan servir para aumentar la precisión de las medidas.
En último lugar, el objetivo es implementar algunas de esas técnicas, y con la ayuda una placa proporcionada
por el Departamento de Teoría de la Señal y las Comunicaciones de la ETSI, se consiguen medidas de señales
PPG y SDPPG que dan forma a una Base de Datos con la que validar los algoritmos desarrollados, y conseguir
extraer la frecuencia cardíaca de señales PPG corrompidas por artefactos.
Por tanto, se pueden resumir los objetivos en los siguientes puntos:
 Obtener información sobre la Fotopletismografía y otras técnicas alternativas al ECG para la
obtención de la frecuencia cardíaca.
 Investigar acerca de los métodos empleados en los últimos años para paliar el efecto de los motion
artifacts en las señales PPG, reduciéndolos o eliminándolos.
 Desarrollo de técnicas capaces de obtener la frecuencia cardíaca de señales PPG corrompidas por
artefactos. Para ello, se necesita:
o Obtención de señales PPG mediante la placa proporcionada.
o Validación de los algoritmos desarrollados con las mediciones obtenidas, haciendo hincapié
en su capacidad de obtener el pulso a pesar de la presencia de artefactos.

Equation Chapter (Next) Section 1

 2 ANTECEDENTES

“It is only when they go wrong that machines remind

you how powerful they are.”
- Clive James-

L
argo es el camino que se ha recorrido en la medición y monitorización de la frecuencia cardíaca,
comúnmente conocida como pulso, hasta llegar a una actualidad en la que el electrocardiograma se
presenta como el método más extendido en medicina clínica. Y aunque en los últimos tiempos la
pulsioximetría, basada en los principios de la fotopletismografía, le discute el monopolio augurando una nueva
etapa basada en las mínimas molestias para el paciente; durante gran parte de la Historia la Humanidad tuvo
que conformarse con métodos mucho más manuales, imprecisos, o engorrosos.
En este capítulo se describirán los conceptos teóricos necesarios para comprender la investigación realizada
durante el proyecto, así como la finalidad de éste. Esbozando asimismo una pincelada de la trayectoria seguida
por las técnicas empleada hasta alcanzar el punto de partida que da lugar al trabajo aquí recogido

2.1 Fundamentos teóricos

En este proyecto se trabaja con señales que son resultado de monitorizar funciones del aparato circulatorio, por
lo que se hace necesario explicar su funcionamiento básico, así como el comportamiento de sus agentes
principales.

2.1.1 Sistema cardiovascular

El sistema cardiovascular (Figura 2-1 [1]) está constituido en el ser humano por un fluido de color rojizo y
espeso llamado sangre, un conjunto de conductos (arterias, venas, capilares) que reciben el nombre de vasos
sanguíneos, y una bomba muscular impulsora que es el corazón.

3
 4
Antecedentes

Se trata de un sistema de transporte en el que el corazón se

contrae regularmente, manteniendo la sangre en constante
movimiento en el circuito cerrado que constituyen los vasos
sanguíneos. Mediante este transporte el sistema cardiovascular
facilita el desplazamiento por el organismo de ciertas sustancias,
principalmente oxígeno y nutrientes, pero también productos de
desecho metabólicos y CO2. Entre las funciones principales del
sistema cardiovascular encontramos transportar oxígeno desde
los pulmones a los tejidos, y dióxido de carbono desde los tejidos
a los pulmones para su expulsión; distribuir los nutrientes a todos
los tejidos y células del organismo; transportar productos de
desecho producidos por las células hasta el riñón para ser
eliminados; transportar sustancias hasta el hígado para su
metabolización; distribuir hormonas y proteger al organismo
frente a agresiones externas gracias a la circulación por la sangre
de leucocitos y anticuerpos.
Además de cerrado, el sistema circulatorio del ser humano es
doble; es decir, está formado por dos circuitos diferentes
conocidos como pulmonar o menor, y sistémico o mayor. El
pulmonar es el encargado de oxigenar la sangre que llega a los
pulmones (llevando la sangre del ventrículo derecho a los
pulmones), y dejar el dióxido de carbono producido por las
células para ser eliminado, y el sistémico tiene como función el
transporte de oxígeno y nutrientes a los tejidos y células del
cuerpo (en este caso la circulación va del ventrículo izquierdo a
todos los órganos y tejidos del organismo).
Figura 2-1. Sistema cardiovascular. La circulación sistémica, mucho más larga en términos de
distancia que la pulmonar, permite que la sangre llegue a su
destino gracias a una completa red de vasos sanguíneos que se
dividen en arterias (y arteriolas, arterias más finas que conducen a los capilares), venas (y vénulas, equivalente
a las arteriolas) y capilares.
Mientras las arterias llevan la sangre con oxígeno del corazón a los tejidos, y las venas son las que llevan la
sangre desoxigenada de vuelta al corazón; es en los capilares donde se produce el intercambio de sustancias.
Después de este intercambio, las células generan dióxido de carbono, provocando un empobrecimiento del
oxígeno transportado por el flujo sanguíneo. El sistema cardiovascular sólo circula hacia un sentido; la sangre
oxigenada nunca se cruza con la pobre en oxígeno.

Figura 2-2. Localización del corazón.

4
 Medición del ritmo cardíaco mediante Fotopletismografía 5

2.1.1.1 La sangre
La sangre es un tipo de tejido conectivo de tipo fluido formado por líquidos y sólidos, con un color rojo
característico debido a la hemoglobina contenida en los hematíes (glóbulos rojos o eritrocitos). En su fase
sólida están incluidos los leucocitos (glóbulos blancos), eritrocitos y plaquetas. Su fase líquida está
representada por el plasma sanguíneo.
Dentro de las células sanguíneas, son de especial importancia para este proyecto los eritrocitos, y en concreto,
la hemoglobina de la que se componen, hemoproteína de color rojo cuya función es captar el oxígeno de los
pulmones para comunicarlo a los tejidos, y tomar el dióxido de carbono para llevarlo de nuevo a los pulmones.
En función de si la hemoglobina está unida al oxígeno o no diferenciamos varios tipos de hemoglobina, con
distintas características ópticas, particularidad que se tiene en cuenta en técnicas como la Fotopletismografía,
que se verá en apartados posteriores con más detalle.

2.1.1.2 El corazón
El corazón es el órgano principal del aparato circulatorio. Es un órgano musculoso, hueco que se sitúa
aproximadamente en el centro de la cavidad torácica. Aunque su tamaño está estrechamente relacionado con la
edad, sexo y tamaño de cada persona, suele ser del tamaño de un puño. Funciona como una bomba que
impulsa la sangre a todo el cuerpo a través de las arterias, ejerciendo de motor del aparato circulatorio.

Recubierto de un saco membranoso llamado

pericardio cuya función es protegerlo, sus capas de
fuera hacia dentro son el epicardio, el miocardio
(tejido muscular del corazón) y el endocardio. El
corazón se divide en dos mitades para garantizar que
la sangre circule en una sola dirección: la derecha, en
la que circula la sangre venosa, y la izquierda, en la
que circula la sangre arterial.
Cada una de esas dos mitades se subdivide en dos,
por lo que el corazón está finalmente dividido en
cuatro cámaras: dos aurículas, derecha e izquierda, y
dos ventrículos, derecho e izquierdo, que son más
grandes y mucho más fuerte (Figura 2-3 [2]). La
aurícula derecha se conecta con el ventrículo
derecho a través de la válvula tricúspide, mientras
que la aurícula izquierda lo hace con el ventrículo
izquierdo a través de la mitral [3].
La sangre pobre en oxígeno llegar a través de dos
Figura 2-3. Diagrama del corazón. grandes venas, la vena cava inferior y la superior,
entrando en la aurícula derecha. La sangre
oxigenada sale por el ventrículo izquierdo a través de la arteria aorta, para llegar a todos los rincones del
organismo.

2.1.2 Ciclo cardíaco

El ciclo cardíaco es el término utilizado para describir la relajación y contracción producidas en el corazón
para bombear la sangre a través del cuerpo. Más detalladamente, se trata de la secuencia de eventos eléctricos,
mecánicos, sonoros y de presión, relacionados con el flujo de sangre a través de las cavidades cardíacas, la
contracción y relajación de cada una de ellas (aurículas y ventrículos), la apertura y cierre de válvulas y los
ruidos a ellas asociados. Cada repetición del ciclo cardíaco recibe el nombre de latido, e involucra tres etapas
principales: sístole auricular, sístole ventricular, y diástole cardíaca completa. A lo largo del ciclo cardíaco, la

5
 6
Antecedentes

presión sanguínea aumenta y disminuye causando que las válvulas auriculoventriculares se cierren de golpe.
 Sístole auricular. En el inicio del ciclo un potencial de acción hace que las aurículas se contraigan, y
se expulse toda la sangre que contienen a los ventrículos. Una vez toda la sangre ha sido expulsada de
las aurículas, las válvulas entre éstas y los ventrículos se cierran (provocando el característico sonido
del latido).
 Sístole ventricular (Figura 2-4 a [4]). Se puede a su vez subdividir en dos etapas.
o Contracción ventricular isovolumétrica. La onda de despolarización llega a los ventrículos,
que empiezan a contraerse.
o Eyección. La presión ventricular es mayor que la presión arterial de los grandes vasos que
salen del corazón, por lo que se abren las válvulas que los comunican y se expulsa la sangre
hacia el sistema circulatorio (la del ventrículo derecho a los pulmones, la del ventrículo
izquierdo al resto del cuerpo). Una vez expulsada, las válvulas sigmoideas se cierran.
 Diástole cardíaca completa (Figura 2-4 b [5]). También puede dividirse en dos subetapas.
o Relajación ventricular isovolumétrica. Corresponde al comienzo de la diástole (relajación
miocárdica). Los ventrículos se relajan, y la presión desciende en ellos.
o Llenado auricular pasivo. Durante el anterior proceso, las aurículas se habrán estado llenando
de sangre, y tendrán una presión mayor que la de los relajados ventrículos, lo que dará paso a
abrir las válvulas mitral y tricúspide y comenzar un nuevo ciclo.

a) Sístole ventricular b) Diástole ventricular

Figura 2-4. Movimientos cardíacos.

Por tanto, se tiene una sístole, o contracción ventricular (expulsa la sangre para que continúe el ciclo), y una
diástole, o fase de relajación de los ventrículos (permite recibir sangre de las aurículas).
La fase de bombeo proviene de un sistema intrínseco de conducción eléctrica. El impulso eléctrico se genera
en el nódulo sinusal o nódulo sinoauricular, y se debe a miocardocitos autoexcitables (no requieren de
estímulos externos para generar la contracción). Este impulso se propaga por las aurículas, el nodo
auriculoventricular y las fibras Punkirje hasta contraer ambos ventrículos.
La frecuencia del ciclo cardíaco se denomina frecuencia cardíaca, y se considera uno de los cuatro signos
vitales. Normalmente se calcula como el número de contracciones (latidos) del corazón en un minuto y se
expresa como "latidos por minuto" (lpm, o más comúnmente bpm, del inglés beats per minute). El rango de
referencia de la frecuencia cardíaca en reposo está entre 60 bpm (si es menor se denomina braquicardia) y 100

6
 Medición del ritmo cardíaco mediante Fotopletismografía 7

bpm (si es mayor se llama taquicardia), aunque varía entre personas según su edad, sexo y estado físico.
En el momento en el que se expulsa la sangre del corazón, la corriente sanguínea saliente ejerce una presión
más fuerte que cuando entra. El pulso cardíaco es resultado directo de la actividad eléctrica cardíaca, y de los
cambios de presión estimulados por esta actividad. La presión sanguínea mide la fuerza que la sangre ejerce
sobre las paredes de los vasos sanguíneo, cambios de presión que se miden en milímetros de mercurio
(mmHg). A través del pulso se pueden obtener los cambios del ciclo cardíaco, ya que con cada sístole se
inyecta un volumen de sangre en la aorta provocando un aumento de presión, y con cada diástole la presión
disminuye. Esta diferencia de presión es la que se capta con el pulso. En la Figura 2-5 pueden apreciarse
ambas fases [6].

Figura 2-5. Representación teórica del pulso. Variación de presión

arterial en el tiempo.

2.1.3 Frecuencia cardíaca y pulso arterial

Se ha explicado cómo el corazón necesita contraerse y expandirse para hacer fluir la sangre por todo el cuerpo.
La velocidad de contracción del corazón es lo que se conoce como frecuencia cardíaca, y se define como
número de contracciones por unidad de tiempo, midiéndose en condiciones bien determinadas de reposo o
actividad.
En cada contracción del corazón, la sangre forzada dentro de la aorta no sólo mueve la sangre en los vasos
hacia delante, sino que además establece una onda de presión que se transmite a lo largo de las arterias
periféricas, y que puede visualizarse en la Figura 2-6. Estas ondas de presión migratorias se ocasionan por la
alternancia entre la expansión de las paredes arteriales durante la sístole ventricular, y el retorno elástico
durante la diástole, y es lo que se conoce como pulso. El pulso es más fuerte en las arterias cercanas al corazón
y se va debilitando progresivamente hasta desaparecer en los capilares, siendo palpable en todas las arterias
cercanas a la superficie corporal sobre una estructura dura (hueso) o firme, como pueden ser la arteria carótida
en el cuello, o la radial en la muñeca. Por tanto, la medida del pulso es exactamente igual a la de la frecuencia
cardíaca, porque son las contracciones del corazón las que lo producen. Así pues, al tomar el pulso de una
persona se mide directamente su frecuencia cardíaca. La frecuencia cardíaca se expresa en latidos por minuto,
mientras que se usa el término pulsaciones por minuto en arterias periféricas. Como cualquier otro evento
cíclico, se mide el número de repeticiones de un suceso dentro de una unidad de tiempo, en este caso, latidos
por minuto.

7
 8
Antecedentes

n º latidos
f  (2.1)
min

Figura 2-6. Variación de presión en ventrículo izquierdo (azul) y aorta (rojo).

2.1.3.1 Frecuencia cardíaca en reposo

La frecuencia cardíaca en reposo depende de factores genéticos, del estado físico y psicológico, de la edad, del
sexo, de la postura y de las condiciones ambientales. En niños suele estar entre 80-120 pulsaciones por minuto,
siendo valores normales para un adulto los situados entre 60-100 pulsaciones por minuto. Una clasificación
más detallada puede observarse en la Tabla 2-1. Durante el ejercicio físico el rango puede aumentar a 150-220
pulsaciones por minuto, y durante el sueño puede bajar de 60 pulsaciones por minuto. En la Tabla 2-1 pueden
observarse los valores normales de la frecuencia cardíaca en reposo.

Tabla 2-1. Rangos de frecuencia cardíaca en reposo.

PACIENTES FRECUENCIA CARDÍACA

Recién nacidos (0-1 mes de edad) 70 – 190 bpm
Bebés (1-11 meses de edad) 80 – 160 bpm
Niños (1-2 años) 80 – 130 bpm
Niños (3-4 años) 80 – 120 bpm
Niños (5-6 años) 75 – 115 bpm
Niños (7-9 años) 70 – 110 bpm
Niños de más de 10 años, adultos 60 – 100 bpm
Ancianos < 60 bpm
Deportistas bien entrenados 40 – 60 bpm

8
 Medición del ritmo cardíaco mediante Fotopletismografía 9

El aumento de la frecuencia del pulso por encima de los límites máximos se conoce como taquicardia, y se
produce durante el ejercicio, situaciones de estrés o ansiedad, debido a fiebre, hipertiroidismo o taquicardias
auriculares o ventriculares. Por el contrario, la disminución del pulso por debajo de los límites inferiores recibe
el nombre de braquicardia, y se ve en hipotiroidismo, enfermedad del nódulo sinusal y bloqueos A-V
(auriculoventriculares).

2.1.3.2 Frecuencia cardíaca máxima

La frecuencia cardíaca máxima (𝐹𝐶 á ) es un límite teórico que corresponde al máximo de pulsaciones que
se puede alcanzar en una prueba de esfuerzo sin comprometer a la salud. Varía con la edad, y depende del sexo
de la persona. Aunque la ecuación predictora más conocida la define como (220 – edad del sujeto),
actualmente se utilizan ecuaciones más seguras, como las recogidas en la Tabla 2-2, que datan de 2015:

Tabla 2-2. Ecuaciones predictoras de la frecuencia cardíaca máxima.

Sexo 𝐹𝐶 á

Hombre [(210 – (0,5 * edad en años)) – (0,01* peso en kg) +4]

Mujer [(210 – (0,5 * edad en años)) – (0,01* peso en kg)]

2.1.3.3 Zonas de palpación del pulso

Se ha comentado anteriormente que el pulso se puede palpar en distintas arterias superficiales del cuerpo
humano (especialmente si pueden comprimirse contra un hueso, como se ve en la Figura 2-7), ya que la onda
de presión establecida durante la sístole se transmite a lo largo de ellas, expandiendo las paredes arteriales.

Figura 2-7. Método de palpación de pulso arterial.

Las zonas donde se puede tomar el pulso son las siguientes, reflejadas en la Figura 2-8 [7]:
 En la sien (pulso temporal).
 En el cuello (pulso carotídeo).
 En la cara interna del brazo (pulso humeral o braquial).
 En la muñeca (pulso radial).
 En la parte interna del pliegue del codo (pulso cubital).
 En la ingle (pulso femoral).
 En la parte posterior de la rodilla (pulso poplíteo).

9
10
Antecedentes

 En el dorso del pie (pulso pedio).

Figura 2-8. Partes del cuerpo humano para palpar el pulso arterial.

La medición del pulso arterial se debe realizar en un lugar donde el latido sea nítido. Los más usados en el
ámbito médico son el radial y el braquial. Dependiendo de la forma, ritmo, simetría, intensidad y demás
parámetros del pulso medido se pueden deducir la presencia de numerosas enfermedades.

2.1.3.4 Aspectos importantes al medir el pulso

El pulso se da como una onda de rápida ascendencia y lenta descendencia. La amplitud de su onda y su ritmo
regular permiten su fácil palpación. Aspectos que debemos tener en cuenta a la hora de llevarla a cabo son:
 Regularidad o duración del intervalo. El pulso es regular cuando todas las pausas diástolicas son
iguales entre sí. Es por tanto irregular cuando este intervalo es variable, y recibe el nombre de arritmia.
El pulso irregular más común es el de la arritmia respiratoria, debida a que el ciclo respiratorio
provoca pequeñas variaciones en la distancia entre pulsos.
 Igualdad o comparación de las amplitudes de onda. Las pulsaciones son iguales cuando tienen
similar amplitud. Lo normal es que pulsos desiguales sean causados por algún tipo de patología.
Existen dos variedades de pulso desigual y regular:
o Pulso alternante (Figura 2-9 b [7]). A una onda de amplitud normal o ligeramente aumentada
le sigue otra de amplitud disminuida. Es propio de insuficiencias cardíacas avanzadas.

10
Medición del ritmo cardíaco mediante Fotopletismografía 11

o Pulso paradójico (Figura 2-9 c [7]). Se trata de una exageración del fenómeno fisiológico
consistente en la ligera disminución de la amplitud de las pulsaciones durante la inspiración
que experimentan personas sanas. La Figura 2-10 [7] muestra un ejemplo de sus efectos.

Figura 2-9. Alteraciones de igualdad y regularidad de ondas de pulso.

 Tensión o resistencia a la compresión arterial. La tensión del pulso se define a partir de la presión
ejercida sobre la arteria, y el grado de presión que se necesita para que desaparezca. Por tanto, tensión
del pulso y presión arterial están relacionadas.

Figura 2-10. Efecto de inspiración en personas sanas, y en pulso

paradójico.

 Amplitud del pulso. La amplitud o altura de los pulsos. También llamada presión del pulso,
existen varios tipos, muchos de los cuales quedan recogidos en la Figura 2-11 [7].
o Amplitud aumentada. Cuando hay pulsos con amplitud aumentada, se dice que existe un
pulso magnus. La causa más probable es insuficiencia valvular aórtica.
o Amplitud disminuida. Los pulsos pequeños, o parvus, son causados por presión diferencial
reducida (presión sistólica baja). Por otro lado, el pulso tardus tiene como elemento
significativo lo que tarda en alcanzar el pico máximo de estas ondas. La combinación de
ambas características, pavus-tardus, es causa de una estenosis aórtica valvular grave. La
segunda variedad importante del pulso parvus es la asociada a una rápida subida y bajada de
las ondas (celeridad). Se denomina parvus-celer, y está asociado a insuficiencia mitral.

11
12
Antecedentes

Figura 2-11. Variaciones de la amplitud en las ondas de pulso.

 Algunas anomalías en el pulso arterial son:

o Pulso hipocinético: Cuando el pulso es muy débil. Puede deberse a insuficiencia cardíaca,
taponamiento cardíaco, pericarditis crónica constrictiva, miocardiopatía o miocarditis
o Pulso hipercinético. Ascensos y descensos bruscos en la intensidad del pulso, y caídas
bruscas. Puede deberse a arteriosclerosis, hipertensión o coartación aórtica.
 Con respecto a la forma del pulso, se pueden distinguir dos variedades de forma de pulso (Figura
2-13) al comparar con una forma de pulso normal (Figura 2-12):
o Pulso bisferiens. El pulso aparece partido, con dos picos en la sístole, simulando ser doble. Es
propio de insuficiencia valvular aórtica grave.
o Pulso dícroto. Presenta dos picos, situándose el segundo en la diástole, no siendo más que una
onda diástolica exagerada. Se percibe en estados febriles, sobre todo de enfermedades
infecciones como gripe, fiebre tifoidea y neumonía.

Figura 2-13. Forma de onda de a) Figura 2-12. Forma de onda de pulso

Pulso bisferiens b) Pulso dícroto normal.
12
 Medición del ritmo cardíaco mediante Fotopletismografía 13

2.2 Breve historia de la medición del pulso arterial

2.2.1 Medicina Antigua
Sage Kanada, un médico, alquimista y filósofo de la antigua India, describe en su libro “Ciencia de
Sphygmica” una variedad de pulsos durante diferentes estados físicos y patológicos. Cada pulso tiene tres
etapas, y una anormalidad en alguna de ellas refleja enfermedades en alguno de los tres humores principales
del cuerpo humano, bayu/vata (aire), pitta (bilis) y kaph/kapha (flema).
Una antigua ciencia médica originada en la India y practicada desde tiempos de Buda (500 A.C.) es el
Ayurveda (conocimiento de la vida), en la cual la examinación del pulso es parte fundamental. Para las
examinaciones médicas se divide el cuerpo del paciente en ocho partes, la primera de las cuales es el pulso. Se
describe la metodología desde el punto de vista del examinador, el examinado y el método. La medicina
ayurvédica introdujo un método especial para medir el pulso, contándolo por pal, con cada 2.5 siendo
equivalentes a un minuto. Además, se describieron pulsos distintos para grupos de diferente edad.
En China el pulso fue estudiado durante dos siglos y medio, siendo reflejado como el principal medio de
diagnóstico en el Nei Ching, en el que la teoría del pulso está basada en la interacción de varias etapas del Yin
(enfermedad) y el Yang (salud). Los médicos de la China antigua eran capaces de juzgar el estado de una
enfermedad a partir de las características del pulso. Lo medían en ambas muñecas (al alba, cuando el Yin y el
Yang estaban equilibrados), estableciendo un ratio entre los latidos y la respiración del paciente para calificar
si el pulso era adecuado.
En la medicina egipcia se llegó a establecer una relación entre los latidos del corazón y la circulación
periférica. Se pensaba que el cuerpo humano tenía dos sistemas vasculares; las venas, que transportaban los
productos de la digestión del tracto digestivo a los demás órganos, y las arterias, que transportaban pneuma
(aire) desde los pulmones al resto del cuerpo.
La palabra arteria viene del griego αρτηρια, que parece derivarse de αηρ
que significa aire. Aunque Hipócrates (375 A.C) fue el primero que definió
las características del pulso, es Praxágoras (340 A.C) el primero que
recoge la examinación del pulso en la literatura griega (descubrió que el
pulso ocurre en las arterias, y no en las venas). Más adelante Erasístrato
(304-250 A.C A.C) descubre que arterias y venas no se mueven al mismo
tiempo, y relaciona el movimiento de las primeras con la contracción del
corazón. Sin embargo, se sigue creyendo que las arterias contienen aire,
mientras que la sangre sólo es transportada por las venas, y se piensa que el
pulso es inherente a las arterias y totalmente diferente del debido al
corazón. No será hasta la época de Galeno que se descubra que las arterias
contienen sangre además de aire) Contemporáneo de Erasístrato es
Herófilo (335-280 A.C), que construyó un reloj de agua o clepsidra para
examinar el pulso de sus pacientes, representado en la Figura 2-14 [8].
Ya en la época de Galeno se pensaba que el pulso tenía muchas
variaciones que había que estudiar por separado y podían servir para el
diagnóstico. Galeno (129-200 D.C) pensaba que la variación del pulso se
debía a distintas dilataciones de las arterias. Definió una gran cantidad de
pulsos en función de temperaturas, dolores, inflamaciones, convulsiones y
otro tipo de enfermedades. Asimismo, afirmó que la dilatación de las
arterias y la contracción del corazón eran simultáneos, y describió 27 Figura 2-14. Reloj de agua o
características para un pulso, todo lo cual, entre otras cosas, recogió en su clepsidra usado por Herófilo
obra de cuatro tomos De Pulsuum Differentiis. para medir el pulso arterial.

13
14
Antecedentes

2.2.2 Medicina Medieval

El pulso arterial continuó siendo una de las herramientas más importantes del diagnóstico y pronóstico en la
medicina medieval. Avicena (981-1037) creía como sus predecesores que la salud estaba basada en la
interacción entre cuatro diferentes humores (sangre, flema, bilis amarilla y bilis negra, representados en la
Figura 2-15 [8]). En su estudio del pulso, atribuyó la calidad del pulso a la interacción entre estos humores.
Siguiendo las creencias de los médicos griegos, creía que la contracción y dilatación del corazón y arterias eran
simultáneos, que las arterias contenían sangre y pneuma, y que había cuatro movimientos en el pulso arterial;
dos movimientos, y dos pausas, una después de cada movimiento. Categorizó el pulso basándose en diferentes
características y describió distintos pulsos basándose en estas categorías (tamaño de dilatación, duración de
cada movimiento, duración del pulso, temperatura, regularidad del ritmo, etc.). Se acercó al concepto de
arritmias estudiando la irregularidad del pulso, y definió tres aspectos fundamentales: potencia, resistencia y
elasticidad. Distinguió tipos de pulso según grupos de edad, o sexo; así como en función de estados físicos y
patológicos.
Maimónides (1135-1204) fue el primero en entender las arritmias
que encontró en sus exámenes, atribuyéndolas a una constitución
anormal de los humores del corazón. Además, relacionó el ritmo
del pulso con la gravedad de la enfermedad (a mayor
irregularidad, mayor gravedad). Desde el tiempo de los médicos
griegos se creía que el corazón humano estaba formado por
cuatro cámaras, con los ventrículos conteniendo sangre y las
aurículas aire. Ib al-Nafis fue el que descubrió la circulación
pulmonar de la sangre, y el intercambio de ésta entre las cámaras
a través de arterias y venas pulmonares.

2.2.3 Medicina Moderna

Desde el siglo XIII al XVI, en el que William Harvey (1578-
1657), profesor del Colegio de Médicos de Londes, descubrió la
circulación mayor, no hubo grandes avances en el estudio del
pulso arterial o la circulación.
Harvey, mediante experimentos en animales y personas, describió Figura 2-15. Los cuatro humores que
la circulación desde el corazón a las extremidades por las arterias, conformaban el cuerpo humano.
y la vuelta al corazón por las venas. Atribuyó la generación del
pulso a la contracción del ventrículo derecho con la fuente del latido en la aurícula derecha.
Por primera vez en la historia de la Medicina, afirmó que arterias y venas sólo contenían sangre. Sin embargo,
el descubrimiento de los capilares se debe a Marcello Malpighi, profesor de anatomía del siglo XVII.
Desde Herófilo, con su clepsidra hasta el siglo XVII no hubo indicios de que se contara el pulso. Bishop
Nicholas de Cusa (1401-464) recoge un método en el que se comparaba el pulso de una persona sana con el de
una enferma contando 100 pulsos de cada uno con un reloj de agua, y decidiendo en función del peso del agua
acumulada en la base del reloj en cada medida (persona sana y enferma). El descubrimiento del péndulo por
Galileo llevó al “pulsilogium”, ideado por Santorio Sanctorius (1561-1636).

14
 Medición del ritmo cardíaco mediante Fotopletismografía 15

Consistía en una escala de medidas y un péndulo que movía mientras notaba el pulso
con sus dedos, soltando o recogiendo cuerda hasta que el péndulo se moviese al
ritmo del pulso, anotando ese valor de la escala como el pulso. Una sencilla
representación del mecanismo se recoge en la Figura 2-16 [8].
Un siglo después del invento del pulsilogium, John Floyer (1649-1734) empezó a
medir el pulso como lo hacemos en la actualidad, con un reloj funcionando 60
segundos, y anotando el número de pulsos por minuto. Desde ese momento y hasta
el siglo XIX, multitud de experimentos se realizaron, como medir el pulso en
distintos momentos del día, o en gente con distinta altura; medir el pulso en personas
con diferentes grados de fiebre.
En el siglo XIX Jules Herisson ideó el esfigmómetro (Figura 2-17 [8]), compuesto de
un tubo de cristal con graduado que contenía mercurio con una bola de hierro en un
extremo, que al colocar sobre ésta una arteria, permitía medir la fuerza y el impulso
del vaso sanguíneo. Así, podíamos medir el pulso en términos de fuerza, regularidad
y ritmo. Doce años después (1847) Carl Ludwig inventó el quimógrafo (Figura 2-17
[8]), capaz de grabar variables
hemodinámicas. En 1860 Etienne
Marey revisó el esfigmógrafo para
Figura 2-16. desarrollar uno propio que permitía
Pulsilogium de grabar las medidas. Con él, realizó el
Sanctorius. primer estudio formal del pulso
arterial. Una nueva revisión del
esfigmógrafo fue realizada por
Mahomed (1849-1884), y usada para estudiar la forma y
presión de la onda de pulso en pacientes con diferentes
enfermedades. Fue el primero en definir la hipertensión. En
los inicios del siglo XX, se definieron muchas formas de pulso
basadas en los estudios de Hawthorne sobre el pulso con los
dos modelos de esfigmógrafo.
Las revisiones del esfigmógrafo llevadas a cabo por Marey y
Figura 2-17. Esfigmómetro (izquierda) y
Mahomed se muestran en la Figura 2-18 [8], donde aparecen
quimógrafo (derecha) [8].
ya mecanismos que empiezan a ser más complejos.

Con la llegada del esfigmomanómetro con manguito de Riva Rocci, la obtención e interpretación del pulso
periférico se hicieron mucho más sencillas. El manguito proporcionaba números en función de la presión
sistólica y diástolica.

Figura 2-18. Esfigmómetros de Marey (izquierda) y Mahomed (derecha).

15
16
Antecedentes

Los modernos estudios de la onda de pulso y la hemodinámica

(estudio de los mecanismos que rigen la circulación sanguínea) arterial
parten de estudios pioneros en los inicios de la era moderna, como los
de Stephen Hales que estudió los mecanismos de la circulación. Esta
investigación fue seguida por otros científicos, como Euler, que realizó
medidas cuantitativas de la hemodinámica arterial, pero fracasó a la
hora de proponer una fórmula que relacionase fuerzas mecánicas y la
onda de pulso arterial en el dominio del tiempo. Fourier introdujo la
idea de ver el pulso como una serie de ondas.
Durante la mitad del siglo XX, el estudio de la hemodinámica fue
continuado por Womersely y Nichols. Con los avances tecnológicos,
la transformada de Fourier y el dominio de la frecuencia ganaron
adeptos entre los científicos. Aunque el pulso en el dominio del tiempo
volvió a adquirir importancia con personalidades como O’Rourke, que
sostenía que el dominio del tiempo estaba apoyado por la perspectiva
histórica, y era necesario para la medida de algunas características.
Aun hoy existe controversia en cuanto al mejor método para aplicar al
entorno clínico.
Ya durante el siglo XIX, se habían continuado las investigaciones
acerca de la electricidad en los tejidos humanos y animales, llegando a
la conclusión de que una corriente eléctrica acompaña a cada latido.
El primer electrocardiograma realizado, con un galvanómetro capilar,
fue llevado a cabo a finales del siglo XIX por Auguste Waller.
Se definen las señales que forman el ECG (P, Q, R, S, T) y es
Einthoven el que normaliza el uso del galvanómetro para realizar las
medidas, y las diversas aplicaciones de éstas. Con el tiempo, la Figura 2-19. Angiografías de
fabricación del electrocardiógrafo se hace más compleja hasta llegar al mano y cerebro.
actual de 12 derivaciones, y al monitor Holter, una especie ade
mochila desarrollada por el médico de mismo apellido, y que permite registrar el ECG de quien lo porta.
Desde la invención de la pletismografía por Schmitt en la mitad del siglo XX, los avances en el estudio del
pulso adquirieron un ritmo vertiginoso. Muchos métodos surgieron en los últimos 50 años, como
pletismografía de impedancia, pletismografía de hilo caliente, tonometría de aplanación y grabación de la señal
de pulso con micrófonos de cristal. Aunque ambas sirven para medir la onda de pulso arterial, la
pletismografía ofrece un mayor número de técnicas de uso que la esfigmografía.
Durante las últimas décadas se han desarrollado multitud de métodos para medir características más o menos
concretas. La angiografía (arteriografía si está enfocada a arterias) permite obtener radiografías de los vasos
sanguíneos mediante la introducción de un catéter en una arteria periférica. Se puede observer un par de
ejemplos del uso de este método en la Figura 2-19 [8]. La ecografía Doppler se utiliza para estudiar el flujo de
sangre que pasa a través de las arterias, y conocer su cantidad, velocidad y consistencia.
En años recientes se ha estudiado intensivamente la presión del pulso, importante parámetro del pulso arterial
y significativo factor a incluir de cara a enfermedades cardiovasculares. Otro importante factor de riesgo al que
también se empezó a prestar atención recientemente es la rigidez de las arterias, que junto a la aterosclerosis
(depósito de sustancias grasas en el interior de las arterias), constituyen factores a tener en cuenta a la hora de
estimar dolencias cardiovasculares. Ambas están realacionadas con la disfunción endotelial, desequilibrio de la
biodisponibilidad de sustancias activas de origen endotelial (siendo el endotelio el tejido que recubre la zona
interna de los vasos sanguíneos, y que permite el intercambio de nutrientes y desechos).
Hoy en día, médicos y científicos siguen desarrollando nuevas técnicas para la obtención del pulso arterial y
sus características, que permitan avanzar en su comprensión de la mano de los avances tecnológicos y la
innovación.

16
 Medición del ritmo cardíaco mediante Fotopletismografía 17

2.3 El pulso arterial en la actualidad

En el apartado anterior se ha recogido de manera breve la evolución del estudio del pulso a lo largo de la
Historia, y su relación con otras propiedades cardíacas y patologías cardiovasculares, hasta llegar al presente.
En la actualidad, existen métodos estandarizados para medir la frecuencia cardíaca, que pueden ser
clasificados según parámetros como la precisión, complejidad, disponibilidad, portabilidad, si son o no
invasivos o incluso por el coste o tiempo de adquisición de los resultados. Otra clasificación se puede realizar
atendiendo al uso de estos métodos en el entorno médico, o meramente deportivo. En el primer caso,
normalmente se requerirán métodos con la máxima precisión posible (por lo que habitualmente serán más
complejos, caros, y resultarán menos accesibles para el común de los mortales al estar localizados en centros
médicos. En el segundo ámbito, la precisión no será tan crítica, lo que dará lugar a dispositivos más sencillos,
portables (necesidad de poder hacer deporte con ellos) y baratos.

2.3.1. El pulso en Medicina

A continuación, se describen algunos de los métodos más utilizados para medir el pulso en centros sanitarios.
La elección entre uno u otro dependerá mayormente de la gravedad de la situación del paciente, lo que influirá
en el grado de necesidad de mayor precisión, o tiempo de monitorización.

2.3.1.1. Palpación del pulso arterial

Este método consiste en la palpación de distintos puntos del cuerpo humano en los que es posible notar con los
dedos el latido de alguna arteria principal de nuestro organismo. El pulso se toma mediante la palpación de la
zona con la punta de los dedos índice y corazón contra un plano duro, notando una onda con una fase
ascendente y otra descendente. Se debe evaluar su frecuencia (braquicardia, taquicardia), amplitud y
regularidad (posibles arritmias). Los pulsos tomados con más frecuencia son el radial (cara interna de las
muñecas, es el más común en la práctica clínica, Figura 2-20 [7]), el carotídeo (arteria carótida, a ambos lados
de la tráquea, en la parte anterior del esternocleidomastoideo) y el femoral (arteria principal de las
extremidades inferiores).

Figura 2-20. Palpación de pulso radial.

17
18
Antecedentes

2.3.1.2. Auscultación
La auscultación es el proceso clínico de exploración física consistente en escuchar de manera directa o
valiéndose de algún tipo de instrumento (normalmente un fonendoscopio o estetoscopio) el área torácica o
abdomen de un paciente, para valorar la existencia de sonidos normales o asociados a alguna patología (Figura
2-21 [9]). Existen tres maneras principales de auscultar a un paciente:
 Auscultación inmediata. Consiste en aplicar directamente la oreja sobre la pared corporal del
paciente. Está prácticamente abandonada.
 Auscultación mediante trompa. Se emplea un tubo rígido con forma de trompeta, aplicando la parte
más ancha sobre el cuerpo del paciente, y el extremo más estrecho en el oído del médico. Se utilizaba
antiguamente para la auscultación fetal, sustituida por la ecografía.
 Auscultación mediante estetoscopio o mediata. La auscultación más extendida, su uso es universal
por ser más precisa que las anteriores. Se aplica la membrana del aparato sobre el cuerpo del paciente,
conectada mediante unos tubos a unos auriculares que se coloca el médico. De esta manera se
optimiza la acústica para que el médico reciba mejor los sonidos.
Con este método puede apreciarse la existencia de soplos en el corazón (ruidos ásperos durante el latido
cardíaco por flujos turbulentos y desiguales).

Figura 2-21. Auscultación con estetoscopio.

2.3.1.3. Esfigmomanómetro (esfingomanómetro)

También conocido como tensiómetro, es un instrumento médico empleado para la medición indirecta de la
presión arterial (en mmHG o milímetros de mercurio), con el que podemos obtener información acerca del
pulso; ya que consiste en un sistema de brazalete inflable, manómetro y estetoscopio (cuyo diafragma estará
situado en la arteria braquial) para auscultar los sonidos de Korotkoff (sistólico y diastólico). El hecho de
medir la presión de manera indirecta lo convierte en un método no invasivo, frente a la medición invasiva
mediante cateterismo arterial, que sería el método para obtener medidas directas. Su funcionamiento consiste
en inflar el brazalete con un dispositivo que bombee aire hasta que oprima el brazo, para a continuación medir
la presión dentro del aire del brazalete con el manómetro. Brazalete y manómetro se encuentran unidos por un
manguito de goma, y permiten calcular los valores extremos de la presión debida al flujo sanguíneo. Existen
varios tipos de esfigmomanómetro: de columna de mercurio (en desuso), aneroides (la aguja del manómetro es
empujada por resortes interiores, Figura 2-22) y digitales (menos precisos pero más fáciles de operar).

18
 Medición del ritmo cardíaco mediante Fotopletismografía 19

Figura 2-22. Esfigmomanómetro aneroide.

2.3.1.4.2.1.1.4. Swan Ganz.

El catéter de Swan Ganz es una técnica que permite monitorizar parámetros hemodinámicos fundamentales
para el control de un paciente en estado crítico más allá de la frecuencia cardíaca; como la presión en las
cavidades y grandes vasos, cálculo de gasto cardíaco, flujo sanguíneo y actividad cardíaca. Debido a que es un
método muy invasivo, se hace más a menudo en personas cuyo estado es grave.
También conocido como cateterismo cardíaco derecho (debido al lugar donde se toman las medidas), el
procedimiento consiste en pasar una sonda delgada (o catéter) hasta el lado derecho del corazón y las arterias
que van a los pulmones. Insertando el catéter en una vena tras una incisión en la piel del cuello o la ingle, se
arrastra hasta que se ubique dentro de la arteria pulmonar. Durante el procedimiento, el ritmo cardíaco del
paciente se monitoriza continuamente mediante un electrocardiograma (ECG) [10].
Con una longitud de 1,5 metros, y varias luces y dispositivos para realizar las mediciones y actuar en
consecuencia, aún se plantean dudas sobre su uso en la práctica clínica por su posible relación con el aumento
de la mortalidad, y la aparición de nuevas técnicas con una probable menor morbimortalidad, como la
ecocardiografía. Una representación de este tipo de catéter se muestra en la Figura 2-23 [11]).
Otra técnica que requiere de la introducción de un catéter, más enfocada a la detección y tratamiento de
enfermedades cardiovasculares (más que a la medida de parámetros como el pulso) como aneurismas o
bloqueo de vasos sanguíneos por placa, es la angiografía. Mediante este método, de diagnóstico por imágenes,
se consigue usando un catéter, una guía de rayos X, y una inyección de material de contraste, examinar vasos
sanguíneos en áreas claves del organismo obteniendo imágenes muy precisas y detalladas de vasos sanguíneos
no visibles mediante la radiología convencional. Menos invasivo que el Swan Ganz, ayuda a diagnosticar y
tratar enfermedades, pudiendo eliminar la necesidad de una cirugía.

19
20
Antecedentes

Figura 2-23. Catéter Swan Ganz.

Una última técnica más encaminada también al diagnóstico de enfermedades en función de parámetros
cardiovasculares que a la mera medida de la frecuencia cardíaca es la tomografía computerizada (TC) del
corazón. Entre otros usos, se puede emplear para realizar angiografías coronarias por TC (ACTC), inyectando
un material de contraste para examinar mediante exploración por TC las arterias que irrigan sangre al corazón
(y detectar problemas como acumulación de placa). En general, se trata de un método imagenológico que
utiliza rayos X para la creación de imágenes detalladas del corazón y los vasos sanguíneos con las que detectar
anomalías estructurales del corazón o de los vasos sanguíneos principales.

2.3.1.5.2.1.1.5. Ecocardiografía Doppler.

La ecocardiografía (ultrasonido cardíaco o ecocardiograma es una técnica sanitaria que emplea estándares de
ultrasonidos (ecografía) para producir imágenes en dos dimensiones del corazón (actualmente los hay que
pueden proporcionar imágenes 3D en tiempo real). Al ser un tipo de ecografía, su funcionamiento es el mismo
que el de ésta, utilizando ondas sonoras en el rango de los ultrasonidos (similares a las audibles pero con
frecuencia demasiado elevada para ser captadas por el oído humano medio) que, dirigidas al corazón, chocan
contra él y rebotan permitiéndonos captar imágenes del corazón en movimiento, y de sus estructuras. Además
de obtener imágenes más detalladas que las de una radiografía simple, este método no necesitar irradiar al
paciente, siendo además indoloro y no invasivo. Para obtenerla se usa un electrocardiógrafo, formado por
transductor (para captar imágenes), pantalla (en la que se recogen las imágenes del transductor) y ordenador.
Un caso especial es la ecocardiografía Doppler, mostrada en la Figura 2-24 [12]), que permite usar el efecto
Doppler (consistente en que cuando un objeto se aleja o acerca a un observador, el sonido que emite varía su
frecuencia, siendo más agudo o grave según se esté acercando o alejando) para estudiar los flujos sanguíneos
dentro del corazón. Se consigue gracias a que los ultrasonidos que rebotan en la sangre serán diferentes según
la dirección y velocidad del flujo de ésta, por lo que estas variaciones se pueden medir e interpretar.
Más allá de los usos definidos, la ecografía resulta especialmente útil para monitorizar los latidos fetales
durante el embarazo, siendo capaces de observar el flujo cardíaco del feto y de esta manera detectar cualquier
problema cardíaco [13].

20
 Medición del ritmo cardíaco mediante Fotopletismografía 21

Figura 2-24. Ecocardiograma Doppler.

2.3.1.6.2.1.1.6. Oxímetría de pulso (pulsioximetría)

La pulsioximetría es un método no invasivo y barato que permite determinar de manera indirecta, mediante el
uso de un pulsioxímetro (u oxímetro de pulso o saturómetro), la frecuencia cardíaca y la saturación de oxígeno
que se encuentra en la sangre de un paciente.
En su modo de aplicación más común se coloca el dispositivo en una parte del cuerpo con buen flujo
sanguíneo y relativamente translúcido (como el lóbulo de la oreja o el extremo de un dedo). El pulsioxímetro
emite dos longitudes de onda de luz a través de la parte del cuerpo donde se ha colocado, que pasarán del
emisor a un fotodetector donde se medirá el cambio de absorbancia de cada longitud de onda causada por la
sangre arterial (excluyendo la sangre venosa, piel, músculos, huesos y grasa). Una alternativa, menos común,
es la de oximetría de pulso de reflectancia (que no requiere partes del cuerpo tan estrechas, pero más proclive a
dar lugar a componentes espúreas). En la Figura 2-25 se puede ver un pulsioxímetro comercial.
Del método que subyace tras esta técnica, que no es otro que el de la fotopletismografía (PPG), tema central de
este proyecto fin de carrera, se hablará más detenidamente en el Capítulo 4. Por el momento será suficiente
comentar que el oxímetro de pulso típico usa dos diodos emisores de luz, uno con longitud de onda roja (660
nm) y otro infrarrojo (940 nm), gran parte de la cual es absorbida por el tejido conectivo, piel, hueso y la
sangre de las venas. La luz infrarroja es absorbida por la hemoglobina oxigenada (pasa más luz roja) y la roja
es absorbida por la hemoglobina desoxigenada (pasa más luz infrarroja). En el extremo opuesto (o el
adyacente, según la técnica de PPG usada) se coloca un fotodetector que controlará la cantidad de luz que no
ha sido absorbida (luz transmitida o reflejada, según el método) y producirá en consecuencia una señal que
fluctúa en el tiempo con el latido cardíaco y que permitirá calcular de manera indirecta tanto la frecuencia
cardíaca, como la proporción de SpO_2 (porcentaje de moléculas de hemoglobina unidas al oxígeno). Esta
última se halla mediante la relación entre hemoglobina oxigenada y desoxigenada, convirtiéndola en
porcentaje mediante una tabla de búsqueda basada en la ley de Beer-Lambert (que relaciona la atenuación de
la luz con las propiedades del material por el que viaja) y correcciones empíricas para aumentar su precision
[14].

21
22
Antecedentes

A pesar de las ventajas que presenta la pulsioximetría, siendo un método barato y no invasivo que permite
calcular la concentración de oxígeno en sangre de manera bastante fiable, tiene una serie de limitaciones como
pueden ser lecturas del oxímetro inexactas en pacientes con dolencias como hipoxias graves, anemias intensas
o perfusiones deficientes (la sangre no llega bien a las extremidades); intoxicaciones por gases que se unan a la
hemoglobina en lugar de oxígeno; o elementos que dificulten la captación de la luz, como uñas sintéticas,
suciedad, tatuajes, laca de uñas o incluso pieles con tonos oscuros. Por otra parte, es una técnica muy sensible
a movimientos del paciente (motion artifacts), que pueden afectar a la señal recibida, y por tanto, falsear las
medidas registradas.

Figura 2-25. Pulsioxímetro con medidas de frecuencia

cardíaca y concentración de oxígeno en sangre.

2.3.1.7.2.1.1.7. Electrocardiografía
El movimiento del músculo cardíaco tiene su origen en la actividad eléctrica del corazón. La
electrocardiografía es el método por el cual se amplifican estos impulsos eléctricos con el objeto de
registrarlos, y la representación gráfica de estos datos en función del tiempo se denomina electrocardiograma
(ECG o EKG, del alemán Elektrokardiogramm), permitiendo observar la evolución del voltaje durante el ciclo
cardíaco. Se obtiene desde la superficie corporal, en el pecho, usando un electrocardiógrafo, aparato
electrónico que capta y amplía la actividad eléctrica del miocardio a través de electrodos conectados en las 4
extremidades y en 6 posiciones precordiales (regiones del pecho correspondiente al corazón). Las diferentes
colocaciones de los electrodos están estandarizadas, y en función de la combinación de éstos se puede hablar
de las derivaciones de un ECG. Se entiende como derivación la medida de voltaje entre dos electrodos, y cada
derivación del ECG utiliza una combinación diferente de electrodos para medir distintas señales del corazón
(algo similar a fotos del corazón desde ángulos distintos). Con los 10 electrodos mencionados anteriormente se
realiza el ECG estándar de 12 derivaciones (Figura 2-26 [12]).
Como ya se ha descrito anteriormente, el corazón genera automáticamente un impulso eléctrico que se
transmite por las distintas partes del corazón y provoca potenciales de acción. Estos potenciales son los que
registra el ECG, y pueden observarse en la Figura 2-27 [15].
El ECG es una señal ampliamente conocida, con una forma característica que ha sido exhaustivamente
estudiada. Por lo tanto, es ampliamente utilizada para valorar la condición del corazón de manera no invasiva.
Entre otros usos, esta prueba se lleva a cabo para evaluar el estado del sistema de conducción del corazón y del
músculo, para evaluar el funcionamiento de éste como bomba, y para determinar la aparición de ritmos
patológicos causados por daños en el tejido conductor de los impulsos eléctricos, o fenómenos no cardíacos.

22
Medición del ritmo cardíaco mediante Fotopletismografía 23

Figura 2-26. ECG de 12 derivaciones a partir de 10 electrodos

conectados al paciente.

Figura 2-27. Asociación de la anatomía del corazón a los impulsos eléctricos asociados.

23
24
Antecedentes

La Figura 2-28 [16] muestra la representación del electrocardiograma asociado a un latido. Como se puede
observar, está compuesto por ondas y segmentos sobre la línea base (eje eléctrico). El trazado tipo de un
electrocardiograma que registra un latido cardíaco normal está formado por una onda P, un complejo QRS y
una onda T. La onda U normalmente es invisible. Estos son los eventos eléctricos, que corresponden a eventos
mecánicos de contracción y relajación de las cámaras del corazón.
La onda P es la señal eléctrica producida por la despolarización auricular que conlleva la contracción. Su
amplitud normal es inferior a 25 mv, y su duración debe estar entre 0,07 y 0,11 segundos. Esta onda va seguida
del segmento PR, que representar el tiempo que tarda el impulso eléctrico en viajar de la aurícula al ventrículo
(espera importante para que la sangre pueda moverse hacia el ventrículo desde la aurícula).
El complejo QRS es consecuencia de la superposición de las señales eléctricas producidas durante la
contracción ventricular (despolarización ventricular). Constituye un segmento característico a la hora de
detectar la frecuencia cardíaca, y su amplitud es mayor debido a que el área muscular encargada de bombear
sangre es mucho más poderosa en el ventrículo. Tiene una duración normal de 60 a 120 milisegundos.
 La señal Q (negativa) representa la pequeña corriente del potencial de acción viajando a través del
septum interventricular.
 Las señales R (deflexión positiva) y S (onda negativa que sigue a la onda R) indican la contracción del
miocardio.
 El segmento ST refleja el inicio de la repolarización ventricular, que continúa durante la onda T, señal
eléctrica positiva asociada a la relajación de los ventrículos (diástole) que anuncia la apertura de las
válvulas para el inicio de un nuevo ciclo.
Por tanto, se puede afirmar que la sístole es el intervalo definido entre el inicio del complejo QRS y el fin de la
onda T, mientras que la diástole ventricular es la fase que se inicia con el final de la onda T, y termina justo
antes del comienzo del complejo QRS [17].

Figura 2-28. Electrocardiograma de un latido y sus partes.

24
 Medición del ritmo cardíaco mediante Fotopletismografía 25

Como se ha comentado, la onda R es la primera deflexión positiva del complejo QRS, siendo la de mayor
potencial, y por tanto la más reconocible. El intervalo RR es el intervalo de tiempo transcurrido entre dos
ondas R consecutivas, y se utiliza para obtener información acerca de la frecuencia cardíaca instantánea,
proporcionando así una alternativa no invasiva para el estudio de la variabilidad de ritmo cardíaco y el sistema
nervioso autónomo. En la Figura 2-29 [17], se puede observar este interval, así como las distintas fases de un
ciclo cardíaaco sobre la señal del ECG.

Figura 2-29. Sístole, diástole e intervalo RR en un ECG.

Un tipo específico de electrocardiógrafo es el holter, dispositivo electrónico de pequeño tamaño que registra y
almacena el ECG de un paciente durante al menos 24 horas sin necesidad de que éste esté en el hospital. Del
tamaño de un móvil, lleva conectado varios electrodos que se colocan en el tórax del paciente, y se usa una
banda de sujeción para sujetarlo sobre el hombro o alrededor de la cintura (Figura 2-30). De esta manera se
puede registrar la actividad eléctrica durante un largo período de tiempo, tras el cual se descargan los datos
recogidos, y se procesan y analizan para obtener información de vital importancia para pacientes aquejados de
alguna dolencia cardíaca tales como arritmias o faltas de riego sanguíneo del músculo cardíaco.

Figura 2-30. Holter.

25
26
Antecedentes

2.3.2. El pulso en el Deporte

La frecuencia cardíaca es un parámetro usado habitualmente para determinar la intensidad de un
entrenamiento o actividad, primordial para estar seguros de que se realiza un trabajo adecuado. Los
dispositivos más utilizados actualmente para monitorizar este parámetro pueden dividirse en dos grupos
principales [18]:
 Bandas pectorales.
Las bandas pectorales tradicionales hacen uso de electrodos, por lo que se basan en la
electrocardiografía para la medición (el corazón late, envía una señal eléctrica que los electrodos
recogen y envían a su vez al microprocesador de estas bandas que monitoriza y calcula la frecuencia
cardíaca). Colocadas en el pecho, lo que favorece la medición, proporcionan una mayor precisión
frente a otras alternativas.
 Pulsómetro de sensor óptico.
Basados en la fotopletismografía, normalmente se utilizan LEDs verdes combinados con fotodiodos
sensibles a la luz para detectar la cantidad de sangre que fluye a través de una parte del cuerpo, en la
mayoría de los casos, la muñeca (wearables tipo pulsera). En la medición influyen una gran cantidad
de factores, como el ajuste del dispositivo, el tono y la perfusión de la piel (cuánta sangre fluye), el
tipo de actividad realizada (muy sensible a movimientos), el sudor, o incluso la temperatura. En la
actualidad se están llevando a cabo investigaciones que proponen la sustitución de los dispositivos de
tipo pulsera por dispositivos para el oído, donde la interferencia fisiológica es menor, y se obtiene
mediciones más precisas, especialmente en aquellos ejercicios donde los brazaletes están
continuamente en movimiento, y arrojan medidas poco fiables.
En la Figura 2-31 se muestran ejemplo de cada uno de los dos métodos mencionados [19].

Figura 2-31. Banda pectoral y pulsómetro (izquierda), y pulsómetro por fotopletismografía

(derecha).

Equation Chapter (Next) Section 1

26
 Medición del ritmo cardíaco mediante Fotopletismografía 27

3 ALTERNATIVAS NOVEDOSAS PARA LA

OBTENCIÓN DEL PULSO

El progreso de la medicina nos depara el fin de aquella

época liberal en la que el hombre aún podía morirse de
lo que quería”.
- Stanislaw Jerzy Lec -

E
L electrocardiograma se ha convertido en una herramienta imprescindible para el diagnóstico médico,
más allá de la simple medida del ciclo cardíaco. La evolución del electrocardiógrafo no ha hecho sino
afianzar el predominio de esta técnica frente a otras alternativas en la medicina clínica; al ser inmediata,
precisa y no invasiva. Sin embargo, avances en diversas disciplinas han conseguido que un dispositivo como el
pulsioxímetro se haya extendido ampliamente por las distintas secciones de un hospital, sustituyendo incluso
al ECG en algunas situaciones; y que diferentes técnicas empiecen a alcanzar un grado de madurez suficiente
para que se les empiece a considerar como alternativas de futuro a la hora de monitorizar la frecuencia
cardíaca. Se exponen a continuación algunas de las más significativas.

3.1 Seismocardiografía
La seismocardiografía es una técnica basada en la medición de las vibraciones transmitidas a la pared torácica
por el corazón durante su movimiento. La medida de estas vibraciones se denomina seismocardiograma
(SCG), y se realiza de forma no invasiva mediante acelerómetros. Mientras el ECG nos proporciona
información sobre el aspecto eléctrico del corazón, señales como la del SCG nos permiten echar un vistazo a
su aspecto mecánico.
El término seismocardiograma se deriva de la palabra sismograma, registro de los movimientos del suelo
(sísmicos) utilizado en sismografía para estudiar terremotos y ondas elásticas originadas en el interior y
superficie de la Tierra. De hecho, la primera aplicación del SCG consistió en la obtención con un instrumento
para registrar movimientos de la tierra de señales cardíacas generadas por la vibración del cuerpo. Sin
embargo, el primer uso de la palabra seismocardiograma no se registra hasta 1960, fruto del trabajo de unos
investigadores rusos (Baevski y Bozhenko) que utilizaron acelerómetros para medir la aceleración proveniente
de las vibraciones cardíacas. Aplicando esta tecnología para monitorizar la salud en el programa aeroespacial,
consiguieron además monitorizar de manera simultánea el ECG y el SCG, lo que permitió analizar las
componentes sistólicas y diástolicas del SCG, y relacionar ambas señales [20].
Hasta 25 años más tarde no se introdujo por primera vez en medicina clínica, y tuvo una implementación lenta
debida a las dificultades de las medidas (sensores pesados y ambiente muy controlado) que despegó debido al
desarrollo de acelerómetros miniaturizados, a su mayor sensibilidad frente al ECG para la detección de
enfermedades de arterias coronarias, a su compatibilidad con el ECG para combinar las medidas, y a la
información sobre los eventos del ciclo cardíaco que proporciona.
27
28
Alternativas novedosas para la obtención del pulso

EL SCG se puede obtener de manera no invasiva mediante la colocación de un acelerómetro en la zona

precordial del pecho del paciente (en la apófisis xifoides normalmente, extremo inferior del esternón). En la
actualidad, acelerómetros triaxiales nos permiten observar las componentes del SCG en los tres ejes (siendo la
más importante la dorsal-ventral, correspondiente a la componente sagital y que se suele configurar para que
sea el eje z). La señal del SCG es cuasiperiódica, componiéndose de varias ondas que corresponden a diversos
eventos del ciclo cardíaco. En cuanto a la frecuencia, existen dos vertientes con respecto al intervalo del
espectro que abarca el SCG, debido a que los acelerómetros empleados son capaces de barrer el espectro desde
0 Hz a frecuencias por encima de 1 KHz. La primera vertiente sostiene que el SCG pertenece a la gama
infrasónica (por debajo de los 25 Hz), mientras que la segunda sostiene que la señales de fonocardiograma
(PCG), en el intervalo por encima de 25 Hz, deberían considerarse seismocardiogramas de alta frecuencia.

Figura 3-1. a) ECG b) SCG

La señal del SCG contiene varios puntos notables, como se puede observar en la Figura 3-1 [21]. La onda
ATC se correspondería con la contracción auricular, siendo MC el cierre de la válvula mitral. IM es la
contracción ventricular isovolumétrica, mientras que la onda AO es la apertura de la válvula aórtica. AC
corresponde al cierre de la válvula aórtica, MO la apertura de la válvula mitral, y finalmente RF el llenado
rápido del ventrículo izquierdo.
La forma de la onda SCG está influenciada por la respiración, y varía considerablemente de sujeto en sujeto.
La frecuencia cardíaca se puede calcular a partir de esta señal de dos maneras: mediante la búsqueda del inicio
de cada latido para calcularla por intervalo entre latidos (identificando principales deflexiones positivas y
negativas de cada latido, puntos AO, IM y AC), y a partir de la transformada de la señal.
En cuanto a los usos actuales del SCG en la medicina clínica, se pueden encontrar aplicaciones en las
siguientes áreas [22]:
 Determinación de variabilidad de ritmo cardíaco.
 Diagnóstico de enfermedades de arterias coronarias e isquemias
 Optimización de terapias de resincronización cardíaca.
 Monitorización de frecuencia cardíaca.
 Tratamiento de emergencia de infartos de miocardio.

28
 Medición del ritmo cardíaco mediante Fotopletismografía 29

Por último, se identifican sus fortalezas e inconvenientes a la hora de aplicar esta técnica en medicina clínica.
Ventajas:
 Bajo costo de adquisición de HW y sensores.
 Facilidad, repetibilidad, y automatización de la adquisición de datos, sin necesidad de electrodos.
 Alta probabilidad de automatización de análisis. Diagnóstico similar al ECG, e integración fácil con el
ECG de 12 derivaciones.
Inconvenientes:
 Onda compleja difícil de interpretar.
 Larga historia en cardiología con una desafortunada connotación de tecnología obsoleta.
 Variabilidad significativa de la morfología de la onda según el paciente tratado.
 Aún se encuentra en fases tempranas de desarrollo con tecnología y capacidad de computación actual.

3.1.1 Balistocardiograma

El balistocardiograma es una señal que mide también señales de vibraciones generadas por el corazón, aunque
se ha erigido como un campo de investigación independiente del SCG. En este caso, las ondas se generan por
la circulación de la sangre, en concreto por la eyección de la sangre por el corazón en cada contracción.
Alguna de las componentes de la BCG pueden ser detectadas por los acelerómetros SCG junto con las
vibraciones precordiales durante la sístole y diástole del ciclo cardíaco.

3.2 Fonocardiografía
Los sonidos del corazón son el resultado de la interacción de los eventos dinámicos del ciclo cardíaco
asociados a la contracción y relajación de aurículas y ventrículos, los movimientos de las válvulas y el flujo
sanguíneo. Estos sonidos pueden ser escuchados desde el pecho a través de un estetoscopio, realizando una
auscultación cardíaca, método que sirve para la evaluación de la intensidad, frecuencia, duración, número y
calidad de los latidos del corazón. Sin embargo, la auscultación tradicional implica un diagnóstico subjetivo
por parte del médico.
Con la ayuda de dispositivos electrónicos (micrófonos de alta sensibilidad), se consigue de manera no invasiva
una representación gráfica de las grabaciones de los sonidos del corazón. Esta técnica se conoce como
fonocardiografía. Las mejoras en la microelectrónica analógica y digital han llevado al desarrollo del
estetoscopio electrónico y sus funcionalidades, abriendo las posibilidades de uso de la auscultación cardíaca.
En un fonocardiograma (PCG) generalmente se pueden identificar dos sonidos: S1 “lub”, el más grave de los
dos, vibración debida al movimiento de la sangre durante la sístole ventricular, al cierre de válvulas mitral y
tricúspide y a posterior apertura de las válvulas pulmonar y aórtica; y S2 o “dub”, más breve y agudo, debido a
la desaceleración y flujo reverso de sangre en la aorta y arteria pulmonar, y apertura de tricúspide y mitral. La
separación entre ambos ruidos (sístole) es de unos dos tercios de su separación diástolica (intervalo entre fin de
S2 y principio de S1 constituye la diástole). Todas estas características se pueden observar en la Figura 3-2.
Para recoger el PCG se necesita un transductor que transforme la onda acústica en una señal eléctrica
proporcional, que será un estetoscopio o fonendoscopio electrónico.

29
30
Alternativas novedosas para la obtención del pulso

Figura 3-2. Fonocardiograma.

Aparte de los sonidos cardíacos normales, sonidos anormales llamados soplos o murmullos también pueden
ser registrados. Ejemplos de fonocardiogramas con soplos pueden verse en la Figura 3-3 [23] [24]. Aunque la
distinción entre ellos no es estricta, se puede afirmar que los sonidos normales son más rítmicos y tienen una
duración más corta, mientras que los soplos tienen un carácter predominantemente ruidoso, y por lo general
una duración más larga. Con respecto a su origen, se cree que los sonidos del corazón se deben a fenómenos
de resonancia de las estructuras cardíacas y la sangre, siendo consecuencia los murmullos de turbulencias en el
flujo sanguíneo. Mientras los sonidos normales se utilizan para determinar la frecuencia cardíaca, los soplos,
con características espectrales distintas, pueden ser filtrados para diagnosticar anomalías del corazón.

Figura 3-3. Fonocardiogramas con soplos.

30
 Medición del ritmo cardíaco mediante Fotopletismografía 31

En resumen, la fonocardiografía es el registro de los fenómenos audibles provocados por la acción mecánica
del corazón, cuya frecuencia se sitúa entre los 20 y los 1000Hz. Con fines de diagnóstico médico, esta técnica
graba los sonidos, a veces en presencia de otras señales como el ECG, con el objeto de examinarlas y
establecer patrones que puedan ayudarnos a detectar anomalías cardíacas en comparación con registros de
onda de los bancos de datos.

Las ventajas e inconvenientes de esta técnica son:

Ventajas:
 Técnica inofensiva y no invasiva.
 Configuración sencilla, y experiencia relativamente baja para la preparación del sistema y la
adquisición de señales.
 La grabación requiere una única sonda y no utiliza cables.
 El tiempo utilizado para tomar la grabación es menor en comparación con el ECG.
 Las señales PCG no tienen tantos factores que puedan afectar a su morfología.
 El oído humano tiene una alta capacidad de reconocer patrones en los fenómenos acústicos.
Inconvenientes:
 Ruidos indeseables de otras partes del cuerpo, y del entorno circundante.
 Normalmente una grabación no suele ser suficiente.
 El análisis de la señal sí requiere una elevada experiencia y habilidad.
 Método que se encuentra actualmente en desuso frente a otras alternativas.

En la actualidad, los sensores que se utilizan para la obtención del fonocardiograma son inalámbricos, usando
tecnologías WSN (Wireless Sensor Network). Centrados especialmente en la tecnología Bluetooth. La ventaja
de usar este protocolo frente a alternativas como WiFi o Zigbee es que permite una muy alta velocidad de
datos, a costa de necesitar procesadores de alto rendimiento que consumen mucha energía, tienen una vida
corta de batería, y tienden a ser más caros [24].

3.3 Medición con sonda de fibra óptica

Esta técnica consiste en un sistema de fibra óptica que realiza mediciones no invasivas de la frecuencia
cardíaca y la respiración por medio de una sonda de medida basada en la red de Bragg (Brag Grating, FBG), y
encapsulada en PolyDiMethylSiloxane (PDMS), un polímero con propiedades únicas y útiles para el
tratamiento de señales biomédicas. La sonda de medida es una parte de la banda de contacto que se coloca en
el pecho del paciente, y se basa en la detección del movimiento de la cavidad torácica del paciente durante la
respiración. Los datos de la frecuencia cardíaca y la respiración se analizan usando evaluación espectral de las
señales obtenidas.
Las redes de Bragg son los sensores de fibra óptica más comunes debido a sus características espectrales.
Cambios repetidos en el índice de refracción en el núcleo de la fibra crean la red, haciendo que la reflexión de
una determinada longitud de onda (longitud de onda de Bragg) ocurra periódicamente. Las redes de Bragg son
sensores de un solo punto [25].

31
32
Alternativas novedosas para la obtención del pulso

Figura 3-4. Diagrama de medición con sensores FBG y fibra óptica

La sonda de medida consiste en la FBG con la protección del polímero PDMS, que hacen que la longitud de
onda de Bragg sea de 1554.1207 nm, con una anchura del espectro reflejado de 2.3241 nm y una reflectividad
del 95.7 %. Un LED de espectro amplio (con longitud de onda central de 1550 nm) usado como fuente de luz,
y un OSA (Analizador de Espectro Óptico) se usan para monitorizar los parámetros. El método de medida más
efectivo es colocar la banda de contacto alrededor del pecho del paciente, para que esté en el área del corazón.
El LED de espectro amplio asegura una fuente de radiación de luz. La medida está basada en la detección del
ensanchamiento de la caja torácica del paciente durante la respiración. El movimiento se transfiere a la FBG
mediante la banda y las señales respiratoria y cardíaca se analizan mediante la evaluación espectral de las
mismas. En función de los cambios medidos de la longitud de frecuencia de Bragg, se puede buscar la
frecuencia dominante mediante el análisis de la transformada de Fourier de la onda dada. En el caso de la
frecuencia cardíaca, antes se debe filtrar la señal respiratoria mediante un filtro paso banda IIR (filtro de
respuesta infinita), con frecuencias de corte inferior y superior de 1 y 5Hz respectivamente. Señales
respiratorias y de frecuencia cardíaca obtenidas con el sensor FBG se muestra en la Figura 3-5.
Las principales ventajas incluyen el ser inerte para la piel (el método es completamente dieléctrico, totalmente
seguro para el paciente), y ser inmune a las interferencias electromagnéticas. Además de esto, se trata de un
método que destaca por su durabilidad mecánica, así como por su estabilidad frente a la temperatura.
Por otra parte, es una técnica cuya funcionalidad no depende de la postura adoptada durante la medición, pues
se han realizado pruebas en varias posiciones diferentes, no encontrándose diferencias significativas entre las
medidas obtenidas.
Aunque la monitorización de señales mediante la transformada de Fourier no es para nada desconocido, es una
técnica relativamente novedosa, por lo que no se han investigado todos los aspectos que podrían influir en la
observación de las señales, necesitándose una caracterización exhaustiva del método expuesto, así como su
comparación con otros sensores existentes.

32
 Medición del ritmo cardíaco mediante Fotopletismografía 33

Figura 3-5. Señal respiratoria (arriba) y de frecuencia cardíaca (debajo) obtenidas con el
sensor FBG, y sus correspondientes transformadas de Fourier.

3.4 Termometría de infrarrojos en auricular

Aplicaciones recientes que utilizan sensores en el oído se encuentran con las limitaciones que provocan los
motion artifacts (MA, interferencias por el movimiento), que corrompen la señal. La termografía por
infrarrojos es una técnica sin contacto directo que puede minimizar los efectos de estos artefactos, con una
experiencia más cómoda para el usuario y un menor consumo.
Una de las técnicas que mejores resultados ofrece es una termografía de infrarrojos diferencial, que detecte la
frecuencia cardíaca en la aurícula, realizando un análisis de la señal basado en la transformada continua
Wavelet, y la extracción de características en el dominio de la frecuencia.
El problema de los wearables de muñeca son los artefactos debido al movimiento de los brazos. En este
aspecto tiene ventaja la tecnología aplicada a los auriculares (zona más estática). La tecnología infrarroja
puede disminuir estos MA manteniendo la calidad de la señal y reduciendo el consumo de batería
significativamente. De esta manera, se podrá obtener la frecuencia cardíaca mediante la medida de los cambios
en el flujo de calor desde el oído al ambiente exterior (que pueden ser medidos por la termometría de
infrarrojos).

33
34
Alternativas novedosas para la obtención del pulso

La mejor ubicación se decide en base a la distribución de las arterias y el tejido en el oído, buscando un lugar
donde el flujo de calor sea significativo. Fruto de la investigación, se ha determinado que estos sitios son el
tragus y la cavus conchae, lugares con riego sanguíneo directo procedente de la arteria temporal superficial
(STA) y la arteria auricular posterior (PAA). Estas ubicaciones se pueden ver en la Figura 3-6 [26]

Figura 3-6. A) En verde, la zona del tragus. En azul, la de la cavus conchae. B)

Receptáculos para los sensores que obtendrán la señal en una y otra zona respectivamente.

El cuerpo humano se considera un cuerpo negro radiador de radiación infrarroja con cambios en la
temperatura en el rango 0,5-4 Hz. Los detectores más apropiados en términos de relación señal a ruido y ancho
de banda son los detectores térmicos. Para medidas de un solo punto, los sensores de termopila o piroeléctricos
ofrecen el mejor rendimiento. Se usará un sensor de termopila ya que los piroeléctricos puede añadir artefactos
a la señal.

En cuanto a las ventajas e inconvenientes de esta técnica de medida, se puede observar

Ventajas:
 Los auriculares son más cómodos que los electrodos usados para el ECG y menos ruidosos que los
dispositivos de muñeca que usa la PPG (el oído es una zona más estática).
 Técnicas de PPG necesitan luz para realizar las medidas, lo que se traduce en una menor duración de
la batería. Por tanto, duración de la batería más prolongada.
Desventajas:
 La calidad de la señal en la oreja es peor que en otras partes del cuerpo

34
 Medición del ritmo cardíaco mediante Fotopletismografía 35

Un aspecto particularmente interesante es el de los métodos de medida que no requieren contacto directo con
el paciente (noncontact en inglés), limitación de técnicas como el ECG o el PPG, cuyos sensores tienen que
estar en contacto directo y constante con la piel del sujeto, haciendo que su uso pueda resultar incómodo
durante largos períodos de tiempo.
Normalmente el punto flaco de estos métodos es la relación señal a ruido, y pueden dividirse en dos grupos
principales: los métodos de medición de energía electromagnética generada por la actividad bioeléctrica dentro
del músculo cardíaco (métodos directos), y los métodos de medida del desplazamiento de una parte del cuerpo
del sujeto causado por las contracciones periódicas del corazón (métodos indirectos).

3.5 Radar Doppler

Un radar Doppler es un radar que usa el efecto Doppler en los ecos de retorno de blancos para medir su
velocidad radial, comparando las frecuencias, arriba o abajo desde la señal de microondas original enviada. En
el fenómeno Doppler se observa cómo la frecuencia de luz y ondas sonoras es afectada por el movimiento
relativo de la fuente y el detector.
En concreto, un tipo especial de radar Doppler es el de onda continua (CW), que envía un tono senoidal a
frecuencia constante, y a partir de la desviación de frecuencia que produce el blanco en movimiento, es capaz
de determinar su velocidad. Serán las diferencias entre la onda incidente y la reflejada las que permitan
determinar la velocidad del blanco. Con un sistema de este tipo es posible calcular la velocidad a la que una
persona está respirando, así como sus pulsaciones por minuto. Será un método sin necesidad de contacto, del
tipo indirecto [27].
Basado en la teoría de Doppler, un objetivo con un movimiento cuasiperiódico refleja la señal transmitida con
su fase modulada por su posición variable en el tiempo. Cuando el objetivo es el pecho del paciente, la señal
reflejada contiene información sobre el desplazamiento del pecho, debido a la respiración y a los latidos del
corazón (o sólo a estos últimos si la persona aguanta la respiración). La tasa de respiración se corresponde a
frecuencias que varían entre 0,1 y 0,3 Hz, mientras que el intervalo de frecuencias del corazón corresponde a
un rango que va de 1 a 3 Hz aproximadamente. Se tiene así una técnica no invasiva que minimiza la
interrupción de la actividad de los sujetos, especialmente útil si es necesario un control prolongado. En la
Figura 3-7 se puede apreciar cómo funcionaría el dispositivo basado en el fenómeno del radar Doppler [28].
La respiración es una señal más fuerte que el pulso, pero es también más difícil de detectar y caracterizar, por
lo que tendremos que filtrarla antes de extraer las características. Se lleva a cabo con un filtrado paso alta de
manera que sólo nos quedemos con las componentes de la frecuencia cardíaca.

Con respecto a las ventajas e inconvenientes de esta técnica [29]:

Ventajas:
 Técnica no invasiva que no necesita contacto directo con el paciente, interesante para registro de
datos a largo plazo.
 Capacidad versátil para funcionar a distintas distancias, a través de ropa, paredes y residuos.
 Menos limitación de distancia que métodos infrarrojos.
Inconvenientes:
 Tecnología en una etapa de desarrollo temprana, sobre todo en el aislamiento del movimiento del
destino en función de otros destinos y movimientos (problemas de ruido de fondo).
 Señales más ruidosas que en ECG e incluso PPG.

35
36
Alternativas novedosas para la obtención del pulso

Figura 3-7. Diagrama de bloques de un sistema de radar Doppler con una

transmisión y dos antenas de recepción, y referencia de sensor de pulso por PPG

3.6 Técnicas de tratamiento remoto de video

En este apartado se engloban todas aquellas técnicas que estiman la frecuencia cardíaca mediante la obtención
remota de datos en formato de vídeo y su posterior tratamiento.

3.6.1 Fotopletismografía remota (rPPG)

La fotopletismografía remota es un método que permite la monitorización sin contacto de la actividad cardíaca
humana mediante la detección de sutiles variaciones de color en la piel humana inducidas por el pulso. Para
ello utiliza una cámara RGB de longitud de onda múltiple. Existen varios métodos básicos de rPPG propuestos
para extraer la señal de un pulso de vídeo, cuya esencial diferencia radica en la forma de combinar las señales
RGB en una señal de pulso.
Una manera de trabajar con la rPPG es mediante el establecimiento de un plano ortogonal al tono de la piel en
el espacio RGB temporalmente normalizado para la extracción de pulsos, que se conoce como Plano ortogonal
a la piel (POS). Considerando que una fuente de luz de composición espectral constante, pero intensidad
variable ilumina un pedazo de tejido humano que contiene piel sanguíneo-pulsátil, la intensidad observada en
la cámara dependerá de la distancia del sujeto a la fuente de luz y del sensor de la cámara. La piel medida por
la cámara tendrá un cierto tono o color que variará con el tiempo, debido a los movimientos inducidos por la
variación de la intensidad, y los cambios de color inducidos por las variaciones del pulso, siendo estos cambios
proporcionales al nivel de intensidad lumínica de la fuente [30].
Normalmente se tiene una fase previa en la que se designan ciertas regiones de interés (ROI) con las que se
quiere trabajar, ya que las señales PPG se pueden obtener de varias partes del cuerpo. A menuda estas ROI
coinciden con el rostro del paciente (Figura 3-8 [31]). Esto supone que habrá que desarrollar una fase en la que
se detecta la región del organismo con la se quiere trabajar (la cara en este caso). De todas maneras, también es
posible trabajar con varias partes del cuerpo simultáneamente, de manera que se disponga de señales PPG que
se puedan comparar entre sí para obtener datos más precisos.

36
 Medición del ritmo cardíaco mediante Fotopletismografía 37

Otra forma de trabajar con la rPPG sería estableciendo una ROI facial, y otra ROI con el fondo, con el objetivo
de usar la segunda para eliminar el ruido de la primera, partiendo de la hipótesis de que las dos tienen las
mismas variaciones de iluminación. Este método se puede observar en la Figura 3-9 [32].
Posteriormente, se promueve el canal verde de la señal RGB con más fuerza que los otros dos, porque es el
canal que más información sobre el pulso y la cantidad de oxígeno en sangre posee.
La reflexión en cada píxel de piel se podrá definir como una función en el tiempo en canales RGB, y serán los
datos a partir de los cuales se extraerán las características del pulso.

Figura 3-8. Ejemplo de ROIs.

La medición de la frecuencia cardíaca se lleva a cabo utilizando tanto el análisis en el dominio del tiempo y de
la frecuencia, siendo esta última extraída de la frecuencia media de la señal PPG medida durante una ventana
de tiempo. En el primer caso se utilizará una detección de picos, mientras que en el segundo se buscará la
componente armónica más fuerte.

Figura 3-9. Obtención de pulso con rPPG y ROIs definidas. Comparación con PPG.

37
38
Alternativas novedosas para la obtención del pulso

Una vez más, este método presenta una serie de ventajas e inconvenientes [33].
Ventajas:
 Técnica no invasiva y pasiva, no se necesita esfuerzo por parte del paciente.
 Posibilidad de monitoreo de múltiples personas al mismo tiempo, y de varias partes del cuerpo
simultáneamente.
Posibilidad de registro de datos a largo plazo.
Inconvenientes:
 La señal obtenida dependerá de la reflectancia de la piel de cada individuo. Posibilidad de diferencia
significativa en los datos obtenidos de diferentes pacientes.
 Señal sensible a los movimientos, y variaciones de iluminación, que pueden hacer que se degrade de
manera importante.
 La respiración es otro factor que puede influir en la calidad de la señal.

3.6.2 Reflexión de luz verde en rostro

Se trata de otro método que no necesita estar en contacto con el paciente para determinar la frecuencia
cardíaca. En este caso se captura en vídeo de alta resolución mientras se ilumina con un diodo láser verde la
región de interés donde se quiere registrar el cambio de volumen sanguíneo. Se usa la luz verde ya que, como
se mencionó previamente, es este canal el que más cantidad de información posee, y por lo tanto nos permite
aumentar la distancia de la cámara al sujeto, y tolerar algo más el movimiento [34].
De igual manera que en el método anterior, una vez capturados los datos se procesan para resaltar los cambios
de reflectividad debidos al cambio de volumen sanguíneo en la región de interés.
Goza de las mismas ventajas que la PPG remota, e igualmente sufre los mismos inconvenientes, siendo una
señal muy sensible a cambios en las condiciones ambientales de luz y a movimientos bruscos.

3.6.3 Medida térmica

Otro método en el que no es necesario contacto directo con el paciente para la obtención de la frecuencia
cardíaca. La termografía infrarroja puede detectar pequeños cambios en la temperatura debidos al pulso. Para
esta técnica se usará una cámara termográfica, que puede ser de dos tipos: con detectores de infrarrojos
refrigerados, o con detectores de infrarrojos no refrigerados. Los primeros suelen estar contenidos en una caja
sellada al vacío y refrigerados criogénicamente. Los segundos funcionan a temperatura ambiente, siendo
menos voluminosos y costosos al no tener refrigeración, pero tienen la sensibilidad de temperatura más baja y,
por lo tanto, las huellas de las arterias en las imágenes no son tan claras.
En primer lugar, se designa una ROI cuadrada, intentando que abarque la arteria temporal superficial, y se
utiliza un algoritmo de detección del movimiento de la cabeza para identificar esta ROI en las sucesivas
imágenes térmicas. Las imágenes se convierten en binarias para calcularles el centroide, y se intenta minimizar
la corrupción de la señal debido a movimientos de la cabeza y respiración. Con la ayuda del centroide
calculado, se tendrá una referencia para obtener una señal con la que, tras la transformada Wavelet, podremos
conseguir los valores de la frecuencia cardíaca [35].

Por último, en ventajas e inconvenientes:

Ventajas:
 Método no invasivo.
 No necesita contacto directo con los pacientes.

38
 Medición del ritmo cardíaco mediante Fotopletismografía 39

Inconvenientes:
 Señal muy sensible a los movimientos (degradación muy fuerte).
 Registro de datos en plazos muy cortos (debido a la inmovilidad).

3.7 Otras alternativas

En este último apartado se presentan algunas técnicas para medir la frecuencia cardíaca que aún se encuentran
en estado de desarrollo, bien porque no se han realizado las suficientes pruebas, o bien porque la tecnología
aún no está madura. No obstante, son métodos que deberán tenerse en cuenta por su potencial para convertirse
en un futuro cercano en alternativas a los métodos ya vistos.

3.7.1 Sensor similar a la piel

En este caso, la novedad reside en un sensor que ingenieros de Stanford han desarrollado de manera que sea
similar a la piel, flexible y más delgado que un billete de dólar (Figura 3-10 [36]). Cuando se ejerce presión en
el sensor, la estructura interna de éste se deforma ligeramente, cambio que es medible en términos de campo
eléctrico, y flujo de corriente en el sensor. El uso de un conjunto de estos sensores podría actuar como una piel
electrónica, capaz de calcular el pulso del paciente a través de sus reverberaciones en el interior del organismo.

3.7.2 ECG de 3 derivaciones inalámbrico

La monitorización ambulatoria de señales cardíacas (fuera de los hospitales) es un método de diagnóstico muy
importante para la detección y análisis de gran cantidad de dolencias cardíacas. Para ello, son necesarios
sistemas de bajo coste con un consumo de batería también reducido. Uno de los dispositivos que cumple estos
requisitos lo constituye un sistema basado en monitorización de ECG inalámbrico, capaz de obtener buenas
adquisiciones de la señal ECG, así como de realizar un procesamiento de la señal para reducir la presencia de
artefactos de ruido debidos al movimiento. Integrados los electrodos en un circuito integrado de muy baja
potencia, y con otro circuito integrado que ejercerá el procesamiento de la señal, incluyendo algoritmos ICA y
filtros adaptativos.

Figura 3-10. Paper-thin flexible sensor (sensor de “piel”).

39
40
Alternativas novedosas para la obtención del pulso

3.7.3 Frecuencia cardíaca a través de la voz

Los ritmos cardíacos se relacionan de manera dinámicas a las variaciones de los parámetros de las cuerdas
vocales a través de la laringe, por lo que es posible detectar la actividad del corazón mediante la extracción de
características de la frecuencia de la voz.

3.7.4 Vibrocardiografía óptica

Mediante el uso de un láser vibrómetro Doppler de punto único se pueden detectar desviaciones en el área del
cuerpo humano causadas por la actividad del corazón.

3.7.5 Monitorización del pulso desde el pijama de hospital

Los científicos del Instituto suizo Empa han conseguido desarrollar un tejido con fibras ópticas de polímero
capaz de medir la frecuencia cardíaca del usuario que lleve puesta una prenda elaborada con ese tejido. De esta
forma, este tejido proporciona la posibilidad de albergar sensores que faciliten las medidas de frecuencia
cardíaca de los pacientes, y la monitorización de este parámetro de forma continua de manera mucho más
sencilla. La sensorización de esta tela consiste básicamente en la emisión de la luz a través de la piel, midiendo
los cambios de intensidad y calculando el pulso en función de estos cambios en la luz recibida (ya que estos
cambios estarán provocados por el propio pulso). En la Figura 3-11 se puede observar el tejido óptico especial
emitiendo luz [37].

Figura 3-11. Pijama de tejido óptico que permite fabricar textilmente los
emisores y detectores necesarios para el sensor de pulso.

Equation Chapter (Next) Section 1

40
 Medición del ritmo cardíaco mediante Fotopletismografía 41

4 PLETISMOGRAFÍA

“La medicina es el arte de acompañar al sepulcro con

palabras griegas”.
- Enrique Jardiel Poncela -

L
a fotopletismografía (formada por foto del griego phōs (luz), y pletismografía del griego plethusmos, con
el significado de agrandamiento) es una técnica no invasiva para registrar los cambios de volumen en
una extremidad u órgano concreto como consecuencia de las variaciones del flujo sanguíneo en la
misma. Está directamente relacionada con la presión sanguínea, la temperatura, y la resistencia y elasticidad
propio de los vasos sanguíneos.
En este capítulo se definirá una breve historia de la evolución de las técnicas de captación de variaciones de
volumen hasta llegar a la fotopletismografía, técnica empleada en este proyecto para registrar señales cardíacas
con el fin de calcular el pulso. A continuación, se profundizará en los fundamentos teóricos de este método y
del fotopletismograma, sin olvidarnos de la segunda derivada de la PPG (SDPPG), señal muy estudiada y con
diversos usos, entre los que cabe destacar el diagnóstico de dolencias cardiovasculares. Por último, se hará
referencia a los motions artifacts, interferencias que corrompen la señal de la PPG, y definiéndolos y
clasificando los más importantes.

4.1 Pletismografía
Definida ya etimológicamente en el apartado anterior, la pletismografía es un método basado en la medición
de cambios de presión y volumen (a partir de la ley de Boyle) y utilizado para medir parámetros fisiológicos
orientados al diagnóstico de enfermedades pulmonares o cardiovasculares.
La pletismografía incluye aquellas técnicas utilizadas para medir cambios de volumen causadas por
variaciones del flujo sanguíneo. Estos métodos, más allá de centrarse en un solo vaso arterial, miden cambios
de volumen en un segmento de la extremidad. Algunas de estas técnicas se desgranan en el subapartado
siguiente.

41
42
Pletismografía

4.1.1 Tipos de pletismografía.

4.1.1.1 Pneumopletismografía (o pletismografía de volumen de pulso).

También conocida a veces como pletismografía de aire (aunque este nombre puede llevar a confusión por
existir otra técnica llamada así para medir la capacidad de aire de los pulmones), este método consiste en la
colocación de manguitos a niveles específicos de la extremidad o de los dedos, para inflarlos con una cantidad
concreta de aire buscando alcanzar una presión entre 10 y 65 mmHg, dependiendo de la localización del
manguito (muslo o dedos). Durante la sístole arterial se produce un incremento del volumen de la extremidad
que transmite presión contra el manguito relleno de aire, y esta variación se convierte en una onda analógica de
presión por medio de un sistema transductor de presión [38]. Una representación de la adquisición de los datos
mediante esta técnica puede verse en la Figura 4-1 [39].

Figura 4-1. Pneumopletismografía.

4.1.1.2 Pletismografía de impedancia

Esta técnica mide los cambios de volumen en función de las variaciones en la impedancia eléctrica, usando el
principio físico de la carga iónica que posee el flujo sanguíneo (el principio físico se basa en que la resistencia
(R) de un conductor al paso de la corriente eléctrica es directamente proporcional a su longitud (l) e
inversamente proporcional a su sección (S), por lo que se puede establecer una relación con la variación del
volumen). El pletismógrafo de impedancia utiliza cuatro electrodos: dos periféricos y dos centrales. Los
primeros generan el campo eléctrico de bajo voltaje y alta frecuencia de oscilación, entre 50 y 250 KHz, para
conseguir uniformidad de distribución del campo inducido. Los segundos son los usados para medir los
cambios de impedancia provocados por el flujo sanguíneo. Se puede apreciar el montaje para la adquisición de
datos, en la Figura 4-2 [39].

42
 Medición del ritmo cardíaco mediante Fotopletismografía 43

Figura 4-2. Pletismografía de impedancia.

4.1.1.3 Pletismografía de anillos de mercurio (strain gauge)

Para realizar la medición mediante esta técnica, se colocan tubos de silicona rellenos de mercurio (o
actualmente, de una aleación altamente conductora de indio y galio) alrededor de la extremidad. La longitud de
estos tubos con mercurio será de 1 a 3 cm menor que la circunferencia de la extremidad, siendo 0,5 cm menor
en el caso de realizar la medición en los dedos. Su base física es similar al método anterior, puesto que mide
los cambios de volumen en función de las variaciones de resistencia al paso de la corriente eléctrica sobre estos
delgados anillos. Con las expansiones y contracciones de la extremidad en el segmento donde se colocan los
anillos, la longitud de los tubos cambia, y debido a las modificaciones en la resistencia asociadas a estos
cambios en longitud se producen asimismo cambios de voltaje debidos a las variaciones de volumen en la
circunferencia de la extremidad. Este método se muestra en la Figura 4-3 [38] [39].

Figura 4-3. Pletismografía de anillos de mercurio.

43
44
Pletismografía

4.1.1.4 Fotopletismografía

La fotopletismografía (PPG) es una técnica no invasiva para la detección de ondas cardiovasculares

propagadas alrededor del cuerpo humano, recogiendo las variaciones que se producen en el flujo o volumen
sanguíneo que ocurre con cada contracción cardíaca. El procedimiento consiste en irradiar el tejido de una
zona con luz, típicamente proveniente de un diodo emisor LED, y medir a continuación la intensidad de la
señal a la salida (reflejada si el receptor es adyacente al emisor, transmitida si el receptor es opuesto al emisor)
mediante un fotodetector selectivo para la frecuencia emitida, que amplificará y convertirá en diferencial de
voltaje la luz recibida. Por tanto, lo que se registra es la variación del volumen de sangre en relación con la
absorbancia de la luz en los vasos subcutáneos, que dependerá de la densidad de glóbulos rojos en su interior.
En cierto modo, la fotopletismografía es una especie de interpretación de la coloración sanguínea, que
dependerá de la saturación de oxígeno (𝑆𝑎𝑂 ). Este cambio de color de la sangre al oxigenarse o
desoxigenarse es debido a las propiedades ópticas de la hemoglobina.
La hemoglobina es una heteroproteína de la sangre de color rojo característico, que transporta el oxígeno desde
los órganos respiratorios hasta los tejidos. Cuando la hemoglobina está unida al oxígeno se denomina
oxihemoglobina (o hemoglobina oxigenada), y es la causante del color rojo intenso de la sangre arterial. Una
vez perdido el oxígeno, se denomina hemoglobina reducida, y presenta el color rojo oscuro de la sangre
venosa (tejidos con tinte azulado). Normalmente éstos son los dos tipos de hemoglobina que existen en la
sangre, con presencia dominante más allá de hemoglobinas disfuncionales que presentan algún
comportamiento anómalo fruto de alguna patología. Por tanto, la sangre se compone de dos absorbedores de
luz, la oxihemoglobina (𝐻𝑏𝑂 ) y la hemoglobina reducida (HbR), Y en la PPG normalmente se usará luz con
dos longitudes de onda diferentes (aunque se podrán emplear un rango de frecuencias entre el infrarrojo y el
rojo), teniendo en cuenta que los espectros de absorción de la 𝐻𝑏𝑂 y la HbR presencian diferencias máximas
en la región roja e infrarroja respectivamente. La hemoglobina oxigenada y la hemoglobina reducida absorben
y transmiten determinadas longitudes de onda del espectro luminoso: para la luz roja, en torno a los 660 nm, y
para la luz infrarroja, en torno a 940 nm, por lo que el fotopletismógrafo medirá la absorción de luz para
longitudes de onda específicas, que dependerá de la proporción entre los dos tipos de hemoglobina. En la
Figura 4-4 se puede ver el funcionamiento de los principios físicos de esta técnica, cuando el emisor y receptor
son adyacentes, y la señal recibida es la reflejada [40].

Figura 4-4. Principio de la fotopletismografía (por reflexión).

44
 Medición del ritmo cardíaco mediante Fotopletismografía 45

La fuente de la señal PPG es la densidad óptica transmitida o reflejada, que depende de la absorción de luz de
una muestra determinada. Esta absorción óptica se define en la ley de Beer, también conocida como ley de
Beer-Lambert (4.1); relación empírica que relaciona la absorción de luz con las propiedades del material
atravesado. Beer y Lambert propusieron que la absorbancia de una muestra en una determinada longitud de
onda depende de la cantidad de especie absorbente con la que se encuentra la luz al pasar por la muestra [41].

Lin
A  log( )  E·C·D (4.1)
Lout

En la ecuación (4.1) 𝐿 y 𝐿 son la intensidad de luz incidente y transmitida respectivamente, con C y D la

concentración y espesor de la superficiente absorbente, y E el coeficiente de extinción intrínseco a una muestra
y longitud de onda concretas (definido como la fracción de luz absorbida para esa longitud de onda). Por tanto,
se puede decir que la absorbancia de una radiación monocromática es directamente proporcional al espesor y a
la concentración de la sustancia absorbente de la muestra.
La fotopletismografía es una manifestación de la actividad del corazón, y se puede realizar en zonas del cuerpo
donde en aparato circulatorio se expone cerca de la piel, con no demasiada distancia hasta los vasos
subcutáneos, como son los dedos, las muñecas, el puente de la nariz o los pabellones auditivos.
La curva pletismográfica obtenida por las variaciones de la luz absorbida no sólo permite calcular la frecuencia
cardíaca, también resulta útil para determinar el porcentaje de saturación de oxígeno de la sangre arterial, la
viscosidad de la sangre o la presión arterial.
Aunque en medicina la técnica por excelencia para medir la frecuencia cardíaca es el ECG, si es el único
parámetro que se pretende obtener puede resultar un método demasiado aparatoso. La utilización de la
pulsioximetría, basada en los principios de la PPG, se ha convertido en un método ampliamente utilizado en la
medicina clínica, entre otras cosas, para monitorizar el pulso. En la Figura 4-5 [42] se puede observar la
relación entre el ECG y la PPG, con datos reales obtenidos de un paciente.

Figura 4-5. Representación de ECG, en traza superior, y PPG, en traza inferior.

45
46
Pletismografía

4.2 Medida de las pulsaciones mediante la PPG

Para captar las variaciones de volumen de la sangre y su influencia en la absorción de la luz se utiliza un
transductor fotopletismográfico, que consiste en un diodo emisor y un receptor de luz, transistor o fotodiodo
selectivo para la frecuencia emitida, colocados ambos sobre la extremidad donde se quiera tomar la medida.
Los circuitos para la polarización del receptor son los habituales: transistor emisor común o conversor I-V para
el fotodiodo.
Existen dos tipos de PPG, diferenciadas por la disposición de los sensores respecto de la zona analizada. Cada
topología tendrá sus ventajas e inconvenientes.

Sensores por transmisión (Figura 4-7).

En esta topología el emisor y receptor tienen que colocarse enfrentados, con
el tejido u órgano sobre el que se quiere medir entre los dos. Las zonas más
adecuadas para esta configuración suelen ser el lóbulo de la oreja, el dedo o
el puente de la nariz; zonas estrechas y periféricas. En este modo, es
necesario que la luz corresponda al espectro no visible para que pueda pasar
a través del tejido.

Figura 4-6. PPG por

transmisión. Sensores por reflexión (Figura 4-6). En
este caso, el receptor se coloca adyacente
al emisor, de manera que capte la luz que se refleja en los tejidos. Dadas las
limitaciones del método de transmisión, es el más usual puesto que pueden
ser colocados sobre cualquier superficie vascular pulsátil. Como
desventajas se tiene que la señal será más débil ya que hay más señal
transmitida que reflejada, y que se correrá el riesgo de que el receptor capte
directamente parte de la luz emitida por el LED. Figura 4-7. PPG por reflexión.
Un caso especial de la PPG por reflexión lo constituye la técnica de captura
por fibra óptica (Figura 3.6c), en la cual se utilizan dos cables de fibra
óptica, haciendo circular un haz de luz infrarroja por uno de ellos para que sea el otro el que detecte la
reflexión de la señal emitida.
En la Figura 4-8 se muestran las diferentes topologías que se pueden emplear para la adquisición de la
frecuencia cardíaca mediante la PPG [43].

Figura 4-8. Topologías de colocación del sensor del fotopletismógrafo.

El
46
 Medición del ritmo cardíaco mediante Fotopletismografía 47

resultado de la medición con un fotopletismógrafo se denomina fotopletimosgrama (también PPG), y está

compuesto por la superposición de varias señales, como se puede observar en la Figura 4-9 . La onda tiene una
componente continua (DC) y una componente alterna (Figura 4-10 ). La primera es debida a la absorción
aproximadamente constante del sistema venoso periférico, capilares, tejidos y huesos, que absorben la mayor
parte de la luz. Deberá ser despreciada, porque no aporta información útil para calcular el pulso, así que se
filtrará con un paso alta. La segunda es la causada por la variación del flujo sanguíneo (componente pulsátil) y
representa alrededor de un 5% de la absorción total [44].

Figura 4-9. Componentes de la señal PPG.

Otros elementos de filtrado deberán tenerse en cuenta para tener una señal más limpia, como filtros paso bajo
para limitar el ancho de banda (la frecuencia máxima del pulso es limitada) y filtros peine o rechazo de banda
para reducir el efecto de las interferencias electromagnéticas, que a 50 Hz (60 Hz en EE. UU.) se encuentra
relativamente cercana a una frecuencia cardíaca que ronda el rango 1 a 5 Hz.
En nuestro proyecto se cuenta con un fotopletismógrafo formado por un par de diodos LEDs emisores, uno
emitiendo luz roja (660 nm) y otro en la franja infrarroja (950 nm) y un fotodetector dual colocado en
topología de reflexión, por lo que se trabajará con la señal reflejada en los tejidos.

Figura 4-10. Partes DC y alterna de la señal PPG.

47
48
Pletismografía

4.3 Características de la señal PPG

El ciclo completo de la señal de PPG de un paciente sano se puede observar en la Figura 4-11. Ciclo de señal
PPG normal, y repetición del ciclo. Una descripción detallada de sus características más significativas puede
encontrarse en [45].

Figura 4-11. Ciclo de señal PPG normal, y repetición del ciclo

 Amplitud sistólica. Nivel máximo de volumen que se detecta en el área sometida a la medición.
Corresponde a la fase sistólica del corazón, en la cual se eyecta la sangre al organismo.
 Amplitud diástolica. Tras el pico sistólico la señal comienza a decrecer, pero se detecta un punto de
inflexión tras el que se encuentra otro pico (que puede no ser visible en la señal PPG) conocido como
pico diástolico. Este máximo está relacionado con la fase diastólica en la que los ventrículos se llenan
de sangre. Habrá que tener cuidado para que estos picos no se detecten erróneamente como un pico
sistólico, corrompiendo la medida de la frecuencia cardíaca.
 Ancho del pulso. Tiempo desde que el nivel traspasa el 50% del nivel del pico sistólico hasta que
vuelve a traspasarlo cuando la señal decrece. Relacionado con la resistencia del sistema
cardiovascular.
 Intervalo pico a pico. Tiempo transcurrido entre dos picos sistólicos consecutivos. Está correlado con
el intervalo de tiempo RR extraído del ECG.
 Intervalo de pulso. Tiempo transcurrido desde el nivel mínimo del volumen detectado en el ciclo de
PPG y el siguiente mínimo. Suele ser idéntico al intervalo pico a pico, y se prefiere su uso cuando no
es sencillo reconocer los picos sistólicos (picos suaves, irregularidad en la amplitud).

48
 Medición del ritmo cardíaco mediante Fotopletismografía 49

Como se ha comentado, existe correlación entre el intervalo RR de un ECG y el intervalo pico a pico de una
señal PPG. En la Figura 2-18 se comparan las dos señales extraídas en un mismo intervalo de tiempo [46].

Figura 4-12. Comparación entre ECG, traza superior, y PPG, traza inferior.

En la señal ECG se puede calcular la frecuencia instantánea del corazón a través del intervalo RR. En la señal
PPG existe un método equivalente, buscando el intervalo PP (en la Figura 4-12, BB), o pico a pico; aunque
también podría obtenerse a partir de otros intervalos que arrojasen un valor idéntico de tiempo, como podría
ser el marcado por los mínimos volúmenes de pulso detectado o por el punto de máxima pendiente.
Un posible cálculo de la frecuencia cardíaca (comúnmente denominada HR del inglés Heart Rate) y de la
variabilidad de la frecuencia cardíaca (HRV del inglés Heart Rate Variability, consecuencia de que el pulso no
es constante, ya que va cambiando en función de las necesidades del organismo en cada momento), es el
expuesto en las ecuaciones (4.2) y :

HRVi  PPi  PPi1 (4.2)

60
HR  N
(4.3)
1
N
 HRV
i 1
i

Las ventajas de esta técnica ya se discutieron al hablar de la pulsioximetría en el Capítulo 2. Es por una parte
una técnica no invasiva, y menos engorrosa que el ECG, que necesita la colocación de varios electrodos que
pueden acabar irritando al paciente. De bajo costo y sencillo uso, su uso se ha extendido enormemente en
medicina, ya que permite una monitorización continua y fiable del paciente. No obstante, no está exenta de
inconvenientes, ya que es una técnica cuyas mediciones son sensibles a diversos factores que pueden alterar la
medida, como son la ubicación del emisor y el receptor, las características de los tejidos del paciente,
pigmentaciones irregulares en la piel, esmalte de las uñas, baja perfusión del paciente, temperatura, luz
ambiente y, la más importante de todas y mayor causa de errores, los motion artifacts, interferencias
producidas por movimientos del paciente, entre los que se incluyen la respiración y movimientos musculares.

49
50
Pletismografía

4.4 Segunda derivada de la PPG (SDPPG)

Como se ha mencionado en diversas ocasiones, aunque el método convencional para detectar la frecuencia
cardíaca es el electrocardiograma, la fotopletismografía se ha erigido como una alternativa capaz de
complementarlo, y hasta sustituirlo en algunos casos.
Sin embargo, la PPG es una señal especialmente sensible a motions artifacts y efectos no estacionarios que se
intensifican cuando el paciente se encuentra en movimiento, lo que le quita precisión y reproducibilidad a este
método [47]. Por esta razón, algunos investigadores comenzaron a utilizar la segunda derivada de la PPG para
enfatizar y cuantificar de manera más sencilla los cambios en el contorno de la delicada señal de la PPG, de
manera que se aumentase la precisión al detectar los puntos de inflexión que sirvieran para el cálculo de la
frecuencia cardíaca [47]. Debido a estas propiedades, y a que nuestra placa nos ofrece directamente las señales
PPG en el espectro visible e infrarrojo junto a sus primeras y segundas derivadas, este proyecto priorizará
trabajar con esta señal, y aprovechar sus ventajas.
Los acrónimos de la segunda derivada normalmente son SDPPG o APG (de acceleration plethysmogram). En
este proyecto se usará SDPPG para coincidir con la terminología de las señales obtenidas con el dispositivo,
aunque se recomienda la utilización de la aceleración [48]. Como se puede apreciar en la Figura 4-13, la forma
de la señal de la SDPPG consiste en cuatro ondas diástolicas (a, b, c y d) y una onda diástolica. El peso de cada
una de estas ondas es medido desde la línea de base, siendo los valores por encima de ésta considerados
positivos, y negativos los que quedan por debajo [49].

Figura 4-13. Señal PPG tomada en dedo. (a) PPG. (b) SDPPG

Si se profundiza algo más en estas señales:

 Onda a: Llamada early systolic positive wave, o según otros estudios, initial positive wave (IPW). Es
el punto máximo de la SDPPG.
 Onda b: Conocida como early systolic negative wave o early negative wave (ENW). Es el punto
mínimo de la SDPPG.
 Onda c: Recibe el nombre de late systolic reincreasing wave, o late upsloping wave (LUW), haciendo
referencia a su carácter creciente.
 Onda d: Conocida como late systolic redecreasing wave, o late downsloping wave (LDW), debido a
50
 Medición del ritmo cardíaco mediante Fotopletismografía 51

que la señal vuelve a decrecer brevemente.

 Onda e: Llamada early diastolic positive wave, o diastolic positive wave (DPW).

Las ondas a y b se incluyen en la fase sistólica temprana de la PPG, mientras que las señales c y d se incluyen
en la fase sistólica tardía. Por otra parte, la señal e pertenece a la fase diastólica de la PPG.
La primera onda sistólica (onda a) es la más prometedora para calcular la frecuencia cardíaca, y la variabilidad
de ésta, debido a que es la de mayor amplitud y pendiente. De hecho, ya fue usada por Taniguchi et al. [50], y
Mohamed Elgendi et al. basaron su metodología en la identificación de esta onda [48].
No obstante, no es ésta la única utilidad que nos ofrece la SDPPG. Recientes investigaciones han demostrado
que los ratios entre las diferentes ondas de la SDPPG (b/a, c/a, d/a y e/a) están claramente correlados con la
edad, la presión arterial, la rigidez arterial o efectos de drogas vasodilatadoras [51]. Es más, por medio del
estudio de estas ondas, se pueden identificar indicios de que se están gestando dolencias cardiovasculares
como estrés, aterosclerosis (colesterol en las arterias), hipertensión, arritmias, isquemias (detección o
disminución de la circulación de la sangre por una zona) y otros perfiles sanguíneos que puedan aumentar el
riesgo de sufrir enfermedades coronarias más graves. También es una buena manera de calcular el índice de
envejecimiento de los vasos sanguíneos, o su grado de distensibilidad (similar a la elasticidad). Sin embargo,
las ondas c, d y e especialmente no son tan fáciles de descubrir como la onda a, y en menor medida, la onda b.
Por lo que se sigue investigando en la búsqueda de métodos que nos permitan conocer mejor esta prometedora
señal.

4.5 Motions artifacts (MA)

La señal PPG está expuesta a diversas situaciones que pueden provocar problemas a la hora de adquirir una
señal limpia que nos permita obtener resultados correctos con los que trabajar. Algunos de los más conocidos
se mencionan a continuación:
 Pigmentación. Una piel con pigmentación intensa puede alterar los resultados de la PPG. Esto
engloba a tonos de piel más oscuros, así como a la presencia de alguna enfermedad que afecte a la
pigmentación de la piel.
 Luz ambiental. La luz ambiental puede interferir en la adquisición de los datos y comprometer su
precisión, ya que algunas luces ambientales se encuentran en longitudes de onda cercanas a las del
dispositivo, ocasionando leves alteraciones en el resultado.
 Altos niveles de carboxihemoglobina (COHb). La presencia de hemoglobina unida a monóxido de
carbono puede alterar los resultados, debido a que absorbe luz en las longitudes de onda con las que se
trabaja. Es un problema común especialmente en fumadores.
 Mala colocación de los sensores. Un posicionamiento inadecuado de los sensores puede alterar las
medidas, haciendo que el receptor no capte correctamente la luz recibida, o capte directamente por
error una fracción de la luz emitida (en el caso de topología por reflexión)
 Temperatura. La temperatura periférica baja produce que los vasos sanguíneos se contraigan,
produciendo lo que se denomina vasoconstricción. Esto interrumpe el flujo normal de la sangre,
contribuyendo a resultados erróneos.
 Obstáculos a la absorción de la luz. En este apartado podemos incluir cicatrices, esmalte de uñas,
cualquier tipo de mancha o tatuajes.
 Anemia severa. La ausencia significativa de hemoglobina en la sangre produce de manera inevitable
resultados erróneos durante la medición. Esto se puede extender a todas aquellas anomalías cardíacas
que tengan como consecuencia una baja perfusión.

51
52
Pletismografía

 Motion artifacts (MA) [52]. Sin duda el factor limitante más importante de la señal PPG. Los MA
son fenómenos provocados por la respiración, los movimientos musculares u otros del paciente, que
introducen fluctuaciones espurias en la señal PPG, complicando la detección de los pulsos cardíacos.
La Figura 4-14 muestra un ejemplo de MA afectando a una señal PPG.

Estos artefactos pueden tener orígenes variados. El movimiento puede causar que el sensor PPG se mueva
respecto a la piel, haciendo que cambie la iluminación en el tejido, y modificando el acoplamiento óptico entre
los LEDs, el tejido y el fotodetector. Otra causa puede ser la deformación leve del tejido por variaciones de la
presión del sensor sobre él, lo que añade fluctuaciones espurias. Es más, el sensor podría perder el contacto
con la piel debido al movimiento, lo que puede influir en la cantidad de luz ambiental que alcanza el
fotodetector.
Un movimiento no conduce necesariamente a fluctuaciones que puedan considerarse interferencias de la señal
pulsátil. De hecho, algunos movimientos, como el de levantar y bajar la mano, provoca grandes variaciones en
el volumen de la sangre que circula por el tejido iluminado, causando finalmente un factor multiplicativo en la
amplitud de la componente cardíaca.
En la práctica los MA son difíciles de eliminar debido a que no tienen una banda estrecha de frecuencias y su
espectro de frecuencias se solapa con el de la señal deseada. Lo que se busca es que la componente errónea
que introducen los artefactos sea lo menor posible, no comparable a la señal del pulso, o al menos que tenga
una duración mínima. Numerosas investigaciones para reducir el efecto de los MA se llevan a cabo, no sólo
para la señal PPG, pues es un fenómeno presente en prácticamente cualquier señal biométrica. Algunas de
estas investigaciones se verán con más detalle en el siguiente capítulo.

Figura 4-14. Señal PPG con MA provocados por movimientos al andar.

Equation Chapter (Next) Section 1

52
 Medición del ritmo cardíaco mediante Fotopletismografía 53

5 ESTADO DEL ARTE

“La tecnología hizo posible las largas poblaciones; las

largas poblaciones hacen ahora a la tecnología
indispensable”.
- Joseph Wood Krutch -

E
n los últimos años las las enfermedades cardiovasculares se están incrementando alarmantemente,
debido a malos hábitos de alimentación, un estilo de vida cada vez más sedentario, falta de ejercicio
diario y de concienciación con los factores de riesgo; todos ellos comportamientos causantes de que la
gente sufra desórdenes cardiovasculares como obesidad, hipertensión y diabetes cada vez más jóvenes (25-35
años).
Para diagnoticarlos correctamente y darles un tratamiento adecuado, se hace necesario que estos pacientes
tengan que ser monitorizados, y técnicas como el ECG son caras y complejas de usar, además de ser molestas
si se usan durante demasiado tiempo. Uno de los principales temas de investigación de la ingeniería médica es
el desrrollo de dispositivos para monitorizar a pacientes de manera precisa y cómoda, que puedan ser usadas
tanto en el hospital como en casa y sean no invasivos. Y entre los parámetros que deben ser monitorizados se
encuentra el pulso (o número de latidos del corazón por minuto, al que desde este momento se nombrará
indistintamente como frecuencia cardíaca o HR, del Heart Rate) siendo uno de los parámetros fisiológicos más
significativos, y cuya medida dependerá de parámetros como el ejercicio físico realizado, descanso, nivel de
estrés, consumo de estimulantes o drogas y demás condiciones físicas o psicológicas. De la mano del pulso va
la variación de la frecuencia cardíaca (HRV), medida de la fluctuación de intervalo de tiempo entre latidos, y
directamente relacionada con la actividad del sistema nervioso simpático y parasimpático. Para su medida se
pueden utilizar trazas de la señal PPG, calculando intervalos de tiempo entre los picos sistólicos de la señal.
Ya se ha expuesto en capítulos anteriores que la técnica por excelencia para monitorizar el corazón es el ECG,
que se basa en los pequeños cambios eléctricos que se producen en la piel debido a la despolarización del
corazón, detectando y amplificando cada latido para el cálculo de la HR. Se trata de un método muy preciso,
pero también complejo y voluminoso.
La monitorización por PPG es menos intrusiva, y más barata, segura, rápida, simple y fácil de usar, siendo
estas características que la convierten en una técnica ideal para su uso en cuidados en el hogar, monitorización
ambulatoria, cirugía y monitorizaciones continuas de un paciente durante largos intervalos de tiempo.
En 1937 Hertzman menciona por primera vez esta técnica, publicando su primer artículo sobre la PPG, en el
que describía el uso del modo de reflexión (emisor y sensor enfrentados) para medir cambios de volumen de
sangre en los dedos. Unos años más tarde, en 1940, Hertzman y Dillon consiguen separar las componentes AC
y DC de la PPG con filtros y amplificadores electrónicos.
Ya antes de la aparición de la pulsioximetría, la PPG se usaba para medir volúmenes de sangre en tejidos
(Challoner, 1979), y los cambios de estos volúmenes en los vasos sanguíneos periféricos. Basada en este
método, desde 1987 se acepta la pulsioxímetría por la ISO (International Standars Organization) como el
estándar para medir saturación de oxígeno. Debido a los avances en optoelectrónica, instrumentación clínica y

53
54
Estado del arte

procesamiento de señales digitales, actualmente se usa ampliamente en anestesia, recuperación de operaciones

y cuidados intensivos. Asimismos, los dispositivos wearables han aumentado durante los últimos años, al igual
que la precisión para calcular parámetros como el HR durante actividades que incluyan movimiento, lo que
hace que sean muy útiles para monitorizaciones continuas de pulso.
Además de para la monitorización de la frecuencia cardíaca, el uso de la PPG es útil para comprobar si los
vasos sufren vasodilatación o vasoconstricción, arritmias, monitorizar el ritmo de respiración o la perfusión de
los tejidos. También para estudiar el envejecimiento de las arterias, la rigidez arterial, factor de riesgo en
isquemias (disminución o detención de circulación de sangre en una zona), disfunción endoteliar o la
aterosclerosis (acumulación de grasa dentro de las arterias), factores que afectan al contorno de la señal, y por
tanto pueden ser derectadas usando técnicas que involucren a la PPG [53].
En algunos estudios se sostiene que la señal PPG está formada por puntos S-M-P-Q, siendo los puntos M los
picos sistólicos, los puntos Q los picos diástolicos, y los puntos P el inicio de los pulsos dicrotos o dicróticos
(dicrotic notch), como se puede apreciar en la Figura 5-1Figura 5-1 [54].

Figura 5-1. Señal de PPG representando un latido.

Se vuelve a hacer hincapié en que la PPG es una señal que se puede ver fácilmente afectada por factores como
las propiedades del emisor LED y el fotodetector, la presión ejercida por el dispositivo PPG sobre la piel del
sujeto, la luz incidente en el detector distinta de la del emisor, bajas perfusiones de los tejidos periféricos donde
se realiza la medida.
Mención aparte de las limitaciones de este tipo de señales son las derivas respecto a una línea base, que hace
que las medidas se desvíen de un eje horizontal (baseline drift), y sobre todo los artefactos de movimiento
(motion artifacts, en adelante MA) que en situaciones de movimientos fuertes o repentinos del paciente
pueden incluso causar que la señal no se pueda interpretar. La presencia de los MA es el principal problema de
la señal PPG, y uno de los mayores obstáculos a la hora de extraer parámetros cardiovasculares, más aún
teniendo presente que la parte AC de la señal, que es donde está la información pulsátil, representa tan solo un
0,1% de la amplitud total de la señal, lo que la hace extremadamente sensible a estas interferencias.
No todas las señales de interferencias aleatorias tienen que ver con los MA. Las fuentes de ruido que pueden
distorsionar las medidas de señales PPG se pueden clasificar en tres: ruidos ambientales, fisiológicos y
artefactos, clasificables estos últimos en ruido electromagnético e interferencias de potencia alrededor del
cuerpo, diafonías de otras señales fisiológicas y ruido instrumental. Los MA pueden estar causados por
movimiento de la sangre venosa u otros componentes no pulsátiles que van junto a pulso sanguíneo arterial, y
variaciones en el acoplamiento óptico entre sensor y piel. Son interferencias aleatorias de baja frecuencia, cuyo
espectro se solapa con el de la señal de pulso, ya que no se producen en una banda de frecuencias determinada,
por lo que no su eliminación no es trivial ni inmediata.
En la actualidad se requiere usar esta técnica en ambientes donde el paciente va a realizar movimientos, que
hará que aparezcan MA. Por lo que determinar qué partes de la señal corresponden a la onda de pulso, y cuáles
al ruido; ya sea en los dominios del tiempo o la frecuencia, sigue siendo un reto.

54
 Medición del ritmo cardíaco mediante Fotopletismografía 55

Debido al solape de frecuencias, los clásicos filtrados no sirven para eliminar artefactos. Por ello han surgido
en la última década diversos enfoques para limpiar los MA de una señal PPG, que incluyen métodos tan
dispares como usar dispositivos adicionales (acelerómetros o sensores extra) para realizar la medida,
reconstruir la señal a partir de una corrupta o detectar las zonas corruptas de una señal para descartarlas a la
hora de calcular el pulso, centrarse en la mejora de los dispositivos (a pesar de que el desarrollo de mejores
sensores no reduce significativamente la aparición de MA), trabajar detectando picos sistólicos en el dominio
del tiempo o picos espectrales en el dominio de la frecuencia. El número de técnicas desarrolladas para
calcular el pulso, y las diversas combinaciones entre ellas para alcanzar la mayor precisión posible sin
sacrificar el coste computacional es enorme, y se definirán en el siguiente apartado aquéllas que han hecho
avanzar más el cálculo del pulso mediante la fotopletismografía hasta llegar a nuestros días.

5.1 Técnicas de reducción de presencia de MA en señales PPG

Una característica de los algoritmos basados en la reducción de MA suelen ser la alta complejidad
computacional que presentan, y que en la mayoría de las ocasiones operan aunque la señal PPG no esté
afectada por MA y no sean necesarios, por lo que pueden llegar a distorsionar la señal.
Existen métodos más específicos en los que se quiere eliminar únicamente el artefacto debido a la respiración.
Para ello se usan dos sensores, uno normal para señal PPG, y otro sensor para MA. Aplicando un filtro
adaptativo a las salidas de los dos sensores, se puede cancelar de manera efectiva el efecto de los MA durante
ejercicio intenso. Teniendo en cuenta que la respiración tiene un ritmo de 15/20 ciclos/minuto en reposo,
bastante diferente del ritmo de los latidos, se puede eliminar fácilmente. Aunque durante el ejercicio puede
subir a 60 ciclo/minuto, por lo que se solapa a la señal PPG pulsátil y la limpieza se hace más difícil.
Para solucionar este problema, se coloca un sensor en contacto con la piel para obtener la señal PPG y los MA,
mientras que el otro sensor, de ruido, no se coloca en contacto con la piel, de manera que sólo detecte los
motions artifacts.
Este montaje también se puede usar para emplear la señal del sensor que no está en contacto con la piel (sensor
de MA) como entrada a un filtro adaptativo que sirva para cancelar los artefactos. Se verá en un apartado
posterior, pero algunos de estos filtros adaptativos podrían ser el LMS, NLMS (Normalized Least Mean
Squares) o RLS para estimar una señal que sirva para cancelar el ruido de la señal PPG corrupta, y
proporcionar una señal limpia.

5.1.1 Filtros de media móvil.

El uso de filtros de media móvil ha sido común para eliminar ruidos y suavizar señales. Aplicados a la
eliminación de MA, funcionan correctamente para rangos limitados de actuación de los artefactos, pero no tan
bien para cambios repentinos. El filtro de media móvil periódico (PMAF), aprovecha la cuasiperiodicidad de
la señal PPG para segmentar la señal en periodos y reensamblarla en cada periodo, consiguiendo reducir los
MA sin degradar la señal. No obstante, no es aconsejable usar filtros fijos para eliminar artefactos donde se
solapan con la señal PPG, así que la alternativa es usar bancos de filtros y filtros de coincidencia (matched
filter).

5.1.2 Filtros adaptativos

Un enfoque para reducir los MA también muy común es el de los filtros adaptativos, normalmente usados
como una de las etapas de un método más complejo junto a otras técnicas. Básicamente se aplica un filtro
adaptativo (como un filtro Least Mean Square, LMS) como un conjunto de procesos de estimación para
cancelar el ruido y los MA y conseguir una señal PPG limpia. Sin embargo, estas técnicas introducen desfases
que pueden comprometer su interpretación (Foo, 2006 [55]). Los filtros adaptativos funcionan bien, no
degradando la señal PPG, pero elegir el orden adecuado y el factor de convergencia puede ser complicado.
Son fáciles de implementar y buenos para situaciones de tiempo real, pero un problema puede ser la necesidad
de sensores extra para generar entradas de referencia.
55
56
Estado del arte

La introducción de filtros adaptativos revolucionó la sensibilidad de la pulsioximetría, permitiendo trabajar

incluso en condiciones de baja perfusión o interferencias de ruido severas (Graybeal and Petterson, 2004 [56]).
La función básica del filtro es remover la señal no deseada, en este caso la debida a los artefactos de la señal de
interés (PPG limpia correspondiente a la señal pulsátil). Una técnica común de filtrado es la que separa la señal
del ruido usando los picos en el espectro de frecuencia de la señal y los artefactos. Usando además técnicas de
filtrados adaptativos, el error cuadrático medio de la señal (diferencia entre la respuesta deseada y la actual
respuesta del filtro) se puede minimizar. Se requieren dos señales de entrada: la señal corrupta, y la referencia
que contiene la potencia del ruido, que puede obtenerse a partir de un acelerómetro, de otro sensor o de señales
sintéticas generadas internamente. Sin embargo, una limitación de esta técnica de filtrado es la que tiene lugar
cuando los picos espectrales de la componente pulsátil y el ruido debidos a artefactos son similares, debido a
que sería imposible separarlos.

5.1.2.1 Filtro LMS

El algoritmo adaptativo least mean square elimina la señal causada por los MA con ayuda de una referencia,
que se puede estimar de manera sintética u obtener por medio de hardware extra, y adaptando los coeficientes
del filtro basados en el orden del filtro. Usa la imitación de la señal deseada buscando los coeficientes que
conseguirán el menor error cuadrático medio de la señal.
Algunas variantes de este tipo de filtro son el LMS normalizado (NLMS), recursive least squares (RLS), time
varying step-size LMS (TVS-LMS), adaptative size-step LMS (AS-LMS) y el filtro Kalman.
Los estudios indican que filtros LMS con tamaños de paso variable obtienen mejores resultados que aquéllos
que tienen un paso fijo. Otro problema a tener en cuenta es la velocidad de convergencia. El filtro TVS-LMS
ofrece una velocidad de convergencia rápida, pero el filtro AS-LMS, minimiza el error cuadrático medio de
manera más veloz.
Un ejemplo del uso de este tipo de filtros es el de una técnica basada en filtros adaptativos que emplee un filtro
AS-LMS con una señal sintética como referencia del ruido, generada internamente a partir de la señal PPG
corrupta (sin necesidad de hardware extra). Esta señal se filtra pasando a través del AS-LMS para conseguir
eliminar los artefactos y proporcionar una señal PPG limpia que permita calcular la HR con facilidad.
Otro ejemplo es el B. Lee et al. (2010 [57]), que emplean un filtro de suavizado de intervalo fijo de Kalman,
que en conjunto con un filtro adaptativo (LMS) puede usarse para estimar una reducción de los MA, y
proporcionar información fiable para reconstruir la señal. Es más, con la inclusión de una estructura especial
de datos en el filtro de Kalman, se puede estimar la verdadera PPG, permitiendo extraer la señal limpia incluso
si está en la misma banda de frecuencias que el ruido.

5.1.3 Cancelación adaptativa de ruido (ANC)

Basándose en los filtros adaptativos que se han mencionado en el apartado anterior, se cimentan las técnicas de
ANC (adaptative noise cancellation), que se valen de señales sintéticas generadas internamente, o dispositivos
adicionales, para obtener una señal de referencia de la señal de ruido que utilizar para limpiar señales PPG
corrompidas por artefactos (L. B. Wood y H. Asada, 2007, S. H. Kim, D. W. Ryoo, and C. Bae, 2007 [58]
[59]). El dispositivo que se añade al sensor PPG puede ser tanto un acelerómetro de hasta tres ejes, como un
sensor de reflectancia adicional (H. H. Asada et al. 2003 [60]). Uno de los inconvenientes de este enfoque es el
coste del hardware extra para conseguir la referencia de ruido, teniendo en cuenta que los estudios no han
determinado con seguridad que exista correlación entre los datos obtenidos por el acelerómetro y los MA de la
señal PPG.
Para resolver este problema, M. R. Ram et al. (2010 [61]), desarrollaron un método en el que se se propone
generar una referencia de ruido sintética, junto con el uso simultáneo de singular value decomposition (SVD),
análisis de componentes independientes (ICA) y transformada rápida de Fourier (FFT). Asumiendo
básicamente que la señal PPG original tiene sólo potencia en ciertas frecuencias y el resto es ruido, se usan
estos tres métodos para generar tres referencias de ruido. El algoritmo elige entre las tres para cuantificar la

56
 Medición del ritmo cardíaco mediante Fotopletismografía 57

aletoriedad de cada señal usando asimetrías y curtosis, dando por cierto que los MA no estarán correlados por
provenir de diferentes fuentes de ruido
Algunos de los algoritmos más relevantes de los últimos años que hacen uso de esta técnica se explicarán con
más detalle a continuación:

5.1.3.1 ANC con referencia sintética

Para implementar técnicas ANC se necesita una señal de referencia, pero esto no tiene porqué significar que
deba ser generada con ayuda de algún dispositivo adicional. Los filtros adaptativos son capaces de ajustar su
respuesta de impulso para filtrar la señal correlacionada en la entrada. Lo hacen en principio sin conocer
información de las características de la señal o el ruido, ajustando sus coeficientes basados en algún algoritmo
adaptativo. La cancelación de ruido adaptativo depende del concepto de correlación.

Figura 5-2. Ejemplo de filtro adaptativo.

En la Figura 5-2 se puede observar un ejemplo de filtro adaptativo [62]. La señal d(n) es la señal PPG corrupta,
combinación de la señal limpia s(n) y los artefactos v’(n). La señal secundaria u(n) es el propio artefacto, e(n)
es la señal mejorada, y(n) es el ruido (artefactos).
El criterio importante que hay que satisfacer en ANC es que exista alta correlación entre el ruido en la señal
primaria d(n) y la secundaria u(n), señal de ruido. No debería haber correlación entre u(n) y s(n). La señal en
y(n) aproxima el ruido en d(n) y la señal de error e(n) aproxima la señal s(n). El algoritmo que se considera
aquí es normalized least mean squares (NLMS).
La señal de referencia sintética de ruido se usa en lugar de un acelerómetro, de manera que no se necesite
hardware extra. Para generar en esta señal, se observa el espectro de frecuencia de la señal PPG corrupta por
MA, que consiste en varios componentes de frecuencia; la parte pulsátil cardíaca (0,5-4Hz), la actividad
respiratoria (0,2-0,35 Hz) y la información de la componente de ruido MA (0,1 Hz o más). Al poner a cero los
coeficientes de la frecuencia de la actividad cardíada y respiratoria en el espectro de la PPG dañada por la MA,
se obtiene un espectro modificado que corresponde aproximadamente al ruido. Con la transformada inversa de
Fourier al espectro modificado, generamos señal de referencia de ruido sintética que representa a los motion
artifacts.
Para reducir la complejidad del filtro adaptativo usado, se puede sustituir por un algoritmo rápido transversal
RLS (Recursive Least Square). El filtro RLS usará la referencia generada artificialmente para reducir el ruido,
y su salida será una estimación que se restará a la señal PPG corrupta para conseguir una señal reconstruida y
limpia de MA.

57
58
Estado del arte

5.1.3.2 ANC de dos etapas con señal sintética

Rasoul Yousefie et al. desarrollan un algoritmo de dos etapas de cancelación adaptativa de ruido para eliminar
los MA cuyas fuentes son los efectos del tejido o los cambios en la sangre venosa durante movimientos del
sujeto, con el objetivo de conseguir una forma de señal limpia que se pueda utilizar posteriormente para la
extracción de características [41].
El método emplea un ANC de dos etapas que usa un filtro LMS normalizado con una nueva referencia de
señal en cada etapa (Figura 5-3) [41].

Figura 5-3. Canceladores de ruido adaptativo.

a) Con referencia de ruido (N) b) Con referencia de señal (M)

El algoritmo se basa en los siguientes pasos:

1. Eliminar ruido debido a los efectos del tejido de las señales roja e infrarroja. Para ello se emplea
una primera etapa de ANC con un par de filtros adaptativos lineales (se elige NLMS).
2. Extraer el período fundamental. Usando las señales mejoradas obtenidas después de haber
eliminado el ruido. Para ello se usa la autocorrelación de la señal PPG.
3. Encontrar la referencia óptima del ruido venoso (𝜷𝒐𝒑𝒕 ). Eligiendo entre la señal roja o infrarroja
del apartado 1.
4. Mejorar las señales roja e infrarroja. A partir de 𝛽 (que varía en el tiempo) como referencia para
una segunda etapa ANC. Las señales obtenidas servirán para monitorizar y extraer una mayor
cantidad de características.
5. Calcular HR y saturación de oxígeno (𝑺𝑷𝑶𝟐 ). Utilizando la señal obtenida después de eliminar el
ruido debido al tejido y a los cambios de la sangre venosa por el movimiento.
Se emplea el espectrograma (computado con una transformada de Fourier) para visualizar la señal afectada por
los MA y la señal limpia, en la que se puede observar los armónicos dominantes de manera más clara.
La evaluación del algoritmo corre a cargo de un convenio Bland-Altman y análisis de correlación contra
referencias de HR de ECG comercial y sensores SpO2 durante diferentes actividades.

58
 Medición del ritmo cardíaco mediante Fotopletismografía 59

5.1.4 Técnicas de análisis tiempo-frecuencia

En este apartado se pueden encontrar técnicas que tratan de descomponer una señal en otras más sencillas,
como EMD (empirical mode decomposition), transformadas Wavelet, o análisis de series de Fourier ciclo a
ciclo (en cada latido), conocidas como FSA.

5.1.4.1 EMD

EMD es una técnica inicialmente propuesta para el análisis de mecánica de fluidos, que prontó encontró
aplicaciones en el procesamiento de señales biómedicas. La idea clave de esta técnica es que cualquier serie
complicada en el dominio del tiempo puede descomponerse en una serie de “funciones de modo intrínseco
(IMF)”, cada una de las cuales implica un solo modo de oscilación. Al desglosar la señal en componentes, se
puede comparar con otros métodos de análisis como la transformada de Fourier o la transformación Wavelet.
Usando este método cualquier conjunto complicado de datos puede descomponerse en un número finito (y a
menudo pequeño) de componentes, formando una base completa y casi ortogonal para la señal original. Es
adaptativo, altamente eficiente, y no requiere abandonar el dominio del tiempo [63].
Cada una de las IMF tiene que cumplir dos requisitos;
 En todo el conjunto de datos, el número de extremos y cruces por cero deben ser iguales o al sumo
diferentes en uno.
 En cualquier punto, el valor medio de las envolventes superior e inferior (definidas por los máximos y
los mínimos respectivamente) deben ser iguales a cero.
Esta técnica se usará para descomponer la señal en otras más sencillas con el objetivo de identificar las
componentes causantes de los artefactos, y eliminarlas para reconstruir una señal limpia. Q Wang et al. (2010
[64]) propone uso de EMD combinada con transformada Hilbert-Huang para reconstruir la señal PPG lmipia.
Por otra parte, Sun et al. (2012 [65]) proponen un método de procesamiento de señal basado en análisis
mutiescala de la señal usando EMD para extraer los latidos del corazón correctamente, con el objetivo de
detectar posteriormente picos sistólicos en las señales PPG

5.1.4.2 Análisis de Fourier ciclo a ciclo

Las series de Fourier se utilizan para reducir los MA en la señal PPG, y reconstruir la señal original antes de
que fuese afectada por el ruido. Esta técnica da mejores resultados a la hora de eliminar artefactos que otras
como ANC, ICA o WT.

El análisis de series de Fourier (FSA) permite la descomposición de señales periódicas en un conjunto de

señales senoidales formados por la frecuencia fundamental y armónicos. No se puede aplicar a señales
cuasiperiódicas como la PPG, por lo que se divide en un número de ciclos dependiendo del periodo para poder
aplicar Fourier a cada ciclo. Es suficiente con calcular 7 coeficientes por cada ciclo para mantener la
morfología de la señal PPG.
De esta manera, se consigue una señal:

fc (t )  f (t )  fa (t ) (5.1)

donde 𝑓 (𝑡) es la señal PPG corrupta, f(t) es la señal PPG limpia, y 𝑓 (𝑡) es la señal de MA. Desarrollando
como serie de Fourier, se pueden hacer cero todos los términos que dependan de 𝑓 (𝑡), y conseguir de esta
manera una señal con los MA reducidos.
La señal se puede filtrar antes usando un filtrado de Savitzky-Golay (SG) para suavizarla y remover la alta
frecuencia.
59
60
Estado del arte

5.1.4.3 Transformada Wavelet

Las señales biológicas tienden a no ser estacionarias, y sus propiedades pueden cambiar con el tiempo. Los
métodos tiempo-frecuencia como las transformadas Wavelet (WT) pueden obtener señales mejores que las de
técnicas tradicionales, como por ejemplo el análisis de Fourier.
El concepto de la transformada Wavelet es el de aplicar convolución a una señal con una pequeña onda que es
desplazada del inicio al final de la señal, llamada wavelet. De esta manera se amplifican ciertas frecuencias en
función de la escalada usada, por lo que la WT enfatizará distintas frecuencias diferentes en la señal al cambiar
la escala [66].
El análisis Wavelet se lleva a cabo descomponiendo una señal mediante desplazamientos y escalados respecto
a la original (distintas versiones de la señal madre). Lo que se busca es encontrar un ratio óptimo entre las
resoluciones en los dominios de tiempo y frecuencia. Se definen la transformada continua (CTW) y discreta
(DWT). La CWT es la suma sobre todo el tiempo de la señal multiplicada para escalarla, y versiones
desplazadas de la función Wavelet Ψ. La transformada Wavelet Continua de una función f se expresa como:


CWT ( scale, position)  

f (t ). ( scale, position, t )dt (5.2)


1  t  
CWT ( s, ) 
s 

f (t ) * 
 s
 dt

(5.3)

Donde Ψ es la wavelet hija, versión de la wavelet madre que es escalada por factor s y desplazada un factor τ.
En la DWT se muestrea la Wavelet de manera discreta, obteniéndose al aplicar un par de filtros paso bajo y
paso alto con reducción de muestreo en cada nivel de descomposición. En el caso de la Wavelet estacionaria
(STW), no se hace reducción de muestreo y la longitud en cada nivel es igual que el de la original. Esta última
es la que normalmente se usa para el procesamiento de señales ruidosas.
Lee et al. (2003) plantean emplear una transformada Wavelet para eliminar ruido con la WT estacionaria
(SWT) y la transformada de Wavelet de módulo máximo (WTMM). La señal corrupta se descompone en siete
niveles de SWT para establecer movimiento circular. Después se reconstruye aplicando la inversa de la SWT y
la WTMM para eliminar la señal de ruido [67].
Como se ha comentado, la WT constituye un buen método para analizar señales no estacionarias. Es una
buena alternativa a la Short Time Fourier Transform (STFT), ya que tiene la capacidad de enfocarse en
algunos aspectos concretos de la señal que se pierden con otros métodos, y además puede comprimir o limpiar
de ruido una señal sin degradarla.
Si se precisa información en baja frecuencia, el análisis Wavelet permite el uso de intervalos largos de tiempo,
y viceversa.
La transformada Wavelet generalmente es usada para compresión de datos, detección de bordes, o eliminación
de ruido. En el caso que ocupa a este proyecto, la WT se utilizará para reducir los MA de una señal PPG
corrupta. Los MA se suelen minimizar mejor si se divide la señal en un conjunto de sub-bandas wavelet.
Después de la descomposición Wavelet, la sub-banda de alta frecuencia contendrá la mayor parte del ruido y
la de baja frecuencia la mayor parte de la señal de información. Posteriormente, en otra etapa los picos se
detectarán en la señal reconstruida, usando para ello un umbral, o un algoritmo más complejo.
Es usada para análisis porque ofrece suficiente información con una significativa reducción del tiempo de
computación. La señal pasa por una serie de filtros paso alta y paso bajo para analizar las altas y bajas
frecuencias respectivamente, cambiando la frecuencia reduciendo o aumentando la tasa de muestreo
(downsampling y upsampling).

60
 Medición del ritmo cardíaco mediante Fotopletismografía 61

5.1.5 Separación ciega de fuentes

Los algoritmos de Separación Ciega de Fuentes (BSS, Blind Source Separation o Blind Signal Separation) se
basan en la separación de un conjunto de señales fuente a partir de un conjunto de señales en las que las
fuentes se mezclan. Es decir, a partir de señales mezcladas que son fruto de un conjunto de señales fuente, se
quiere conseguir éstas últimas a partir de las primeras, con muy poca o ninguna información sobre las fuentes
o el proceso de mezcla. En el caso de la PPG, el objetivo es estimar un conjunto de señales no corrompidas de
un conjunto de señales mezcladas asumiendo que contienen la señal limpia y fuentes de ruido. Existen
diferentes métodos de separación ciega de fuentes. Los más usados para la reducción de artefactos en las
señales PPG son análisis de componentes independientes (ICA, independent Component Analysis),
descomposición de valores singulares (SVD, Singular Value Decomposition), análisis de componentes
principales (PCA, principal component analysis) y análisis de subespacio estacionario (SSA, Stationary
Subespace Analysis). El problema de este tipo de técnicas es que necesitan varias fuentes de señal, por lo que
se tendrá que disponer de varios sensores para llevarlas a cabo. Por otra parte, asumen que existe una señal
PPG limpia de referencia subyacente a una señal corrupta y que se puede encontrar, aunque a menudo no sea
posible. Por otra parte, estas técnicas pueden introducir distorsión que introduzca un sesgo y conduzca a
diagnósticos erróneos.

5.1.5.1 PCA

El análisis de componentes principales es un procedimiento estadístico que utiliza la transformación

orthogonal para convertir un conjunto de observaciones de variables posiblemente correlacionadas en un
conjunto de valores de variables linealmente no correlacionadas que se denomina componentes principales.
PCA identifica patrones en los datos y los expresa de tal manera que resaltan sus similitudes y diferencias. De
esta forma, con PCA se puede visualizar de manera más sencilla información acerca del ruido en la señal PPG,
que permanecía oculta en la señal PPG corrupta original.

5.1.5.2 SSA

El análisis de subespacio estacionario es un algoritmo que factoriza una serie temporal multivariante (con
diversas fuentes que pueden ser o no estacionarias), permitiendo separar en componentes estacionarios y no
estacionarios.
Salehizadeh et al (2016) usaron esta técnica para descomponer el segmento corrupto adyacente al segmento
limpio de la señal PPG, y elegir los componentes SSA en la señal corrupta que tienen un rango similar de
frecuencias a los componentes limpios adyacentes [68].

5.1.5.3 SVD

La descomposición de valores singulares es una factorización de una matriz real o completa, generalización la
descomposición propia de una matriz semidefinida positiva a cualquier matriz mxn a través de una extension
de la descomposición polar [69].
La SVD de una matriz X será una matriz mxn de datos reales con 𝑚 ≥ 𝑛, dada por (5.4).
X  USV T (5.4)

donde U matriz mxn, S matriz diagonal nxn y 𝑉 también una matriz nxn.

61
62
Estado del arte

Los valores singulares son la diagonal de elementos de S; S = diag (𝜎 , 𝜎 , … , 𝜎 ), los vectores singulares de
la izquierda de X son las columnas de U, y los vectores singulares de la derecha de X son las columnas de V.
Como los valores singulares decaen rápido, se puede hacer una aproximación.
j

X   ui i viT (5.5)
i 1

con 𝑢 y 𝑣 las i-ésimas columnas de U y V.

La señal PPG con un periodo de n muestras se usa para formar una matriz X, que estará formada por diferentes
matrices con filas de diferente longitud, la cual ha sido formada a partir de una señal PPG x(k) con k=1…M.

 x(1) x(2)  x ( n) 
 
x(n  1) x(n  2)  x(2n) 
X  (5.6)
     
 
 x((m  1)n  1) x((m  1)n  2)  x(mn) 

El rango de las longitudes de las filas elegidas representa el HR entre 0,8 Hz y 2 Hz. SVD se aplica a cada
matriz y SVR (singular value ratio) se calcula en cada caso en el que es el ratio de los dos primeros valores
singulares 𝜎 /𝜎 . Aplicando este método, se van obteniendo ciclos de la señal PPG libre de artefactos, por lo
que hay que repetirlo hasta que se consiga limpiar la señal entera.

5.1.5.4 ICA

El análisis de componentes independientes es un método computacional para separar una señal mezclada en
subcomponentes aditivos que puedan dar lugar a la señal original. Esto hace asumiendo que las
subcomponentes son señales no gaussianas, estadísticamente independientes entre sí. En este caso, se asume
que las señales PPG (pulso arterial) y MA son estadísticamente independientes, y por tanto se podrán separar
aplicando ICA a la señal PPG corrupta. Pero esto no es del todo cierto. Además, necesita varias señales, ya que
disponer sólo de la señal de un sensor dificulta la aplicación de un método basado en ICA. Una alternativa es
un filtrado paso bajo junto a análisis de componente principal, visto en el aparado anterior.
Para ICA, la señal PPG corrupta contiene diferentes señales de interés, y puede ser modelada como X, siendo
X una mezcla de la señal PPG limpia y los MA. Existen versiones de ICA, siendo una de las más comunes el
algoritmo Fast ICA. Se realiza un preprocesamiento que incluye filtrado paso bajo, y bloques intercalado, que
mezcla las muestras de la señal basándose en el período de la señal PPG para reorganizarla en una señal con
disinto orden. Habrá que deshacer el proceso antes de aplicar ICA.
5.1.5.4.1 Método cICA y filtrado adaptativo
Fulay Peng et al (2014) proponen un método que combina temporalmente análisis de componentes
independientes restringidas (constrained independent component analysis, cICA) y filtros adaptativos para
limpiar de MA la señal de PPG sin afectar a la amplitud [70]. En su estudio afirman que elimina el ruido mejor
que los algoritmos FFT-LMS y los basados en filtros de media móvil, ya que los MAF (moving average
filters) son buenos para eliminar ruido esporádico, pero ineficaces cuando los ruidos son muy fuertes o
repentinos y Wavelet Transform o EMD pueden eliminar ruido en un rango más amplio, pero es complejo
decidir el umbral apropiado para decidir qué componentes han de ser eliminadas (que son susceptibles de
variar significativamente según el individuo).

62
 Medición del ritmo cardíaco mediante Fotopletismografía 63

ICA se usa para separar la señal corrupta de la PPG limpia suponiendo que son de fuentes independientes,
aunque tiene cierta ambigüedad, y se necesita precisión para técnicas como la pulsioximetría.
La señal roja e infrarroja es una mezcla de las fuentes PPG y los MA. Estos últimos pueden deberse a
múltiples motivos, por lo que se pueden suponer fuentes diferentes. Como PPG posee un comportamiento
cuasiperiódico, puede extraerse con el algoritmo cICA, con la ayuda de la información periódica de la señal
PPG, pero perdiendo la información de la amplitud de la señal PPG. Esta amplitud podemos recuperarla con
los filtros adaptativos, que eliminarán el ruido MA en la banda que solapa con la señal PPG.
El preprocesamiento incluye un filtrado a paso de baja para eliminar la componente DC.
A continuación, se genera una señal de referencia para el algoritmo cICA, obteniendo información acerca de la
señal deseada, como el periodo de la PPG, ya que los MA tendrán una forma más irregular (movimientos
involuntarios o voluntarios). Se usará la autocorrelación en el canal IR para obtener el periodo de la señal, de
manera que las entradas del algoritmo serán ambas señales y el periodo obtenido.
La señal PPG correlacionada libre de artefactos entra en el filtro adaptativo como referencia para recuperar la
información de los dos canales PPG. Se usa un filtro LMS. Las dos señales corruptas se usan como las
correspondientes señales deseadas, respectivamente, de manera que se obtrendrán dos canales PPG con MA
reducidos.

5.1.6 Técnicas con acelerómetro como referencia

Otro enfoque común es el uso de acelerómetros como referencia de la señal de ruido para cancelar los MA en
las señales PPG. Aunque se consigue eliminar gran cantidad de artefactos de esta manera, ya que la señal de
aceleración proporciona información muy útil del ruido debido al movimiento, tiene también inconvenientes
importantes. El acelerómetro debe estar acoplado con el sensor PPG y las señales deben estar sincronizadas
para encontrar la referencia de ruido. Además, los estudios han determinado que no hay correlación directa
entre los movimientos (datos de aceleración) y los MA en la PPG, ya que el movimiento es uno de los factores
que contribuyen, pero no el único (Yousefi et al 2012 [71]). Otra limitación de los acelerómetros de 3 ejes es
que proyectan movimientos en 3D mientras que la PPG está cogiendo datos de una superficie
No obstante, el problema de generar hasta 3 señales artificiales usando la señal corrupta (construidas mediante
SVD, FFT o ICA) para aplicarlas a un filtro LMS (adaptative size LMS o AS-LMS) con el objetivo de
eliminar artefactos es que son métodos limitados por la sensibilidad de la señal de referencia, y reconstruir la
señal con esta referencia es difícil cuando los sujetos practican ejercicio. Por lo tanto, multitud de técnicas en
los últimos años hacen uso de un acelerómetro, normalmente de tres ejes, para obtener una referencia de la
señal de ruido que permita limpiar de MA la señal PPG corrupta. Algunos de los enfoques más significativos
que emplean este dispositivo son los siguientes.

5.1.6.1 Filtrado Wiener y Phase Vocoder

Andriy Temko (2015) propone un algoritmo que se basa en el uso de filtro Wiener y Phase Vocoder. El
acelerómetro es usado en este método para estimar las características de ruido que luego serán atenuadas por el
filtro Wiener, eligiéndose la frecuencia de mayor magnitud de la señal sin ruido para el resultado del HR. El
phase vocoder se aprovecha para superar la resolución limitada de la transformada de Fourier y refinar la
frecuencia dominante inicial de cara a estimar la HR con mayor precisión (Figura 5-4) [72].

Figura 5-4. Algoritmo Wiener y Phase Vocoder.

63
64
Estado del arte

A la entrada se tienen la señal PPG y la señal del acelerómetro. Se les hace un preprocesado filtrando con un
Butterworth de cuarto orden (0,4-4 Hz), y se normalizan a media cero y varianza unidad.
Después de esto se pasan al dominio de la frecuencia por la DFT. El filtro Wiener se aplica para remover los
MA de la PPG, separando la señal de ruido que no estará correlada con la señal limpia, para después restarle
esta señal a la señal de PPG de la que disponemos, para conseguir eliminar los efectos de los MA. La
frecuencia dominante de esta señal limpia se podrá traducir a HR en BPM.
Para aumentar la resolución de la DFT se usa el phase vocoder para estimar la frecuencia instantánea. Las
fases del pico elegido en el espectro de magnitud de los valores previos y actual se usan para refinar la
estimación inicial de frecuencia.
El posprocesado incluye búsqueda histórica de picos y suavizado, usando las estimaciones previas del HR para
guiar el máximo rango de búsqueda en la DFT. Como método de evaluación se utiliza el error absoluto total,
teniendo en cuenta que se estiman ventanas de 8 segundos cada dos segundos.

5.1.6.2 SpaMA

Este método, propuesto por Seyed M. A. Salehizadeh et al. (2015) se presenta como una nueva técnica para la
reconstrucción precisa de señales corrompidas por ruido, y la detección de HR basado en análisis espectral. El
algoritmo recibe el nombre de filtrado espectral para MA y reconstrucción de frecuencia cardíaca (SpaMA), y
la idea es calcular la densidad de espectral de potencia (PSD) de las señales PPG y acelerómetro para cada
intervalo de tiempo (segmentado por ventanas). Mediante la comparación de la evolución en el tiempo del
espectro de ambas señales, los picos de frecuencia de la señal PPG y de la señal MA podrán diferenciarse [68].
La idea es calcular PSD de las señales PPG y de aceleración segmentando con ventanas, en tiempo real para
escalar cada estimación de la PSD con el ancho de banda equivalente de ruido de la ventana. Para el cálculo de
la PSD, se usa el periodograma, aunque presenta problemas por ser un estimador inconsistente, con alta
varianza y leakage effects. Remuestreamos la señal bajando la cantidad de muestras para solventar estos
problemas, y limitamos el espectro al rango de frecuencia en el que pueden estar las pulsaciones.
En la etapa de detección de picos se buscará los tres primeros picos en la señal PPG y en la señal de
aceleración, y nos quedaremos con los picos de la señal PPG que sean diferentes a los otros.
El algoritmo SpaMa dispone de cinco etapas.
1. Cálculo de la densidad espectral de potencia (PSD) con la variación del tiempo. Remuestreamos
la señal bajando el muestreo de las señales PPG y aceleración. Aplicamos PSD al rango 0-10 Hz. La
variación de tiempo a la hora de calcular la PSD se consigue con ventana de T segundos con la que
segmentamos la señal al ir deslizándola por el conjunto de datos.
2. Filtrado espectral. Se asume que HR estará en el rango 0,5 Hz – 3 Hz. Los primeros tres picos más
grandes y sus correspondientes frecuencias en la PPG filtrada por espectro se asumen como señales
con información de HR. Sólo el pico más alto de la señal MA se utilizará para detección de MA en la
fase 3.
3. Detección de motion artifacts. Se compara la frecuencia de los tres picos más altos de la señal PPG
con los picos más altos de la aceleración. Si el primer o el segundo pico más alto de la PPG es similar
al pico del acelerómetro, hay MA en señal PPG. Si es el caso, descartamos ese pico en PPG.
4. Reconstrucción de HR.
Caso 1. Si el espectro está corrompido por MA y sólo el pico más grande lo está, el segundo pico
indicará el valor de HR.
Caso 2. Si el espectro está corrompido por MA y los dos primeros picos lo están porque tienen
frecuencias parecidas al pico de la señal de aceleración, el tercer pico dará la información sobre la
frecuencia de HR.
Caso 3. HR no se puede extraer debido a que el ruido contamina todo el segmento. Se usa el valor
previo calculado de la HR para determinar el valor.

64
 Medición del ritmo cardíaco mediante Fotopletismografía 65

5. Reconstrucción de señal. La señal PPG se reconstruye utilizando la amplitud, frecuencia y fase

correspondiente a los componentes HR que son calculados desde el espectro para cada ventana.
A la hora de validar el algoritmo, se usa el error medio absoluto comparando el algoritmo con la referencia
conseguida con el ECG.

5.1.6.3 SPECTRAP

Este nuevo método propuesto por Biao Sun y Zhilin Zhang (2015) emplea señal PPG y simultánea grabación
de datos de aceleración. En primer lugar, se calcula el espectro de la señal PPG y de la señal de aceleración, y a
continuación se elimina la componente de ruido usando un algoritmo de sustracción de espectro, basado en
asymmetric least square (ALS). Para encontrar los picos espectrales correspondientes al HR del espectro
resultante, SPECTRAP formula el problema como un problema de clasificación de patrones, y usa decisión
Bayesiana para resolverlo [73].
La sustracción de espectro (SS) es un enfoque ampliamente adoptado para eliminar el espectro de los datos de
aceleración del de la señal PPG, suprimiendo efectos de los MA. Popular dada su escasa complejidad
computacional y su facilidad de implementación, no es tan robusta ni efectiva sin embargo en algunos
escenarios prácticos.
SPECTRAP, de SPECtrum subtraction, peak TRAcking, utiliza como referencia una señal de acelerómetro de
tres ejes, y desarrolla un filtro asymmetric least squares spectrum subtraction (ALS-SS) para eliminar los MA
de la señal PPG, limpiando y suavizando la señal.
Comienza con un preprocesamiento consistente en filtrar con un paso banda teniendo en cuenta las frecuencias
de corte marcadas por la frecuencia cardíaca de los adultos (que varía entre 0,5 y 3 Hz), y se calcula la
densidad de potencia de la PPG y la señal de aceleración mediante el periodograma. Quitar el espectro de la
aceleración directamente del espectro de la señal PPG puede generar residuos negativos y falsos picos
espectrales. Por eso se utiliza el filtro ALS para limpiar la señal.
Por último, y ya con una señal a la que se le ha eliminado parcialmente el efecto de los MA, se monitorizan los
picos espectrales basándonos en teoría de decisión Bayesiana, y teniendo en cuenta propiedades estadísticas de
la señal PPG y conocimiento previo sobre las características de los picos espectrales. Dividimos el problema
en detección de picos, y selección de picos, basándonos para esta última en la amplitud de pico y la separación
pico a pico como características para la clasificación.
Finalmente se realiza un posprocesamiento para prevenir estimaciones incorrectas. Como se puede haber
decidido incorrectamente debido a fuertes MA que se solapen con la PPG, se usa un filtro suavizador de media
móvil para corregir las estimaciones equivocadas.

5.1.6.4 Estimación de ruido con NLMS y detección de picos espectrales

Esta técnica planteada por Tim Schäck et al. (2015) elimina los MA mediante estimación adaptativa de las
funciones de transferencia de cada uno de los tres ejes de las señales del acelerómetro que producen artefactos
en la señal PPG, combinando la salida de seis filtros adaptativos en una señal mejorada en los dominios del
tiempo y la frecuencia [74].
Este método se basa en monitorización de PPG y señales de aceleración, lo que permite alcanzar gran
precisión con bajo coste computacional. Se aplican filtros adaptativos que estiman los efectos de los MA para
detectar la HR de la señal limpiada. Se supone que la señal es la suma de una PPG limpia, ruido debido a los
artefactos, y ruido de sensor y amplificador. Este algoritmo se basa en tres puntos.
En el primero, la respuesta al impulso no estacionaria es estimada y la influencia de los MA en la señal PPG,
es eliminada con ayuda de las señales de aceleración. Se usa un filtro adaptativo NLMS que minimiza la
diferencia entre la PPG medida y la señal de aceleración (para eliminar la potencia de la señal de aceleración).
En segundo lugar, se consigue una señal mejorada basada en las salidas de los filtros adaptativos, eliminando
en este proceso las componentes de ruido no coherentes. Cada filtro proporciona una estimación de la señal

65
66
Estado del arte

limpia, que combinaremos para eliminar las componentes no deseadas usando la FFT y multiplicación de los
espectrogramas.
Por último, un monitor de HR sigue la línea continua de energía alta más probable en el espectrograma para
decidir la frecuencia cardíaca.

5.1.6.5 TROIKA

Este algoritmo, desarrollado por Zhiling Zhang (2015), se basa en descomposición de la señal para eliminar
ruido, reconstrucción de señal dispersa para estimación de espectro de alta resolución y detección de picos
espectrales con verificación (Figura 5-5) [75].
Como la mayoría de los métodos están pensados para situaciones clínicas en las que los MA no suelen ser
excesivamente fuertes, pueden no funcionar bien en situaciones de ejercicio. Los MA hacen que estimar el HR
en señales PPG en dominio del tiempo sea difícil, por lo que se intenta realizar la estimación en el dominio de
la frecuencia. Un algoritmo muy usado es el del periodograma, computado a partir de la FFT. Pero tiene
algunos problemas, como ser un estimador inconsistente, con efectos leakage serios, lo que puede hacer que se
elijan picos de ruido cercanos al pico real de HR. Este problema se va a soluciona usando SSR (sparse signal
reconstruction) para estimar el espectro, con lo que se consigue mayor resolución, menor varianza y una
mayor robustez. Se requiere que el espectro tenga pocos coeficientes distintos de cero o muy cercanos a cero al
menos, para lo que se realiza el preprocesado que tiene como objetivo convertir la señal en dispersa.

Figura 5-5. Framework de algoritmo TROIKA.

El algoritmo consta de tres partes, teniendo como entradas las señales PPG y de aceleración.
1. Descomposición de la señal. Elimina parcialmente los MA y dispersa el espectro. Se elige SSA
frente a otros como SCICA (single-channel ICA), o EMD. Descompone una señal de tiempo en
componentes oscilatorias y ruido, usando SVD embebido, agrupamiento y reconstrucción.
2. Reconstrucción de señal dispersa. Calcula un espectro de alta resolución de la señal PPG, robusto
frente a ruido. Con SSR obtenemos el espectro de potencia más preciso.
3. Detección de picos espectrales. Se designan mecanismos de decisión para elegir los picos,
aprovechando el armónico de la HR, y sus valores en distintas ventanas. Inicialmente se elige el pico
más grande después de haber limpiado la señal. Posteriormente se selecciona el pico comparando el
obtenido previamente con un rango de búsqueda definido a su alrededor, donde se tienen cuenta picos
que puedan ser también el valor de la frecuencia cardíaca. Cuando se ha seleccionado finalmente uno,
se verifica que no se haya elegido un pico debido a MA o fluctuaciones del espectro, basándose en la
diferencia de HR entre dos ventanas consecutivas.

66
 Medición del ritmo cardíaco mediante Fotopletismografía 67

5.1.6.6 JOSS

Unos meses después, Zhiling Zhang et al. (2015) evolucionan el algoritmo TROIKA, formulando un nuevo
algoritmo en el que se estima el espectro de las señales PPG y de aceleración simultáneamente, utilizando
MMV (multiple measurement vector) para la recuperación de la señal dispersa. Esta técnica puede usarse para
detectar y eliminar fácilmente los picos espectrales de los MA en el espectro de la señal PPG, y no se necesita
pues procesamiento adicional para eliminar el ruido como en otros algoritmos [76].
El método Join Spectrum Reconstruction (JOSS) aprovecha que las señales de espectro de MA y PPG tienen
algunas estructuras en común. La idea de usar recuperación de señales dispersas ya se introdujo en TROIKA,
pero la novedad de este método es el uso del modelo MMV para estimación de espectro conjunto (se miden las
señales de PPG y MA) en lugar de SSR basado en SSA para la dispersión de la señal.
Una de las ventajas es que MMV tiene mucho mejor rendimiento en la reconstrucción frente a SMV (Single
Measurement Vector). También se mejora en la detección de los picos espectrales del ruido. En comparación
con TROIKA, que usaba SMV, no aparecen tantos problemas a la hora de detectar picos espectrales altos
cercanos al pico de la HR, e incluso se evita el problema que aparecía al calcular los espectros de PPG y MA
por separado en TROIKA, donde podía darse el caso de que un pico de MA estuviera en frecuencias distintas
en los espectros de la señal PPG y de la de MA.
MMV no es más que una extensión de SMV, que estima soluciones para vectores conjuntos y para múltiples
medidas de estos vectores. Gracias al este método, la sustracción del espectro es más fácil, y se hace
identificando los picos máximos de la señal de aceleración, y eliminándolos de las frecuencias de la señal
PPG. La detección de picos tiene cuatro pasos:
1. Inicialización. Se escoge el pico más alto de la señal del espectro.
2. Selección de picos. Se elige el pico ayudándose de la información de picos seleccionados en ventanas
previas.
3. Verificación de picos. Se puede haber seleccionado algún pico erróneamente, que sea de la señal
MA. La verificación se basa en la diferencia de BPM en dos ventanas de tiempo sucesivas, sabiendo
que valores demasiado altos son raros (el pulso no cambia tan rápido). Si pasa esto, los valores se
resetean a los de la decisión previa.
4. Descubrimiento de picos. Se realiza una predicción en un macrointervalo de tiempo de la evaluación
de los valores de HR.

El principal inconveniente de estos algoritmos, TROIKA y JOSS, reside principalmente en su coste

computacional, especialmente crítico a la hora de reconstruir señales dispersas, lo que los hace inadecuados
para una monitorización en tiempo real.

5.1.6.7 EEMD, RLS y Time-Domain Extraction en dispositivo de muñeca

Emroz Khan et al. (2016) hacen uso de dos señales PPG para estimar la frecuencia cardíaca en dos pasos. La
primera etapa elimina cualquier oportunidad de errores incontrolados recurriendo a un criterio basado en EMD
de conjunto (EEMD, ensemble empirical mode decomposition), lo que hace que el cálculo dependa muy poco
de valores anteriores de HR previamente calculados (se elimina fase inicial de descanso). La segunda etapa
aumenta la robustez del algoritmo frente a errores de desvío usando filtros recursivos de mínimos cuadrados
(RLS) complementados con un filtro adicional y novedoso, técnica que recibe el nombre de time-domain
extraction. Este método funciona para un canal PPG, o dos señales PPG [77].
Inicialmente la PPG se destinaba a monitorizar a pacientes en cama de hospital, usando dispositivos de
medición sujetos al dedo, e incluso ligeros movimientos de los pacientes podían causar distorsión. Sin
embargo, en la actualidad, más allá del escenario clínico es una técnica muy usada por deportistas o personas
que necesitan una monitorización de HR en tiempo real. Por lo que se necesitan métodos con un menor coste
computacional.

67
68
Estado del arte

La primera etapa cumple la función de asegurarse de que no se pierde la detección de los valores verdaderos
de HR (y se empiece a detectar valores falsos que se vayan arrastrando). Se aplica un método EEMD como
técnica para eliminar ruido con un criterio absoluto (AC, absolute criterion) para no depender de estimaciones
anteriores. EEMD es una técnica de procesamiento no linear que descompone la señal dada en un número de
funciones intrínsecas (IMF) con el objetivo de separar la señal PPG limpia de la señal MA. Si la señal PPG
contiene la información de la señal PPG limpia; normalmente está en una IMF específica para una frecuencia
de muestreo particular.
La segunda etapa se preocupa de la proximidad entre picos de MA y PPG, para no elegir estimaciones
erróneas, usando filtro recursivo RLS complementado con la técnica time-domain extraction.
Uno de los factores que puede causar picos MA cercanos a los picos sistólicos es el cambio en la separación
entre la muñeca y el sensor durante ejercicio intenso. Debido a este movimiento, puede haber momentos en los
que los sensores estén demasiado alejados de la piel, causando que a veces el pico correspondiente a MA esté
muy cercano al pico de HR, haciéndolos difícilmente distinguibles. HR es un proceso cuasi-periódico, pero no
es suficiente para distinguirlo de los MA, que pueden ser aperiódicos o periódicos.
El AC propuesto se basa en que si la señal PPG, tras ser convenientemente limpiada, muestra un pico fiable, se
asumirá que corresponde al HR original. Además, se puede complementar aplicando el hecho de que la
frecuencia cardíaca no presenta cambios repentinos en el apartado de detección de picos sistólicos.
Si el método EEMD no nos ha dado un pico fiable, se vuelve a las señales PPG originales para aplicarles el
filtrado de mínimos cuadrados. Con el filtro RLS se intenta eliminar las componentes de ruido correladas con
la señal PPG, con señales de un acelerómetro de tres ejes como referencias, buscando limpiar la señal y
obtener un pico de HR que se corresponda con el real.
Un aspecto imporante es que se ha notado que, para cierto tiempo de ventanas, no toda la señal se corrompe
del mismo modo por los MA. De hecho, partes de la ventana estarían lo suficientemente limpias como para
recortar esa parte y aplicar el algoritmo para obtener un valor de HR. Con la ayuda de las señales del
acelerómetro se intenta localizar las porciones de la ventana más y menos afectadas por el ruido, para recortar
una parte que no esté tan afectada y trabajar con ella, siendo ésta la base del time domain extraction.

5.1.6.8 HeartBEAT

El algoritmo HearBEAT o Heart beat estimation through adaptative tracking, desarrollado Huijie Pan et al.
(2016), monitoriza señal PPG y datos de acelerómetro de tres ejes simultáneamente para realizar un
procesamiento de estas señales que consta de tres partes: estimación del espectro de la señal PPG y datos de
aceleración, eliminación de MA en la señal PPG usando filto adaptativo recursive least Square (RLS), y
heurísticas auxiliares [78].
En este algoritmo, el espectro se estima usando el periodograma. Debido a la baja resolución de los datos
tomados, se usa estimación del espectro realizada por el periodograma para aumentarla, y a continuación se
filtran con un paso banda entre 2/3 Hz y 4 Hz (o entre 40 y 240 bpm) para eliminar datos de señal continua y
altas frecuencias que no aportan a la componente pulsátil Figura 5-6 [78].

68
 Medición del ritmo cardíaco mediante Fotopletismografía 69

Figura 5-6. Comparación de resolución de espectros calculados con Periodograma y FFT.

El siguiente paso es un filtrado adaptativo RLS. Se detecta un pico con amplitud significativa en el espectro de
aceleración, que también aparecerá en las señales PPG y poseerá una amplitud muy significativa en
comparación con los picos cerca del valor real del HR. Se usará el RLS para minimizar el error con esta señal
del ruido de referencia, y conseguir una PPG limpia en la que detectar los picos sistólicos.
Por último, se definirán unas heurísticas para aquellas situaciones en las que el ruido no viene del movimiento
y es más difícil de detectar con las señales de aceleración como referencia. Estas reglas incluyen escoger un
pico teniendo en cuenta los picos previos elegido, pero sólo guardando la información histórica de los últimos
cuatro picos, para no propagar un error de elección

5.1.6.9 HEALT-T

Juan Manuel Mayor Torres et al. (2016) plantean un método basado en fast ICA, RLS y filtrados Blackman-
Harris (BHW) que evita la reconstrucción de señales dispersas, manteniendo una alta precision [79].
La descomposición espectral para hacer frente a los MA propuesta en técnicas como M-FOCUSS (mejora del
algoritmo FOCUS, o focal undetermined system solver, y que se emplea para encontrar soluciones a un
sistema de ecuaciones lineales indeterminado mediante MMV) o JOSS conllevan un alto coste computacional,
debido a que el enfoque de estas técnicas se basa en SVD, MMV o cálculos recursivos, inviables para
escenarios de monitorización continua en tiempo real. La ventaja es que generan un nivel controlado de
dispersión del espectro y alcanzar mayor precisión.
Frente a estos métodos han surgido filtrados adaptativos como LMS, RLS, y filtros Kalman y Wiener; así
como múltiples estructuras Z-tap que tienen coste computacional bajo, pero dependen de una referencia de
señal y tienen peor precisión.
El algoritmo de este método para detectar picos con los que obtener la HR se basa en un filtrado de media
móvil inicial seguido de un esquema RLS y un filtro con ventana FIR Blackman-Harris (BHW) con ancho de
banda variable (Figura 5-7) [79].
Las entradas las constituyen una señal PPG y una señal proveniente de un acelerómetro de tres ejes. Les
aplicamos un algoritmo fast-ICA, que devuelve cinco componentes (una por cada uno de los dos canales PPG,
y una por cada eje del acelerómetro. El proceso de mezcla integra las dos señales PPG, señal a la que se le
aplicará un filtrado de media móvil para eliminar MA residuales.
Posteriormente, se hará uso del filtrado RLS para eliminar la incidencia de MA en la señal PPG, aplicándolo
de manera iterativa.

69
70
Estado del arte

El siguiente paso corre a cargo de un filtro BHW con el que se espera conseguir la banda de rechazo deseada
con un rizado máximo.
Por último, para encontrar los picos, y aumentar la precisión, se hace uso de un proceso de monitorización de
picos, que constará de tres etapas:
1. Selección de picos. Se escogen picos candidatos tras una inspección del espectro de la FFT.
2. Verificación de los picos. De los picos seleccionados, se escogen los que estén dentro de un rango
concreto.
3. Ajuste del ancho de banda del filtro BHW. En función de los picos verificados y confirmados
como correctos, se modifica la banda del filtro.

Figura 5-7. Etapas de algoritmo HEALT-T.

5.2 Técnicas para la detección de secciones de señal PPG corrompidas por MA

En muchas aplicaciones (especialmente dedicadas a hospitales y monitorización en casa) se tiene una
alternativa a la reducción del ruido debido a MA en las señales PPG. Ésta consiste en detectar secciones de la
señal PPG corrompidas totalmente por MA, y excluirlas del análisis de la frecuencia cardíaca.

5.2.1 NMIFS y SVM

En 2014, R Coucerio et al. consideran que la detección se puede mejorar porque las señales PPG limpias y
corruptas tienen períodos distintos, así que deciden buscar características de la forma de la señal PPG en el
dominio del tiempo. Estas características son evaluadas y comparadas usando una ventana deslizante y
seleccionan las más importantes con un algoritmo conocido como NMIFS (Normalized Mutual Information
Feature), de Estevez et al. (2009), despreciando las redundantes. Las más relevantes se usan como las entradas
de un Support Vector Machine (SVM), con el objetivo de usarlo como modelo de clasificación [80].
La metodología de su algoritmo de detección de MA cuenta con varios pasos:
1. Preprocesado de la señal y baseline removal. Se eliminan frecuencias que no representan
características importantes de la PPG.
2. Segmentación. La morfología de la PPG es resultado de una compleja interacción entre el corazón y
el sistema periférico. En este paso se busca localizar el onset y el offset (inicio y final) de la señal para
permitir la extracción de las características. Para encontrar estos puntos usan la primera y tercera
derivada.
3. Extracción de características Las señales PPG corruptas tienen características anormales, erráticas y
aleatorias que pueden analizarse estudiando parámetros como la amplitud del pulso, distancia entre los
picos, profundidad, anchura del pulso, asimetrías.
4. Selección de características. Se selecciona un subconjunto de datos que contenga las características
más relevantes, y elimine las redundantes para la discriminación de los MA. Se usa el algoritmo
NMIFS, basado en ecuación de Normalized Mutual Information (NMI), medida de la redundancia de
los parámetros.

70
 Medición del ritmo cardíaco mediante Fotopletismografía 71

5. Clasificación. Se utiliza un SVM para la discriminación entre MA y PPG. En este algoritmo se opta
por un C-SVM (Chang y Lin, 2001).

5.2.2 Índice de calidad de señal (SQI)

Jo Woon Chong et al. (2014) computan cuatro parámetros en el dominio del tiempo para la detección de
artefactos en señales PPG corruptas; la desviación estándar del intervalo pico a pico; la desviación estándar de
las amplitudes pico a pico, la desviación estándar de los ratios sistólicos y diástolicos y la desviación estándar
media de la forma del pulso. Se adopta un SVM que utiliza estos parámetros de las señales corruptas como
entrada, limpia y decide un límite para clasificarlas [81].
En la detección de zonas de señal corrompidas por MA los métodos se suelen basar en el establecimiento de
un índice de calidad de la señal (SQI) que permita cuantificar la severidad de los artefactos y determinar si una
señal es apta o no para obtener información de ella.
Algunos estudios se centran en estudiar la morfología de la señal, con filtrado a la salida, o con ayuda de
dispositivos adicionales como acelerómetros o ECG. Medidas estadísticas como curtosis, asimetría, o entropía
de Shannon pueden ayudar, pero requieren umbrales manuales para clasificar si una señal es limpia o corrupta.
En este algoritmo se fijan desviaciones estándar de la amplitud del pulso, de su anchura y de la forma para
cuantificar las diferencias, y también se tienen en cuenta ratios sistólicos/diástolicos porque suelen estar bien
definidos para señales limpias.
La variabilidad en señales afectadas por ruido se mide, como se ha comentado previamente, con la ayuda de
los siguientes parámetros:
 La desviación estándar de las amplitudes pico a pico.
 La desviación estándar de los ratios sistólicos y diástolicos.
 La desviación estándar media de la forma del pulso.
Estos parámetros serán la entrada a un SVM que se entrenará para construir una decisión sobre el límite para
clasificar la corrupción por MA de señales PPG. Se tendrán fases de entrenamiento y de testeo del SVM con
señales limpias y corruptas que serán clasificadas como 0 (limpia) o 1 (corrupta).
La segunda parte de este algoritmo se centra en la reconstrucción de la señal contaminada por ruidos MA,
basada en la eliminación iterativa de MA (IMAR) que utiliza el algoritmo de análisis espectral singular para
eliminar los artefactos y poder estimar con mayor precisión la HR, reconstruyendo para ello los segmentos
corruptos de una señal PPG.
Para la reconstrucción se elige una técnica BSS, cn concreto SSA (Singular Spectrum Analysis. Se
descomponen los datos en un conjunto de señales que pueden incluir tendencias, comportamientos oscilatorios
y ruido. La ventaja sobre ICA es que no requiere una entrada para elegir las componentes apropiadas para una
reconstrucción y eliminación de los MA.
SSA tiene dos fases: Descomposición singular y reconstrucción espectral. El cálculo de la etapa singular de
SSA tiene dos pasos, embebido seguido de SVD (descomposición en valores singulares).
Por último, la reconstrucción de la señal tendrá también dos pasos: agrupamiento (para juntar a todos los
subgrupos creados durante la descomposición) y media diagonal (para formar nuevas series temporales).
Otros métodos para identificar datos inválidos se basan en la señal SDPPG en lugar de directamente en la señal
PPG. El índice de calidad de la señal SQI (signal quality index) se usa para asegurar que datos fiables se
pueden obtener de señales como las obtenidas por ECG o PPG. Los MA son causantes de un gran número de
falsas alarmas que pueden llevar a un fenómeno conocido como “fatiga de alarma”, consistente en la
insensibilización del personal frente a las alarmas, que en última instancia ignora las alertas del dispositivo.
Es el caso de Christina Orphanidou et al. (2015), que presentan un método cuya salida será un formato binario
que informará de si una señal es “buena” (HR fiable) o “mala”. Cuando la salida sea mala, se descartará ese
segmento de la señal [82].

71
72
Estado del arte

El primer paso del algoritmo es detectar los picos de la señal PPG, para después aplicar tres reglas que, de no
satisfacerse, categorizarán a la señal como “mala”.
1. La HR extrapolada debe estar entre 40 y 180 latidos por minuto.
2. No debe haber más de tres segundos entre pico y pico de la señal PPG.
3. La relación entre el máximo intervalo latido a latido, y el mínimo intervalo latido a latido debe estar
por debajo de 2.2.

5.3 Técnicas para la detección de picos sistólicos

Existen también varios métodos cuya función es meramente buscar picos en señales PPG, con los que se
consigue evitar errores de detección a los que inducen los MA. Los procedimientos de señales fisiológicas
normalmente incluyen detección de picos y cálculo de intervalos entre ellos. Debido a esto, hay muchos
desarrollados para el ECG, pero sólo algunos adaptados a las características de la PPG, con una naturaleza y
formas más sinusoidales.
Cada pico de la señal PPG representa un evento de latido del corazón. Para obtener la HR o la HRV
(variabilidad de la frecuencia cardíaca) hay por lo tanto que encontrar esos picos (sistólicos, conocidos también
como R en varios estudios), sin obtener picos erróneos como los que podrían surgir del ruido que hace que el
pico diastólico aumente su amplitud.

5.3.1 Algoritmo AMPD y decision Bayesiana

Ahmed Alqaraawi et al. (2016) aprovechan un algoritmo conocido como “detección automática de picos
basada en multiescala” junto a un método probabilístico para mejorar el rendimiento a la hora de estimar la
HRV. Para ello, se proporciona una decisión basada en cada muestra de la señal PPG original, con un enfoque
probabilístico que permita computar la probabilidad de tener un pico en cada muestra, y tomar la decisión
comparando esta probabilidad con un umbral. Esto proporciona mejoras en predicción, tiempo medio de
resolución y sensibilidad frente al algoritmo AMPD trabajando solo [83].
La finalidad del algoritmo AMPD es detectar los picos mediante el análisis del escalograma máximo local de
señales periódicas o cuasiperiódicas, como es el caso de la señal PPG. Su funcionamiento queda reflejado en la
Figura 5-8 [83].
Se tiene X = [𝑥 , 𝑥 ,…, 𝑥 ] siendo una señal uniformemente muestreada que contiene los componentes de una
señal PPG. El algoritmo AMPD calcula el escalograma máximo local usando una ventana móvil, con una
longitud 𝑤 que varía (𝑤 = 2𝑘| , ,…, ) con k definida como la escala en la que la señal PPG es analizada
(resolución del análisis). Una escala puede mapearse a una frecuencia a nuestra conveniencia. L representa el
número de escalas en el escalograma, y debería ser definida para cubrir el rango de frecuencias útiles para la
señal PPG (típicamente 𝐿 = 2𝑓 ), con 𝑓 la frecuencia de muestreo. Será suficiente con incluir HR que llegue a
30 lpm. Dicho de otro modo, la ventana móvil 𝑤 es variada en cada escala k para cubrir diferentes
resoluciones de la señal PPG. Después, se realiza un criterio para cada escala k para la señal PPG y para
i=k+2, …, N-k+1 para buscar los máximos locales como sigue:

1 x  xi k 1 y xi 1  xi  k 1
mk ,i   i 1 (5.7)
0 en otro caso

72
 Medición del ritmo cardíaco mediante Fotopletismografía 73

Esta operación resulta en una matriz M, donde:

 m1,1 m1,2  m1, N 

 
m2,1 m2,2  m2, N 
M   (mk ,i ) (5.8)
     
 
 mL,1 mL ,2  mL , N 

La columna k contiene el valor de la ventana de longitud 𝑤 . Los unos en la matriz M representan

localizaciones de los máximos locales (índices que pueden ser potenciales picos R) en cada escala k en un
específico instante de tiempo (una columna en la matriz M).
El algoritmo consta de dos secciones. En la primera se usa una ligera modificación de la salida del algoritmo
AMPD aprovechando un modelo que se ha construido con un historial previo conocido de picos R. En la
segunda sección se mejora el rendimiento del algoritmo AMPD usando un enfoque de aprendizaje Bayesiano.
Notación: 𝑡 el tiempo donde ocurre el pico R j-ésimo. El intervalo entre dos picos será 𝑟 = 𝑡 −𝑡 .
Mientras tanto, la diferencia entre intervalos RR consecutivos será 𝑑 = 𝑟 −𝑟.

Figura 5-8. Algoritmo AMPD.

El algoritmo AMPD funciona bien para ruido blanco, pero no obtiene tan buenos resultados cuando hay MA
fuertes, ya que las características de estos artefactos son diferentes.
La decisión de que existe un pico en una muestra se toma si hay un 1 para cada escala k (por ejemplo, si todos
los elementos de la columna i=1). Se modifica esta condición calculando un 𝑝 de la muestra i como un ratio
del número de unos en una columna i en la matriz M para el total de filas L. Por ejemplo:

73
74
Estado del arte

m k ,i
p 
(i )
1
k 1
(5.9)
L

Se usa otra probabilidad 𝑝 basada en modelo Laplaciano para analizar el proceso d (que es la diferencia entre
intervalos RR consecutivos) y el pico sale del comparar estas dos probabilidades:

Peak  arg i max[ p1( i ) p2(i ) ] (5.10)

Con una inferencia Bayesiana se puede mejorar la precisión para elegir las muestras de las cuales se piensa que
pueden ser picos, usando las dos probabilidades definidas anteriormente.

5.3.2 Cascada de filtros recursivos y Slope Sum Function

Este algoritmo (Dae-Geun Jang et al. 2014) se basa en una cascada de filtros digitales recursivos y una suma
de pendiente (Slope Sum Function, SSF) con un umbral adaptativo [51].
Primero se elimina el ruido usando una cascada de filtros en cascada paso bajo y paso alto, para eliminar
frecuencias que no estén en el rango de 0,5 Hz y 11 Hz. Y la señal filtrada se transforma en la SSF, con el
objeto de simplificar la detección de los picos. Un umbral se irá actualizando usando un filtro de mediana de
orden 5. Los picos detectados en la señal SSF localizarán rangos para la detección de picos del pulso, que
serán identificados por el máximo local en ese rango definido entre un índice de inicio en la señal SSF y hasta
el siguiente índice cero.
Por otra parte, hay que eliminar el baseline wander (desviaciones de tendencia respecto a un eje horizontal que
ejerce de base), ya que constituye una parte del ruido. Para ello se dispone de varios algoritmos:
Un ejemplo de este tipo de algoritmos es el que básicamente suprime el ruido con un filtro paso de banda. Otra
alternativa es la de Park et al. proponen un filtro adaptativo wavelet. Este algoritmo primero estima el ruido
con la transformada Wavelet, y después lo elimina con un filtro LMS. Es un método (WAF, wavelet
adaptative filter), computacionalmente pesado.
En este algoritmo se encarga de ello el filtro digital recursivo que forma la banda de paso con una cascada de
filtros paso baja y paso alto. Después usamos la SSF para detectar los picos, ya que es una señal que mejora la
pendiente positiva y suprime partes de la señal que pueden llevar a confusión. La función SSF se define como:

i
sk : sk  0
SSFi   x k donde xk   (5.11)
k i  w 0 : sk  0

Donde w es la longitud de la ventana analizada, y s la señal PPG filtrada, respectivamente. Se usa una ventana
de análisis de 64 muestras para una frecuencia de muestreo de 512 Hz.
El onset (inicio) de la SSF coincidirán con el onset del pulso, y el pico del pulso aparecerá en el rango entre
que la SSF empieza y llega a cero, siendo identificado por el máximo local.
El umbral adaptativo que se utiliza para seleccionar los picos empieza siendo el 70% del máximo pico
encontrado en los 3 primeros segundos. Se va adaptando en función de los picos que se vayan encontrando.
Los picos que se encuentren se añaden a un buffer con los últimos 5 picos (los 3 segundos se eligen porque se
asegura que al menos se cubre un ciclo cardíaco completo). Este porcentaje es susceptible de ser entrenado
para mejorar el rendimiento del algoritmo.

74
 Medición del ritmo cardíaco mediante Fotopletismografía 75

Por último, como posprocesamiento se busca si hay diferencias demasiado grandes entre dos inicios de pulso
consecutivos, lo que conllevaría pulsos perdidos. Para ello se usa un filtro de mediana de orden 5 para calcular
una referencia R. Si la referencia y los diferentes valores son muy distintos (más que la mitad de la referencia)
se ha perdido un pulso. Se buscará en un rango de la SSF que vaya desde el inicio n-ésimo más la mitad de la
referencia, hasta el mínimo valor entre el siguiente pico o la referencia (mínimo de los dos).

5.3.3 Método de segmentación adaptativo (ASM)

Un nuevo algoritmo de detección de picos para señales PPG, llamado método de segmentación adaptativa
(ASM) fue desarrollado por Kavsaoglu et al. en 2016. En este método, las señales PPG se separan en
segmentos de tamaño determinado, y después los puntos de pico se detectan comparando con los puntos
máximos en cada segmento. Para evaluar los pulsos estimados, se usan características como los mínimos,
máximos, medias, moda, desviación estándar y varianza [54].
Se trata de un algoritmo de segmentación adaptativa para detectar picos en la PPG. Como se puede observar
en la Figura 5-9 [54], se define una señal PPG con puntos S, M, P y Q. La señal se separa primero en
segmentos y después en cada uno de ellos se detectan los picos comparando los máximos del segmento. Si el
punto máximo en un segmento es menor que el valor máximo en el siguiente, se tendrá pendiente positiva. Si
no, se tratará de una pendiente negativa.
En la transición de pendiente positiva a negativa, el máximo valor del segmento con la última pendiente
positiva es el pico en esa señal. El número de picos va a depender del tamaño del segmento. Si es muy
pequeño, se incluirán picos que son ruido. Si es muy grande, puede que algunos picos M no se encuentren.
Hay que definir unos valores máximo y mínimo de segmento (dependiendo de los latidos mínimos y máximos
de un ser humano).

Figura 5-9. Detección de picos separando la señal en segmentos.

La parte adaptativa se desarrolla con el objetivo de ser capaz de conseguir un segmento adaptativo para
encontrar el segmento más apropiado. Al menos se deben decidir tres segmentos para cada latido (con menos
podríamos no ser capaces de detectar un pico M). Por tanto, para empezar, se opta por un intervalo mínimo
que sirva para tener tres segmentos en el máximo latido posible de un ser humano (la mayor frecuencia
posible).

75
76
Estado del arte

Se calcula el intervalo MM con los picos detectados, y la media y la desviación estándar del HR se computa
para cada intervalo pico a pico. Se va aumentando el tamaño de segmento, y calculando desviación estándar y
media hasta encontrar el máximo segmento que permita para dividir en 3 el mínimo HR.
Por tanto, la desviación estándar se irá tomando como un umbral que nos permitirá ir adaptando el segmento
en función de la HRV (frecuencia de los latidos).

5.3.4 Filtro de media móvil y filtrado adaptativo

Srinivas Kuntamalla et al. (2014) formulan un algoritmo que combina la técnica de media móvil de las
diferencias valle-pico con un filtrado adaptativo para encontrar los picos sistólicos [84].
Muchas aplicaciones para la detección del complejo QRS en el ECG combinan filtros pasobanda con una
transformación, como una derivada o la transformada Wavelet, con el objetico de hacer más sencilla la
detección de los picos con la ayuda de umbrales
Hangsik Shin et al. (2009) propusieron un método con umbrales adaptativos para detectar picos, basado en el
procesamiento de los mínimos y máximos de la amplitud de la señal en intervalos de tiempo. La limitación de
este método es que no podía clasificar aquellos casos en los que el pico diástolico era mayor que el sistólico
[85].
Bistra Nenova et al desarrollaron un método automático para detectar el pulso basado en una decisión lógica
con 7 reglas. En este método se detectaban 4 puntos en cada flanco creciente y se estimaba el parecido de los
flancos definidos por estos puntos. Si este flanco satisfacía una de las siete reglas definidas, se aceptaba como
un flanco válido [86].
Respecto al método, en la señal PPG se definen dos tipos de picos: sistólicos y diástolicos (dicrotic wave),
separados por un valle que se conoce como dicrotic notch.
El primer paso es el preprocesado. Se usa un filtro de suavizado de media móvil de 3 puntos, para eliminar
desviaciones de fase. Después vendrá la detección de mínimos y máximos, detectando todos los picos y valles
de la señal, y sus localizaciones.
El algoritmo detecta el pico sistólico y elimina los picos restantes usando la amplitud de las ondas en
combinación con técnicas de media móvil. La diferencia entre la amplitud de sucesivos valles y picos (VPD de
valley peak difference) da las amplitudes de los picos sistólicos y diástolicos. Se emplea la media móvil de esta
diferencia VPD con umbrales para detectar los picos. Los picos debidos a ruido o señales espurias se van
eliminando en cada bucle, hasta que el número quede constante en una iteración.
Hay que asegurarse de que el proceso empieza con un valle (primer valle) para que a todo pico le corresponda
un valle. Se van calculando todos los VPD de los picos con sus correspondientes valles. Y a continuación se
establece una regla para seleccionar las VPD con las que nos quedaremos comparándolas con las VPD anterior
y posterior. Como se ha comentado antes, se repetirá el proceso hasta que el número de VPD no cambie en dos
iteraciones distintas.

5.3.5 Algoritmo heurístico

S.M. López-Silva et al. (2011) plantean un algoritmo que se basa en filtrado lineal y análisis heurísticos para
extraer el HR en presencia de MAs severos. Se basa en la observación del armónico más alto de los artefactos
de ruido con respecto al latido de la derivada de la PPG [87].
La señal PPG es muy tendente a ser corrompida por MA, siendo peor en situaciones de ejercicio intenso,
donde los algoritmos pueden reducir la cantidad de ruido, sin ser suficiente.
El algoritmo tiene un discriminador de armónicos que tiene en cuenta que la contribución de los MA tiene un
mayor contenido de armónicos que la señal de la frecuencia cardíaca. Se basa en la relativa estrechez del
contenido armónico de la señal PPG, por lo que se supervisa la señal del corazón teniendo en cuenta el
comportamiento histórico de la frecuencia cardíaca cuando las señales PPG y MA se solapen.

76
 Medición del ritmo cardíaco mediante Fotopletismografía 77

El primer paso es un filtrado lineal con un filtrado paso de banda usando filtro de Bessel para la señal PPG con
el objetivo de eliminar alta frecuencia y rizado) (0,1-0,3 Hz para 𝑓 y 5-30 Hz para 𝑓 . Después del filtrado, se
hace un análisis en el dominio de la frecuencia para aplicar una FFT con ventana rectangular deslizante de 10
segundos, con un solapamiento de aproximadamente el 75%, expresada en términos de densidad de potencia
frente a frecuencia.
A continuación, se utiliza un algoritmo buscador de picos aplicado al espectro para seleccionar los picos que
estén por encima del umbral de ruido. Se tienen en cuenta posibles picos fantasma generados por el fenómeno
de Gibbs. Se eliminan todos los picos por debajo de este umbral, y se eligen los tres picos principales del
espectro, entre los cuales se elegirá el mejor candidato de los que quedan, que se supondrá como el HR, con un
factor de fiabilidad (teniendo en cuenta términos de energía, armónicos e histórico) de 0 a 1 de que realmente
es señal de latido y no ruido.
Se compara cada pico con el pico máximo para asignar a cada par frecuencia-pico un factor de fiabilidad que
expresa la probabilidad de ser un pico respecto a otros. Con otro factor, se compara la probabilidad de que un
pico sea parte de una señal con bajo contenido armónico (0-1). Un tercer factor se usa para calcular la cercanía
de los picos al pico elegido previamente (para eso se necesita un histórico de los picos seleccionados como
HR). Después de esto, el algoritmo heurístico selecciona un pico basándose en estos tres factores 𝐶 , amplitud
del pico, 𝐶 , bajo contenido armónico y 𝐶 , proximidad al pico previo. Este valor se elige entonces como
valor de la frecuencia cardíaca. En el caso de que no haya ningún pico que cumpla un mínimo de fiabilidad, el
algoritmo directamente salta a la siguiente iteración sin guardar ningún valor.

5.4 Técnicas empleando la Segunda Derivada de la PPG (SDPPG)

Como ya se ha visto, la segunda derivada de la PPG tiene un contorno muy característico, formado por varias
ondas concretas (a, b, c, d y e) que facilitan la interpretación de la señal (Takazawa et al 1998). La SDPPG se
ha demostrado como un método con mayor precisión (y facilidad) a la hora de interpretar la información
ofrecidad por la señal PPG [48].
Rubins et al. (2008) decribió un nuevo algoritmo basado en la SDPPG analizando simultáneamente señales
medidas en la oreja y en el dedo, obtenidas mediante PPG. El algoritmo separaba la parte sistólica de la señal
de la diástolica y ajustaba cada una como la suma de dos funciones gaussianas [88].
Qawqzeh et al. (2012) desarrollaron un algoritmo que podía detectar puntos de interés en la señal PPG original
haciendo uso de la primera derivada de la señal PPG. Nuevamente Qawqzeh et al (2014) utilizaron la señal
SDPPG para desarrollar un modelo estadístico con el objetivo de evaluar riesgos altos de padecer
aterosclerosis, reconociendo para ellos puntos de interés de la SDPPG (en especial, detección de los puntos
diástolicos de la PPG) [89] [41].

Entre los usos de la SDPPG para el estudio de dolencias cardiovasculares, se pueden destacar los tres
siguientes:
 Índice o ratio b/a.
Este índice es el más prometedor para la evaluación de la salud arterial. Está afectado por la
aterosclerosis, y se puede usar para evaluar rigidez arterial y reflexión de las ondas. Con su ayuda, se
puede predecir alto riesgo de sufrir aterosclerosis (Tomoyuki y Toshiaki en 2013), declarando que a
mayor ratio B/A, menor será el riesgo de aterosclerosis (relación negativa o inversa entre ambos). Pilt
en 2012 lo usa para estudiar la flexibilidad de las arterias [90].

77
78
Estado del arte

 Índices c/a y d/a.

El índice c/a se usa para distinguir entre sujetos con hipertensión e individuos sanos (Pilt 2012),
pudiendo reflejar el estado de la rigidez de las arterias. El índice d/a también puede reflejar
características para estudiar la rigidez de las arterias (Atsushi 2012) [90].
Los estudios más significativos que decidieron emplear la señal SDPPG para la estimación de la frecuencia
cardíaca se recogen a continuación.

5.4.1 Estimación de HR mediante medidad de intervalos a-a

Mohamed Elgendi et al. (2009) desarrolló un algoritmo para detectar las ondas a de la SDPPG con el objetivo
de calcular la HR, a partir de señales obtenidas de pacientes en reposo [91].
La SDPPG se introduce para aumentar la precisión en la detección de los puntos de inflexión de la frecuencia
cardíaca y obtener una mayor facilidad en su interpretración, ya que sus puntos están definidos de una manera
más clara que los picos en la señal PPG, y se pueden detectar de manera más precisa. También se conoce con
el nombre de APG (acceleration plethysmogram). Como se ha definido en varias ocasiones, el latido de la
señal SDPPG está formado por cuatro señales sistólicas (a, b, c, d) y una señal diástolica (e).
Taniguchi et al (2007) ya usaron el intervalo a-a en lugar del intervalor RR en el ECG para calcular la
frecuencia cardíaca. Se necesita una detección de las ondas a para poder calcular el pulso en tiempo real [50].
La primera versión del algoritmo de Elgendi consta de tres etapas:
 Preprocesamiento. Dos pasos: filtrado pasobanda de la señal (para eliminar la baseline wander y las
altas frecuencias) con un filtro Butterworth, y calcular la segunda derivada de la señal PPG.
 Extracción de características. Dos pasos también. El primero consiste en elevar al cuadrado la
segunda derivada y selección de bloques potenciales, buscando los inicios y finales de potenciales
ondas a con el uso de dos filtros de media móvil, para enfatizar la onda a y un latido completo
respectivamente. Los bloques de interés se elegirán con las amplitudes en cada momento de estos dos
filtros (si la amplitud del filtro que empatiza la onda a es mayor que la del filtro que empatiza el
latido.
 Comparación con umbrales. Los bloques potenciales se compararán con unos umbrales para
determinar si están causados por la señal de la frecuencia cardíaca o por el ruido, según su anchura
(los de ruido son más estrechos que los debidos a onda a).
En 2010 utiliza este algoritmo para calcular la HRV después de detectar las ondas a, de manera que se tiene un
análisis de la variación de la frecuencia cardíaca usando los intervalos aa que definen los distintos latidos, con
la desviación estándar de la duración de los latidos [92].
Ya en 2013 Elgendi et al. adaptan su algoritmo para detectar picos sistólicos en situaciones cambiantes como
pueden ser casos de emergencia, o condiciones de clima tropical [47].
Lejos de centrarse únicamente en el cálculo del pulso, empieza a investigar la predicción de enfermedades
como la aterosclerosis o la rigidez arterial, utilizando monitorización de factores de riesgo como la
hipertensión o hipercolesterolemia. El análisis del pulso puede servir para detectar estos factores, así como la
elasticidad de las arterias, el envejecimiento de éstas, y puede hacerse por medio de la PPG. El estrés tiene
consecuencias en la forma de los patrones de la señal PPG y afectan por tanto a la detección del pulso usando
este tipo de señales.
Se discuten tres métodos antes de proponer uno propio:
 Método 1: Mínimo y máximo local.
Se basa en encontrar picos buscando el máximo y el mínimo local (picos y valles). El algoritmo de
Billauer (detección de máximos y mínimos locales con Matlab) se empleó para encontrar la tasa
respiratoria y los picos que se usaban para calcular el pulso. Domingues hizo uso el algoritmo de
Billauer para detectar los picos sistólicos en señales PPG (2009). Un filtrado pasobanda se introdujo

78
 Medición del ritmo cardíaco mediante Fotopletismografía 79

(0,5-8 Hz) para mejorar la señal, y al final se compara con un umbral para decidir cuáles son los picos
reales.
 Método 2: Primera derivada con filtros adaptativos.
Al principio se realiza un filtrado pasobanda para eliminar parcialmente el ruido y los artefactos. El
algoritmo de Li et al (2010) usa sólo filtrado pasabaja porque opina que la derivada filtra las altas
frecuencias. Utiliza la derivada para encontrar los puntos de paso por cero, y con ayuda de éstos, los
puntos de inflexión de la señal PPG. Asimismo, se usa un bloque que estima la amplitud de los puntos
de cada segmento en el que se ha dividido la señal al encontrar esos puntos de inflexión, para calcular
el pulso a partir de un umbral que determine los picos a tener en cuenta.

 Método 3: Slope Sum (suma de pendiente).

Se aplica un filtro pasobajo antes de realizar la suma de pendiente, seguida de un filtrado adaptativo,
como el que usaron Zong et al (2003). Con la suma de pendiente conseguimos enfatizar la pendiente
de subida de la señal PPG y suprimir el resto de manera que se pueda encontrar de manera más
sencilla el inicio y final de la señal PPG. Se dispone también de un umbral cuyo valor se va adaptando
en función de los máximos y mínimos encontrados en un intervalo de tiempo anterior fijado.

En la segunda versión del algoritmo de Elgendi, se introducen filtros de media móvil con umbral dinámico. Se
sigue buscando las ondas a para encontrar los picos sistólicos.
El primer paso es similar al algoritmo anterior. Filtrado pasobanda entre 0,5-8 Hz para eliminar el baseline
wander y las altas frecuencias que no contribuyen a los picos sistólicos. A continuación, se eleva al cuadrado
la señal, y se usan los filtros de media móvil en conjunción con uno de los umbrales adaptativos para generar
los bloques de interés (se compara la amplitud del filtro que enfatiza el latido con el umbral). El otro umbral se
utilizará para decidir si el bloque se debe a un pico sistólico, o a ruido.
En 2014 Elgendi et al. ya no sólo buscan los picos sistólicos con las ondas a, sino que también se centran en
encontrar las ondas b, comparándose en su investigación con nueve algoritmos que con umbrales fijos intentan
detectar la HR, y que otros autores habían adaptado del procesamiento de señales del ECG para la detección de
picos [93].
Nuevamente Elgendi hace aquí un filtrado pasobanda como primer paso, entre (0,5-15 Hz en este caso). A
continuación, calcula la segunda derivada con una derivada de tres puntos. Un paso que añade en esta ocasión
es la cancelación de las señales b haciendo cero todas las partes negativas de la señal, antes de enfatizar las
positivas elevándolas al cuadrado.
Igual que en la ocasión anterior, el siguiente paso es la generación de los bloques de interés usando los dos
filtros de media móvil, que demarcan las ondas a y los latidos. También se calculan los dos umbrales
adaptativos, uno de los cuales se usará para generar los bloques de interés junto a la amplitud de los filtros;
quedando el otro para elegir con qué bloques de los generados quedarnos, y cuáles descartar por considerarlos
producto del ruido.
Finalmente, se añade una detección de las ondas b, que se hará buscando el mínimo local que se produzca
después de cada una de las ondas a que se han encontrado en el apartado anterior.

5.4.2 Cálculo de Índice de Envejecimiento mediante recurrencias

Otro enfoque es el propuesto por Kristjan Pilt et al. (2013) para el uso de la SDPPG, usada en su investigación
para identificar de manera prematura la rigidez de las arterias, parámetro con un valor considerable en la
prevención de enfermedades cardiovasculares. Con ayuda de esta señal, se puede calcular un índice de
envejecimiento o ageing index (AGI) a partir de la forma de la SDPPG, y con este índice estimar la rigidez
arterial [94].

79
80
Estado del arte

La circulación de la la sangre en el sistema cardiovascular es un flujo dinámico y estable. El inicio de la señal

PPG manifiesta el comienzo de la expulsión de sangre del corazón a la aorta, y el dicrotich notch (pulso
dicrótico o dicroto) el final de la eyección de la sangre o el cierre de la válvula aórtica.
Se han realizado varios estudios en los que se asocian los factores de riesgo de enfermedades cardiovasculares
a las amplitudes normalizadas de las ondas que forman la señal SDPPG. Por ejemplo, Takazawa et al. (1998
[95]) demostraron que el ratio b/a crece con la edad y refleja un incremento de la rigidez arterial. También es
una medida útil para diagnosticar de manera no invasiva la aterosclerosis y distensibilidad arterial.
Dawber et al. (1973) clasificaron a los sujetos en cuatro grupos en función de la aparición de la onda e,
comprobando que aparecía con más fuerza en individuos jóvenes y sanos que en individuos con enfermedades
coronarias, siendo menos pronunciado en aquellos pacientes con efectos de envejecimiento, diabetes o
aterosclerosis.
La SDPPG es analizada en función de sus ondas a, b, c, d y e, cuyas amplitudes están normalizadas para su
utilización en la predicción de dolencias cardiovasculares como sigue: b/a, c/a, d/a y e/a. La amplitud
normalizada b/a se incrementa y las otras tres decrementan cuando se incrementa la edad del sujeto. Por tanto,
se puede definir el AGI como:

AGI  (b  c  d  e) / a (5.12)

Para establecer este índice pues, se debe encontrar la posición de cada una de estas ondas. La señal PPG se
filtra con filtros paso bajo y paso alto para eliminar los componentes DC y las altas frecuencias. Después de
este primer paso, se calculan la segunda y cuarta derivada de la señal PPG, usando para ello un Smooth Noise
Robust Differentiator (SNRD), interesante cuando tenemos derivar señales que tienen datos y ruido.
Las bioseñales como la PPG suelen ser recurrentes, pero no periódicas. Esto significa que las componentes
armónicas de dos recurrencias consecutivas pueden estar en diferentes frecuencias. Se usa por tanto un filtro
paso de baja con una frecuencia límite que hará que algunos armónicos pasen y otros sean eliminados,
garantizando que la longitud de las recurrencias de la señal PPG sea normalizada para que las componentes
armónicas sean procesadas de la misma manera. Las recurrencias se pueden alinear mediante el uso de varios
puntos de la señal como puntos de referencia.
El proceso consiste, por tanto, en remuestrear la señal, filtrarla y alinearla para cada recurrencia en la señal
PPG. La forma media de la onda de un sujeto para un número determinado de concurrencias alineadas es lo
que se usará para encontrar los picos de las diversas ondas de la SDPPG, con las que calcularemos el AGI.
En la misma línea trabajan Mohanalakshmi Soundararajan et al. (2016), centrándose en la forma de la señal
SDPPG, rica en información útil para el diagnóstico y prevención de enfermedades cardiovasculares. Se
propone un algoritmo de análisis basado en técnicas de remuestreo que normalizan la señal y aseguran la
presencia de los puntos de interés en todas sus recurrencias [96].
Hay muchos algoritmos desarrollados para la alineación de la señal PPG y el análisis de la forma de sus ondas.
Los puntos de inflexión más significativos son sus picos y el dicrotic notch. En este método se realiza un
algoritmo que optimiza la alineación de estos puntos significativos para que aparezcan en todas las
recurrencias con una técnica de remuestreo. Se basa en la detección de puntos cruciales cuantificados por los
puntos de cruce por cero, y se pueden consultar sus distintas etapas en la Figura 5-10 [96].
Lo primero que se hace es una etapa de preprocesamiento en la que se filtra con un pasobanda y se calcula la
segunda derivada. Lo siguiente es la evaluación de cada latido, para posteriormente remuestrear.
La extracción de latidos se valida en esta técnica con un ECG de referencia. Muchos métodos usan como
delineador una ventana temporal o bloques de interés para localizar puntos de interés en la señal con los que
alinear las recurrencias, pero pueden dejar fuera algún punto. En este método se utilizan las recurrencias (ya
que la señal PPG no es periódica pero sí recurrente) que aparecen en la duración pico a pico de la señal. La
señal SDPPG es remuestreada de manera que el número de muestras en cada ventana móvil sea el mismo, y se
puedan alinear correctamente.

80
 Medición del ritmo cardíaco mediante Fotopletismografía 81

El último paso consiste en la extracción de características y clasificación. Para ello se utiliza la detección de los
cruces por cero, con la intención de evaluar a los candidatos de inicio y final de los picos sistólicos.
Este algoritmo también puede usarse para determinar la HRV, o sea, las alteraciones en el intervalo latido a
latido en la frecuencia cardíaca.

Figura 5-10. Proceso para detectar ondas a mediante recurrencias.

5.4.3 Delimitación de señal SDPPG Slope Sum Function

Dae-Geun Jang et al. (2013) desarrollan un algoritmo que va a hacer uso de la SSF (Slope Sum Function) o
suma de pendiente para delimitar a la señal PPG o SDPPG, detectando los inicios de la señal PPG para
quedarnos con la región de la pendiente del piso sistólico, suprimiendo el resto de la señal [97].
La señal SSF, con respecto a la señal PPG, muestra menos baseline wander, tiene unos picos más
prominentes, lo que hace más robusta la detección de picos, y dispone de una mayor separación entre señales
pertenecientes a pulsos distintos.
Normalmente los inicios de la señal SSF coincidirán con los inicios de la señal PPG, por lo que se podrán
equiparar resultados entre ellas. Para no detectar picos que puedan deberse al ruido, en esta técnica se dispone
de un esquema de umbral adaptativo que se irá actualizando con un filtro de mediana de orden 5. Se usará esta
referencia, por tanto, para determinar si los picos detectados son correctos o no.

Figura 5-11. Señal PPG y su transformación SSF.

81
82
Estado del arte

Se puede observar en la Figura 5-11 [97] una señal PPG con varios latidos, y la transformación SSF de esta
misma señal. En la SSF se marcan con círculos onset de la señal identificados correctamente, y con cuadrados
onset que se han detectado incorrectamente.
Se irán identificando cada pico y valle de la señal PPG en cada segmento de la señal SSF, con lo que se
conseguirá tener identificados los puntos más característicos de la señal, con los que será posible determinar el
inicio de cada señal, y extrapolar estos inicios de la señal SSF a los de la señal PPG.
También puede aplicarse este método a la señal SDPPG, aunque en este caso no se podrá establecer relación
directa con los picos sistólicos de la señal PPG. En cambio, se podrá buscar directamente las ondas
características de esta señal, que aparecerán enfatizadas por la SSF.
Se dispondrá asimismo de dos algoritmos adicionales que cumplirán dos funciones distintas. El primero
servirá para reestimar la señal en la búsqueda de inicios de señal que no se hayan encontrado en el paso
anterior (pérdida de picos), basándose en la existencia de una distancia excesiva entre dos picos consecutivos.
El segundo se utilizará para eliminar falsos pulsos detectados, basándose en los pulsos anteriores, en su
posición, y frecuencia de aparición.

5.5 Evolución de los sensores

En la época actual, los avances en electrónica óptica e instrumentación clínica han contribuido de manera
importante al desarrollo de la PPG, con descubrimientos en tecnología de semiconductores (usada, por
ejemplo, para LEDs, fotodiodos y fototransistores), que han conseguido una considerable mejora en términos
de tamaño, portabilidad, precisión, reproducibilidad y fiabilidad.
Además, recientes avances en la tecnología óptica permiten el uso de luz verde de gran intensidad,
incrementando la adopción de esta técnica en los últimos años. Los dispositivos PPG con longitud de onda
verde se han vuelto muy populares debido a las grandes variaciones de intensidad en la modulación
observadas durante el ciclo cardíaco para estas longitudes de onda. Un LED verde tiene una absorción mayor
tanto para la oxihemoglobina como para la desoxihemoglobina, por lo que los cambios en la luz verde
reflejada son mayores que para la luz infrarroja (IR) cuando la sangre fluye por la piel, resultando en mejor
relación señal a ruido (SNR) para la fuente de luz verde.
Por otra parte, no hay que olvidar que el lugar de medición es un factor que afecta significativamente a las
medidas de una señal PPG, debido a parámetros como la fuerza del contacto entre piel y dispositivo, motions
artifacts generados por movimientos en la zona, postura del sujeto, e influencia de la respiración.
Por lo tanto, las ubicaciones de LED y fotodetector son una cuestión de diseño importante que afecta a la
calidad de la señal y a la robustez frente a los MA. Lo que hace indispensable conocer dónde deben estar
ubicados los sitios de medición para optimizar el rendimiento del sensor.
Comúnmente los sensores se usan en los dedos, especialmente en el índice, por la alta amplitud de señal que se
puede conseguir respecto a otras zonas del cuerpo, pero esta topología está limitada generalmente por el
amplio número de actividades que implican el uso de los dedos, y que serán fuente de artefactos.
Debido a esto, en los últimos años se han explorado ampliamente alternativas a la medición en los dedos,
intentando encontrar posibles lugares en los que medir la señal PPG, incluyendo el dedo anular, la muñeca, el
lóbulo de la oreja, el cartílago del oído externo y región auricular superior. Otros lugares frecuentes para los
que se han desarrollado dispositivos comerciales son la frente o el puente de la nariz (normalmente en formato
de gafas).
Los estudios han demostrado que los dedos, la palma, la cara y los oídos ofrecen valores de perfusión mucho
más altos en comparación con otros sitios de medición. Además, los sensores de oreja son fáciles de fabricar, a
pesar de que pueden ser incómodos después de mucho tiempo de uso. No obstante, ha habido mejoras en
cuanto al diseño de sensores fijados al lóbulo de la oreja, gracias al desarrollo de sistemas microelectrónicos
(MEMS), que facilita la fabricación de sensores para oreja ligeros, integrados y confortables. Un ejemplo es el
de un sensor sujetado magnéticamente al lóbulo que permite un contacto nada molesto durante la
monitorización de la actividad física. En la Figura 5-12 se puede observar la colocación y funcionamiento de
un sensor para oreja [98].

82
 Medición del ritmo cardíaco mediante Fotopletismografía 83

Figura 5-12. Sensor PPG para oreja.

Los sensores comerciales más comunes son los diseñados para medidas en el dedo (como por ejemplo los
sensores utilizados en los pulsioxímetros de los hospitales). Los dedos son de fácil acceso y proporcionan una
señal PPG de buena calidad.
Un ejemplo de este tipo de sensores es un sensor instalado en un anillo que puede colocarse en la base del
dedo para monitorizar las pulsaciones. Estos datos podrán enviarse mediante radiofrecuencia. Para evitar los
MA, se diseña un doble anillo para reducir el efecto de los factores
externos, como movimientos, aceleración, golpes o luz ambiental. Un
sensor de este tipo se puede ver en la Figura 5-13 [98].
Recientemente están alcanzando una gran popularidad los sensores
instalados en muñecas a modo de relojes (cuya funcionalidad añaden),
conocidos como wristwatch devices. Varias compañías los
comercializan actualmente, siendo cómodos de llevar; aunque aún no se
usan en medicina clínica debido a problemas de MA, ya que la muñeca
es una zona muy susceptible de ser sometida a movimientos durante la
actividad diaria o la realización de ejercicio, y por otra parte puede que
la pulsera no quede excesivamente fijada a la piel del sujeto en
ocasiones.
Figura 5-13. Anillo PPG.

83
84
Estado del arte

Yong Kwi et al desarrollaron en 2013 una pulsera con un array de sensores PPG que podía ser usada para
calcular el HR grabando señales de la arteria radial y ulnar [99].
Sin embargo, se ha propuesto un nuevo modelo de sensor de matriz que mide la señal de las arterias radial y
ulnar en la muñeca, usando también métodos previos que obtienen la información de los capilares. El formato
en matriz mejora la sensibilidad a la señal y el nivel de precisión, considerando varios arrays una mejora del
diseño. Una pulsera de fibra conductora consigue reducir el
ruido externo.
También se han desarrollado sensores para el brazo, que toman
su referencia de la arteria braquial. Aunque la señal es más baja
en esta zona, la forma de la señal PPG en las zonas cercana a la
arteria pueden ser detectadas y medidas fácilmente.
Los sensores en la frente muestran una gran sensibilidad a la
hora de captar cambios en el pulso de la señal cuando hay
condiciones de baja perfusión, en comparación con otras zonas
periféricas. La piel delgada de esta zona se compenetra con una
estructura de hueso gruesa, lo que ayuda a que la luz vuelva al
sensor. Un sensor en la frente tendrá como resultado menos
MA durante ciertos tipos de actividad física.
Figura 5-14. Pulsera PPG.
Un tipo de sensor que puede utilizarse en esta zona es aquél
que queda sujeto en la parte superior de unas gafas.
Por último, también se han investigado otro tipo de sensores en gafas (Figura 5-15) [100], con PPG en modo
de reflexión y equipadas con acelerómetro para detectar señales de movimiento y controladas de manera
inalámbrica para transmitir al receptor instalado en el marco de las gafas. Se puede obtener buenas señales
tanto en reposo como en movimiento, y no sólo colocando los emisores y sensores para obtener señales de la
frente. Sensores en las patillas, para obtener información de la sien, y sobre todo colocados sobre el puente de
la nariz, son alternativas cada vez más usadas para la obtención del pulso mediante PPG.

Figura 5-15. Gafas con emisores y sensores PPG.

En 2009 Sijung Hu et al desarrollaron una nueva técnica usando la tecnología PPG para monitorizar
parámetros físicos en la que usaban la cámara CCD (dispositivo de carga acoplada), por ser más sensible, y un
anillo de luz de RCLED (Resonant Cavity LED, LED de cavidad resonante) con funcionamiento en múltiples
longitudes de onda para medir la perfusión en la cara humana [101].

84
 Medición del ritmo cardíaco mediante Fotopletismografía 85

Ming-Zher Poh introdujo en 2010 la novedad de usar webcams como fotodetector y luz natural como fuente
de luz. Se captura un vídeo de la cara, considerada una ROI (región de interés) y se extraen tramas del vídeo
para usar ICA con las señales RGB por separado. A continuación, se aplica la FFT para filtrar y calcular el HR
[102]. Magdalena Lewandowska concluyó que la zona donde se obtenían mejores resultados para la medida de
la HR era la frente. Un resultado de las señales obtenidas con este método, y teniendo en cuenta las ROIs
definidas por Lewandowska, se muestra en la Figura 5-16 [98].
Es no invasivo, no requiere contacto con la piel. Se puede calcular el HR de más de un sujeto a la vez. Sus
limitaciones son que la variación en la luz del sol puede causar una disminución de la SNR, y que la calidad de
los vídeos depende de la resolución de la cámara, que puede ser muy diferente entre equipos.
En 2012 un equipo a cargo de Ki Chon desarrolló una aplicación de móvil que permitía medir la HR, la tasa de
respiración y saturación de oxígeno usando la propia cámara del teléfono como fotodetector y el flash como
una fuente de luz. Se capturaba un vídeo del dedo con la luz del flash, aplicando ROI en las tramas del vídeo,
Posteriormente se procesaba con ICA y filtrado FFT para medir la HR. No requirere hardware adicional y se
puede usar para aspectos personales, pero la cámara del móvil tiene una frecuencia de muestreo baja, y está
sometida a MA. Es un sistema no invasivo para medir pulso y presión, que no necesita contacto directo para
medir parámetros fisiológicos [103].
Por último, en 2014 se desarrolló un sistema que hacía uso de la cámara de un smartphone como fotodetector y
de la luz natural como fuente de luz, pudiendo enviar los datos a un servidor en Internet donde se calculase la
HR. Sus limitaciones son la resolución de la cámara del móvil, que además está sujeta a MA por el
movimiento al grabar [104].

Figura 5-16. Señales obtenidas con PPG usando webcam con luz natural como fuente.

Se termina el capítulo con la Tabla 5-1, que en las dos siguientes páginas muestra un resumen de los
algoritmos más significativos que se han visto para el cálculo de la HR mediante el uso de la PPG.

85
86
Estado del arte

Tabla 5-1. Algoritmos para cálculo de HR mediante PPG.

Preprocesamiento de
Ref. Señal usada HW adicional Reducción Motion Artifacts
señal
No ANC
[41] PPG (referencia No Filtro adaptativo NLMS con
sintética) referencia sintética
cICA
[70] PPG No Filtrado LP
Filtro adaptativo LMS
Normalización Filtro Wiener con señal
[72] PPG Acelerómetro
Filtrado LP acelerómetro de referencia
SpaMA Remuestreo señales Filtrado espectral con la señal
PPG Acelerómetro
[68] Cálculo PSD de aceleración
SPECTRAP Sustracción Espectro
PPG Acelerómetro Filtrado BP
[73] Filtro adaptativo ALS
Filtro adaptativo NLS con
[74] PPG Acelerómetro No señal de aceleración de
referencia
Dispersión realizada por
TROIKA
PPG Acelerómetro Filtrado BP SSA
[75]
Reconstrucción Señal
JOSS MMV
PPG Acelerómetro Filtrado BP
[76] Model
Filtro BP
Filtro adaptativo RLS
[77] PPG Acelerómetro Segmentación en
EEMD
ventanas
HeartBEAT Filtro BP
[78] PPG Acelerómetro Segmentación en Filtro adaptativo RLS
ventanas
fICA
HEALT-T
PPG Acelerómetro No Filtro de media móvil
[79]
Filtro adaptativo RLS
PPG o
[83] No No No
SDPPG
[54] PPG No No No
Filtro de suavizado
[84] PPG No (smoothing) No
Filtros de media móvil
Filtro BP
[87] PPG No No
de Bessel
Filtro BP
Cálculo de la Segunda
[93] SDPPG No No
derivada
(tres puntos)
PPG o Cascada filtros LP y
[51] No No
SDPPG filtros HP

86
 Medición del ritmo cardíaco mediante Fotopletismografía 87

Algoritmo Detección
Ref Dominio Detección Picos Posprocesamiento Validación
Picos
Error relativo frente a
Frecuencia Detección simple de ECG de referencia:
[41] No
(espectrograma por FFT) pico espectral.
𝐸 = 0,0024
Tiempo
[70] - No -
Frecuencia
Phase Vocoder Histórico de picos AAE *
[72] Frecuencia
Búsqueda de picos Suavizado 2,28 (3,33)
SpaMA Frecuencia Detección simple de AAE con ECG
No
[68] (periodograma) los 3 picos mayores 3,33 (2,20)
Frecuencia Filtro de media AAE *
[73] Decisión Bayesiana
(periodograma) móvil 2,13 (2,77)
Frecuencia Monitorizador de AAE *
[74] No
(espectrograma por FFT) energía de espectro 1,77
TROIKA Frecuencia Detección picos Verificación de AAE *
espectrales en función pulso por diferencia
[75] (espectro por SSR) de picos cercanos de pulsos 2,42 (2,47)
Verificación de
JOSS Frecuencia Histórico de pulsos pulso por diferencia AAE *
[76] (espectro por MMV) espectrales entre pulsos 1,28 (2,61)
Predicción pulsos
Frecuencia Detección simple de Time-Domain AAE *
[77]
(espectrograma por FFT) picos espectrales Extraction 1,15 (2,37)
HeartBEAT Frecuencia Histórico de picos AAE *
Reglas heurísticas
[78] (periodograma) (Reglas heurísticas) 2,19 (no SD)
Selección
HEALT-T Frecuencia Detección de picos AAE *
Verificación
[79] (FFT) con BHW 1,49 (1,36)
Ajuste de filtro
AMD Comparación con
[83] Tiempo No
Decisión Bayesiana algoritmo AMD
Segmentación Comparado con
[54] Tiempo adaptativa No pulsioxímetro
Umbralización SD 0,744 (0,048)
Señal revisada
[84] Tiempo Filtro de media móvil No
Sens 99,58%
Discrim de armónicos
[87] Frecuencia No -
Buscador de picos
Elevar al cuadrado
Referencia sus latidos
Filtros de media
[93] Tiempo No Sens 99,86%
móvil
Umbrales adaptativos
SSF Comparación de
[51] Tiempo -
Umbral adaptativo intervalos de pico

87
88
Estado del arte

En cuanto a la validación de los métodos, es necesario realizar una serie de aclaraciones:

 En todos los valores que aparezcan con el formato Número1 (Número2), Número1 hace referencia a
Error Absoluto Medio (AAE, Average Absolute Error), mientras que Número2 informa de la
Desviación Típica (SD, Standart Deviation).
 En varios algoritmos, los resultados son referenciados a señales obtenidas por los mismos
desarrolladores del algoritmo. Es el caso de [41] y [68], que usa como referencia una señal de ECG
tomada de forma simultánea a la obtención de los datos de PPG; y de [54], que también compara con
una señal tomada de manera simultánea, pero esta vez usando un pulsioxímetro. El primero ofrece los
datos en términos de error relativo. El segundo utiliza AAE. Mientras tanto, el tercer algoritmo usa
AAE y SD.
 En otros dos algoritmos los datos se referencian a señales que también han sido obtenidas por los
desarrolladores de la investigación. En estos casos, las señales PPG obtenidas han sido revisadas por
expertos, que han anotado el número de latidos de las muestras, y de esta manera los resultados se dan
en términos de Sensibilidad (Sens en la tabla).
 El algoritmo presentado en [83] es una evolución de otro método en el que sólo se usaba el algoritmo
AMD para detectar los picos, por lo que se compara únicamente con este para validar su mejora.
 Todos los algoritmos que validan sus resultados mediante AAE, pudiendo añadir SD o no, y tienen un
asterisco (*), han utilizado como conjunto de datos para realizar la validación los primeros 12 dataset
de la base de datos proporcionada en la IEEE Signal Processing Cup 2015. En todas investigaciones
se hace así para poder compararse con los métodos TROIKA y JOSS, que usaron este método de
validación en primer lugar.
 Por último, algunos algoritmos no ofrecían datos acerca de la validación de los resultados al aplicar su
método, por lo que esas casillas se han dejado vacías.

Equation Chapter (Next) Section 1

88
 Medición del ritmo cardíaco mediante Fotopletismografía 89

6 OBTENCIÓN DE MEDIDAS Y REALIZACIÓN DE

LA BASE DE DATOS

"Las ideas no duran mucho. Hay que hacer algo con

ellas"
- Santiago Ramón y Cajal -

C
omo se expuso en el apartado de Objetivos, el primer punto de la parte práctica de este proyecto es
elaborar una Base de Datos con las medidas de pulso de al menos 20 sujetos sanos y de diversa edad y
condición física, para demostrar que los algoritmos implementados son capaces de detectar
correctamente el pulso de un amplio abanico de señales que posean diferentes características (distintas
amplitudes, intervalo entre picos, anchos de pulso, morfologías). Para la adquisición de los datos se ha usado
una placa concreta cuyas características generales se detallan a continuación; y se ha llevado a cabo un
protocolo de medida idéntico para la adquisición de datos de todos los sujetos.

6.1 Elementos utilizados en la adquisición de los datos

Para la obtención de los datos necesarios para completar la Base de Datos se ha seguido un protocolo de
medida similar para todos los voluntarios, de cara a estandarizar las medidas registradas. Aunque las medidas
han sido tomadas en diversos momentos y lugares, en todas ellas se ha dispuesto de una placa SDPPG v1.0
con sensores DCM02 interno y externo, de un PC donde almacenar los datos obtenidos, así como de mesa y
silla para realizar las medidas con el voluntario sentado o de pie según se requiriese en cada momento.
Debido a las diferentes posibilidades que ofrece la placa usada, se procede a detallar sus características
generales y configuración para la correcta obtención de las medidas.

6.1.1 SDPPG v1.0

El dispositivo usado para la obtención de las señales cardíacas es un dispositivo SDPPG v1.0 adquirido en
APMKorea (actualmente se se comercializa la SDPPG v2.0), y basado en una placa de STMicroelectronics
con un núcleo STM32 ARM cuyo diseño se adjunta en el Anexo A. La placa se muestra en la Figura 6-1.

89
90
Obtención de medidas y realización de la base de datos

Figura 6-1. SDPPG v1.0

Entre sus características generales se pueden destacar:

 12 bit ADC.
 32 bit Cortex-m3 MCU.
 USB 2.0 y alimentación DC 5V vía puerto USB.
 Frecuencia de muestreo: 2KHz.
 Sensor interno DCM02 con emisores LED rojo e infrarrojo, y fotodetector.
 Puerto serie de 4 pines para conectar sensores externos, como un DCM02 externo con las mismas
características que el anterior, adquirido junto a la placa para este proyecto.
 Botones de UP y DOWN para ajustar la intensidad de la luz de los LEDS, con niveles de 1 a 9, y
display de 7 segmentos para mostrar el nivel de intensidad actual.
 Almacenamiento de datos.
 Monitorización a tiempo real.
 Soporte sobre Windows XP, Windows 7, 8 y 10 (32 y 64 bits)
 Salida gráfica digital de 6 señales: PPG visible, FDPPG visible (first derivative, primera derivada de
la señal), SDPPG visible (second derivative, segunda derivada de la señal), PPG IR (infrarroja),
FDPPG IR, SDPPG IR.
 Pines analógicos para proporcionar salida a un osciloscopio de las señales PPG visible e infrarroja, así
como pin de tierra (GND).
 LED que muestra el estado (ON/OFF) de la placa.
 LED indicador de latido del corazón (conectado a circuito detector de picos).
 Interruptor para encender/apagar la placa.
 Interruptor para seleccionar como datos registrados los recibidos por el sensor interno o externo.

90
 Medición del ritmo cardíaco mediante Fotopletismografía 91

Figura 6-2. SDPPG v1.0 con sensor DCM02 externo seleccionado y nivel de
intensidad de los LEDs fijado a 5.

6.1.2 Sensor DCM02

Como se ha comentado ya en las características, y puede observarse en la Figura 6-2, se dispone de dos
sensores DCM02 idénticos, uno integrado en la placa y otro externo conectado por el puerto serie, entre los
que se puede alternar para realizar las medidas. Por no estar fijo, el sensor externo será más susceptible a los
motion artifacts.
Cada sensor tiene integrado un emisor dual con dos LEDs que emiten en longitudes de onda de 950 nm
(infrarrojo) y 660 nm (rojo) respectivamente, y un receptor sensible a ambas radiaciones. En este caso se tiene
una topología por reflexión, dado que el receptor se coloca adyacente a los emisores, captando la luz que se
refleja en los tejidos. El esquemático del sensor, así como sus características, están recogidos en el Anexo B.

Figura 6-3. Sensor externo DCM02, a la izquierda con la cubierta adaptada a los dedos, y a la derecha
con los LEDs y el fotodetector al descubierto.

91
92
Obtención de medidas y realización de la base de datos

6.1.3 SDPPG.exe
Una vez conectada la placa al PC a través de un puerto USB y reconocida por el PC correctamente tras seguir
los pasos indicados en el Anexo A, se ejecuta la aplicación SDPPG.exe, software que permitirá interactuar con
la placa, visualizar las señales obtenidas en el sensor, y almacenar los datos.
En el lateral derecho aparecerán varios botones que pueden pulsarse, un desplegable en el que se puede
seleccionar el número de puerto COM usado para comunicarse con la placa y un recuadro que indica el nivel
de intensidad de la luz emitida por los LEDs. De hecho, un par de esos botones (“Light Up”, “Light Down”),
situados justo debajo del recuadro que informa de la intensidad, permiten cambiar este nivel, subiéndolo o
bajándolo respectivamente, al igual que se podía hacer con los botones integrados en la placa.
El primer botón del lateral, debajo del recuadro que informa del puerto, se utiliza para iniciar y para los tests
(“Run/Stop”). En la parte baja de la columna aparece un botón donde se puede leer “Save Data”. Una vez
pulsado, se empezarán a guardar los datos que aparecen en las gráficas, hasta que se vuelva a pulsar el botón
(“Save Stop”).
Por último, el botón “Exit” permite salir de la aplicación.
El entorno gráfico de esta aplicación se puede observar en la Figura 6-4.

Figura 6-4. Entorno gráfico de SDPPG.exe.

92
 Medición del ritmo cardíaco mediante Fotopletismografía 93

Como se puede comprobar en la Figura 6-5, aparecen seis gráficas en total. Las gráficas situadas a la derecha
reflejan los datos obtenidos en el espectro visible (LED rojo), mientras que en las gráficas situadas a la
izquierda se encuentran las gráficas obtenidas en el rango de los infrarrojos. De arriba abajo se encuentran las
señales PPG, sus primeras derivadas (FDPPG), y sus segundas derivadas (SDPPG).

Figura 6-5. Medición de pulso con la placa usando SDPPG.exe.

Cuando se guardan los datos, estas gráficas se almacenan en formato .txt formando seis columnas ordenadas
del siguiente modo:
La 1ª columna es la PPG Visible, la 2ª su primera derivada, y la 3ª su segunda derivada.
La 4ª columna es la PPG Infrarroja, la 4ª su primera derivada, y la 6ª su segunda derivada.
Estos datos serán los que se exporten a Matlab para trabajar con ellos, pues son fácilmente convertibles en
matrices y vectores. En las gráficas, el eje de abscisas representa el tiempo, y cada uno de los cuadros más
pequeños equivale a 200 ms, siendo el cuadrado grande equivalente a un segundo. Sin embargo, las unidades
para el eje de ordenadas no están definidas, aunque no es un aspecto importante a la hora de calcular el pulso
(importan los picos, no su amplitud). De hecho, es común ver en artículos de investigación usar las unidades
arbitrarias para cuantificar las señales PPG y sus derivadas.

6.2 Zonas de medición

Antes de recabar los datos para la Base de Datos se ha realizado un estudio con el objeto de determinar en qué
zona del cuerpo humano se consigue una mejor señal en condiciones cercanas a las ideales (sujeto en reposo,
sin realizar movimientos que corrompan la señal, iluminación baja para minimizar este tipo de interferencia).
Para ello, se han llevado a cabo una serie de mediciones a varios sujetos en diversas zonas del cuerpo.
Aunque el dispositivo usado emplea la fotopletismografía por reflexión, y puede ser colocado a priori sobre
cualquier superficie vascular pulsátil, se decidió realizar medidas en zonas del cuerpo donde el sensor no
estuviese demasiado lejos del lecho vascular, normalmente periféricas, siendo finalmente las posibilidades
elegidas la muñeca, el dedo índice, el puente de la nariz, el oído y la parte superior del párpado.

93
94
Obtención de medidas y realización de la base de datos

Una vez realizadas las mismas medidas con similares condiciones externas para todos los sujetos, se han
comparado las señales obtenidas para determinar la zona a usar con el fin de conseguir los datos necesarios
para entrenar, validar y testar los algoritmos desarrollados.
La zona finalmente elegida ha sido el dedo índice, ya que más allá de disponer una estructura de plástico que
puede encajarse en el sensor y está adaptada a las medidas en esta zona, proporciona las medidas de pulso más
regulares y de mayor amplitud. El factor de la comodidad de los voluntarios a la hora de someterse a la medida
también se tuvo en cuenta para tomar la elección final. A continuación, pueden observarse ejemplos de
mediciones en cada una de las zonas.
También se ha realizado un estudio para determinar la intensidad de los LEDs a utilizar durante las pruebas, de
cara a que las medidas fuesen lo más uniformes posible, siendo al final el Nivel 7 de intensidad el elegido para
la realización de las mediciones, ya que para intensidades más bajas la amplitud de los pulsos puede aparecer
demasiado atenuada, y para intensidades más altas algunos voluntarios veían excesivamente deformados los
máximos de su señal PPG.
No obstante, la elección de esta intensidad no ha servido para todas las medidas tomadas, dándose casos de
voluntarios con piel oscura, o con mala perfusión sanguínea en zonas periféricas, que hacían necesario
aumentar la intensidad dada la inexistencia de pulso a ese nivel de intensidad. En el lado opuesto, algunos
voluntarios han presentado unos pulsos con una amplitud especialmente alta, que provocaba la deformación de
los latidos en sus picos y valles. En estos casos, se ha disminuido la intensidad con el objetivo de obtener
pulsos cuya limitación no fuera la del hardware usado.
Por lo tanto, en todas las medidas se ha empezado usando los LEDs con un nivel de intensidad de 7, para
ajustarlo subiendo o bajando la intensidad en aquellos casos en los que era estrictamente necesario.

6.2.1 PPG en el oído

Para esta medición se coloca el sensor externo desnudo (sin la estructura de adaptación al dedo) apuntando a la
concha, ya que, tras probar varias posiciones, se descubrió que esta posición daba mejores resultados que
apuntar al lóbulo de la oreja (Figura 6-6).

Figura 6-6. Señal PPG medida en el oído.

94
 Medición del ritmo cardíaco mediante Fotopletismografía 95

6.2.2 PPG en la muñeca

Para obtener esta medida el sensor se coloca en el centro de la muñeca, de manera similar a cómo se colocan
los sensores de pulseras cuantificadoras o smart watches (Figura 6-7).

Figura 6-7. Señal PPG medida en la muñeca.

6.2.3 PPG en la sien

El sensor externo queda apoyado contra la sien (en estas pruebas la derecha) para realizar esta medición
(Figura 6-8).

Figura 6-8. Señal PPG medida en la sien.

95
96
Obtención de medidas y realización de la base de datos

6.2.4 PPG en el puente de la nariz

Para la realización de esta medición, el sensor queda apoyado en la nariz, apuntado hacia una de las paredes
del puente de ésta (Figura 6-9).

Figura 6-9. Señal PPG medida en el puente de la nariz.

6.2.5 PPG en el dedo índice

Aunque puede usarse cualquier dedo, en estas pruebas se ha usado el dedo índice para registrar los datos, y
para obtener las medidas en esta zona tan sólo es necesario apoyar el dedo en el sensor,adaptado al dedo con
una estructura de plástico para esta medida (Figura 6-10).

Figura 6-10. Señal PPG medida en el dedo índice.

96
 Medición del ritmo cardíaco mediante Fotopletismografía 97

6.3 Base de Datos

Para la realización de la BD se ha recurrido a la colaboración de 25 voluntarios, de diversa edad y condición
física, y sin ninguna enfermedad cardiorrespiratoria diagnosticada. Para cada uno de ellos se ha seguido el
mismo protocolo de medición, de cara a intentar estandarizar el proceso lo máximo posible. De este modo se
consigue una BD uniforme y se minimizan posibles fallos relativos a la adquisición que arrojasen resultados
erróneos a la hora de trabajar con los datos.

6.3.1 Protocolo de medición

Para realizar las medidas, el primer paso consistía en conectar la placa al ordenador y comprobar el
funcionamiento de los sensores, ajustando los niveles de intensidad de los LEDs (que posteriormente sería
ajustada de nuevo durante el transcurso de la medida para encontrar pulso adecuado de cara a almacenar datos
útiles). A continuación, se le comunicaba al sujeto que se le realizarían dos pruebas de 30 segundos. La
primera con el sensor interno y el usuario sentado en reposo. Y tras ésta, después de un minuto de descanso,
una segunda con el voluntario de pie y colocando su dedo en el sensor externo. Un ejemplo de medida con el
sensor externo se puede observar en la Figura 6-11.

Figura 6-11. Ejemplo de medición con el sensor externo.

97
98
Obtención de medidas y realización de la base de datos

6.3.2 Almacenamiento de medidas

Tenemos una Base de Datos con dos tipos de entradas; las señales adquiridas en reposo con el sujeto
permaneciendo sentado, y las que se toman con el sujeto también en reposo, pero en este caso de pie (señales
más susceptibles de contaminarse por ruido debido a movimiento). Así pues, en la Base de Datos se
almacenarán dos entradas por cada voluntario.
La primera corresponde a la medición con el voluntario sentado y usando el sensor interno, guardada con el
nombre de SXSent.txt. La X indica el número del sujeto, y “Sent” que el voluntario estaba sentado durante la
medición.
La segunda es la medida tomada mientras el voluntario permanecía de pie, usando el sensor externo. Esta
medida se guardará con el nombre de SXRepPie.txt. En este caso, la X sigue siendo el número del usuario, y
“Pie” hace mención al estado del voluntario durante la prueba. Un ejemplo gráfico de la organización de estos
datos se puede ver en la Figura 6-12.

Figura 6-12. Organización BD de señales.

Los archivos de datos generados no indican ningún tipo de unidad de medida. Utilizando la frecuencia de
muestreo se obtendrán las referencias temporales, pero no se cuantificará de ningún modo la amplitud de las
señales, pues como se comentó anteriormente, es indiferente para la detección de los latidos y la obtención de
la frecuencia cardíaca.
Una muestra de las señales almacenadas en la Base de Datos, una vez exportada a Matlab se puede ver en la
Figura 6-13, donde se representa un intervalo de 10 segundos del S18Sent.
Como último paso antes del procesamiento usando Matlab R2014b, tras exportar las señales que conforman
cada una de mas medidas (en formato .txt) a esta plataforma, y se recortan para que tengan una duración
exacta de 30 segundos. Una vez hecho esto, se almacenan en una variable llamada signals, que se guarda en un
fichero con formato .mat, y con el mismo nombre que el fichero .txt original. Este proceso facilita el uso de
Matlab a la hora de trabajar con las muestras obtenidas.

98
 Medición del ritmo cardíaco mediante Fotopletismografía 99

Figura 6-13. Señales PPG para Sujeto 21 sentado.

6.3.3 Información sobre los voluntarios

En la Tabla 6-1 se pueden consultar la edad y sexo de los voluntarios sometidos a las mediciones cardíacas en
estado de reposo utilizando la placa SDPPGv1.0.
A partir de estos datos se puede observar que la edad promedio de los voluntarios es de 26,6 años y, que sólo
el 12% de los voluntarios son mujeres, tratándose de una muestra de población predominantemente joven, de
sexo masculino y no fumadora.

99
100
Obtención de medidas y realización de la base de datos

Tabla 6-1. Información sobre voluntarios sometidos a las pruebas.

Voluntario Edad Sexo

Sujeto 1 22 H
Sujeto 2 34 H
Sujeto 3 21 H
Sujeto 4 20 H
Sujeto 5 23 H
Sujeto 6 32 H
Sujeto 7 21 H
Sujeto 8 30 M
Sujeto 9 21 H
Sujeto 10 34 H
Sujeto 11 20 H
Sujeto 12 33 H
Sujeto 13 24 M
Sujeto 14 24 M
Sujeto 15 22 H
Sujeto 16 32 H
Sujeto 17 26 H
Sujeto 18 30 H
Sujeto 19 27 H
Sujeto 20 28 H
Sujeto 21 20 H
Sujeto 22 29 H
Sujeto 23 28 H
Sujeto 24 31 H
Sujeto 25 28 H
88% H
Promedio 26,6
12% M

Equation Chapter (Next) Section 1

100
 Medición del ritmo cardíaco mediante Fotopletismografía 101

7 ALGORITMOS PROPUESTOS PARA LA

OBTENCIÓN DEL PULSO

“If I had asked people what they wanted, they would

have said faster horses.”
- Henry Ford -

D
ebido a que se dispone de una placa con la que se ha llevado a cabo la adquisición de medidas con el
objetivo de elaborar una Base de Datos, la prioridad ha sido desarrollar algoritmos que permitan la
obtención del pulso de estas mediciones, incluso aunque éstas se vean afectadas por motion artifacts,
otro tipo de ruido o interferencias que dificulten su procesamiento.
Para ello, se ha realizado una investigación acerca de los diversos métodos existentes en la actualidad
orientados a calcular la frecuencia cardíaca a partir de la Fotopletismografía, fruto de cuyo trabajo es el
Capítulo 5; y que posteriormente se ha utilizado para elegir de entre toda esta información los procedimientos
a implementar en esta sección, y que principalmente se enfocan en etapas de preprocesamiento de la señal
(filtrado, suavizado), de eliminación o reducción de MA (muy a menudo entrelazadas con la etapa de
preprocesamiento), de búsqueda de picos (con algoritmos más o menos complejos, que requieran de menos o
más preprocesamiento y limpieza previos, respectivamente), y de posprocesado. A continuación, se abordan
con mayor detalle los métodos implementados para este Proyecto Fin de Carrera, habiendo sido todos
desarrollados utilizando la herramienta Matlab R2014b.

7.1 Preprocesamiento de la señal

Por preprocesamiento se entiende cualquier método que permita limpiar una señal PPG corrupta, eliminando
en el proceso la mayor cantidad posible de ruido y perturbaciones que afectan a la misma, sin llegar a
deformarla. El objetivo es obtener una señal que sea lo más parecida posible a la señal original antes de verse
sometida a los factores que la corrompieron. Se deja no obstante una parte concreta como es la limpieza de los
motion artifacts para el siguiente apartado¸ ya que, aunque podría considerarse como parte del
preprocesamiento, dispone de métodos específicos para llevarse a cabo.
En las medidas realizadas con la placa no es normal observar oscilaciones continuas y abruptas o excesivo
ruido de alta frecuencia. Suele tratarse de señales con transiciones suaves más allá de los cambios originados
por la propia señal del pulso o los MA. Esto se puede observar en la Figura 7-1.

101
102
Algoritmos propuestos para la obtención del pulso

Figura 7-1. Señal PPG obtenida con sensor IR.

Sí son señales fácilmente corrompidas por MA, provocados por movimientos durante el proceso de medida,
variaciones de distancia entre el sensor o la piel, interferencias de la luz natural, u otros factores. También se
puede ver en la Figura 7-1 cómo se trata de señales que adolecen de tendencias no lineales, o ruido de baseline
wander (desvío de la línea de base), que hace que la señal no tenga una línea de base clara como referencia.
Esta tendencia deberá ser eliminada en la medida de lo posible.

7.1.1 Eliminación de ruido

Aunque las señales que se han obtenido mediante la placa no son excesivamente ruidosas, los algoritmos
desarrollados deberían estar preparados para trabajar también con ese tipo de señales, ya que con otro tipo de
sensores, o en otras situaciones, podrían obtenerse señales de peor calidad. Así que se han añadido dos tipos de
ruido a las señales PPG obtenidas utilizando las funciones rand() y randn() que proporciona Matlab, para
intentar limpiarlas posteriormente mediante la utilización de métodos de preprocesamiento.

Figura 7-2. Señales con distinto tipo de ruido añadido.

102
 Medición del ritmo cardíaco mediante Fotopletismografía 103

En la Figura 7-2 se muestra la misma señal a la que se le ha añadido dos tipos de ruido; un ruido aleatorio
uniformemente distribuido en la señal superior, y ruido aleatorio con distribución normal en la inferior.

7.1.1.1 Filtro de Savitzky-Golay

Se trata de un tipo de filtro basado en el cálculo de una regresión polinomial local (de grado k) con al menos
k+1 puntos equiespaciados, para determinar el nuevo valor de cada punto. El resultado es una función similar a
los datos de entrada, pero suavizada, que tiende a preserver características de la distribución inicial como
máximos y mínimos relativos, así como picos, que desaparecen en otras técnicas como la media desplazada.
Usamos la función sgolayfilt() con grado 0 (orden del polinomio usado) y longitud de 125 muestras. En la
Figura 7-3 se muestra la señal corrompida por ruido aleatorio uniforme y la señal ya filtrada. En la Figura 7-4
se pueden ver los filtrados de las señales corrompidas con los tipos de ruido.

Figura 7-3. Señal corrupta (arriba) y señal filtrada por S-G (debajo).

Figura 7-4. Señales filtradas. En la gráfica superior señal corrompida con ruido de distribución
uniforme. En la inferior señal corrompida con ruido de distribución normal

103
104
Algoritmos propuestos para la obtención del pulso

7.1.1.2 Filtro de media móvil ponderada por distribución gaussiana

Un filtro de media móvil simplemente realiza la media aritmética de los n datos anteriores para sustituir al
punto actual. Es una técnica que permite suavizar la señal, teniendo en cuenta que cuanto más grande sea n,
mayor será la influencia de los datos (mayor suavizado). También se puede utilizar un filtro de media móvil
central, donde se utilizan tanto valores posteriores como anteriores para obtener la predicción del punto.
En el filtro implementado, los puntos empleados para realizar la predicción están ponderados por una
distribución normal o gaussiana (Gaussian weigthed moving average), con lo que se permite elegir a qué datos
otorgarles mayor importancia (debido a la forma de esta distribución, el mayor peso será para los datos más
recientes).
Se utiliza una ventana de 250 muestras, que serán los puntos usados para realizar la predicción, empleando
media móvil central. Nuevamente se puede observar el aspecto de la señal filtrada frente a la señal corrupta en
la Figura 7-5, y ambas señales ya filtradas en la Figura 7-6.

Figura 7-5. Señal corrupta y señal filtrada por filtro de media móvil.

Figura 7-6. Señales filtradas por media móvil ponderada.

104
 Medición del ritmo cardíaco mediante Fotopletismografía 105

7.1.1.3 Filtro de mediana

En un filtro de mediana de n muestras se ordenan las muestras de menor a mayor, eligiendo el punto
intermedio de la ventana de muestras para el punto actual. Este punto será (n+1)/2 si la longitud es impar,
teniendo varias opciones de elección si la longitud es par ( n/2+1, n/2).
En este caso, se toma una longitud de ventada de 251 y se aplica el filtro mediante la función medfilt1() de
Matlab. Los resultados de este tipo de filtrado se observan en la Figura 7-7 y la Figura 7-8 .

Figura 7-7. Señal corrupta frente a señal procesada por filtro de mediana.

Figura 7-8. Señales filtradas por mediana.

La ventaja del filtro de mediana frente al de media es que los valores extremos no le afectan tanto. Sin
embargo, hay que ordenar los datos previamente, lo que la hace más lenta, y no utiliza para el “cálculo” toda la
información disponible. Por otra parte, con el filtro de media ponderada se consigue delimitar la influencia de
los puntos adyacentes a nuestra elección.

105
106
Algoritmos propuestos para la obtención del pulso

7.1.1.4 Filtro Butterworth

Por ultimo, se puede utilizar un filtro Butterworth de tipo paso de baja para suavizar la señal, teniendo cuidado
de no afectar a la información de la señal PPG. Se elige este tipo de filtro porque nos garantiza la respuesta
más plana posible en la banda de paso (zona donde estará la información de la frecuencia cardíaca), mientras
se aproxima a cero en la banda de rechazo. Con el orden del filtro igual a 2, y una frecuencia de corte fijada en
5 Hz (normalmente la señal del corazón se mueve en el rango 0,5-4 Hz se puede garantizar que el filtrado no
afectará a la información pulsátil de la señal. Para implementarlo, se hace uso de las funciones butter(), para
diseñar el filtro, y filter(), para filtrar la señal, pudiéndose ver los resultados en las Figura 7-9 y Figura 7-10.

Figura 7-9. Señal corrupta frente a señal procesada por filtro Butterworth paso de baja.

Figura 7-10. Señales filtradas por Butterworth paso de baja.

106
 Medición del ritmo cardíaco mediante Fotopletismografía 107

7.1.2 Normalización
Las señales obtenidas con la placa disponible tienen una amplitud muy elevada una vez representadas en
Matlab (del orden de 10 ), y estas amplitudes difieren si se obtiene la misma medida con el LED rojo o el
infrarrojo. Como dorma de estandarizar la amplitud de las señales, hacerlas más manejables, y tener la
oportunidad de comparar señales en igualdad de condiciones, se normalizan todos los datos obtenidos con los
sensores antes de aplicarles cualquier tipo de procesamiento.
Para ello se sopesaron varios métodos, enumerados a continuación:
 Dividir la señal por su valor máximo global. Esto limita los datos de la señal a un rango [-1,1].
 Escalado de variables aplicando la siguiente ecuación:

( ñ ( ñ ))
𝑆𝑒ñ𝑎𝑙 =2∗ ( ñ ) ( ñ )
−1 (7.1)

El problema de esta opción es que limita los datos de la señal entre el máximo y el mínimo de la
variable.

 Escalado estándar, restando a la señal su media, y dividiendo por la desviación típica. Garantiza que la
señal mantendrá su forma, y se tendrá una señal con media 0 y desviación típica unidad.

Se escoge esta última alternativa por ser la que más ventajas nos ofrece para trabajar con las señales
disponibles y compararlas entre ellas.

7.1.3 Eliminación de baseline wander

Como se ha comentado anteriormente, una gran parte de las señales PPG obtenidas con la placa presentan un
problema de baseline wander (baseline drift) o tendencia, provocado por interferencias que introducen en los
datos patrones que no son intrínsecos a ellos, como la respiración del sujeto. Esto supone el desvío de la señal
respecto a la línea de base, lo que afectará a la hora de calcular puntos característicos de la señal como sus
mínimos o máximos (de gran interés para la obtención de la frecuencia cardíaca). Por otra parte, la señal no se
desvía de una manera lineal, sino que tiene a oscilar acercándose y alejándose de la línea de base. El
preprocesamiento de la señal debe eliminar este tipo de desvíos, dejando una señal con una clara línea de base
como referencia.
Al no ser tendencias lineales, no podemos usar la función detrend(), optando por implementar las alternativas
que se discuten a continuación.

7.1.3.1 Ajuste mediante polinomios correctores.

En este método se intenta ajustar la tendencia de la señal con un polinomio de orden lo más bajo posible, de
manera que se le pueda restar a la señal esta tendencia ajustada por el polinomio para eliminar su desvío. Hay
que tener especial cuidado en elegir el orden del polinomio de manera que se pueda aproximar de manera
óptima a la tendencia de la señal (tendencias menos lineales requerirán órdenes más elevados).
Para realizar el ajuste por polinomios se emplea la función polyfit(), que permite conseguir los coeficientes del
polinomio con menor error cuadrático medio respecto a la señal, y polyval() que devuelve el polinomio que se
usará para restar a la señal y eliminar su tendencia.
Para sustraer la tendencia de las señales PPG obtenidas, se usarán polinomios de orden 10, que son los que han
arrojado un mejor resultado a la hora de ajustarse a las tendencias observadas en este tipo de señal. Los
resultados con polinomios de orden 4 y 10 pueden observarse en las Figura 7-11 y Figura 7-12.

107
108
Algoritmos propuestos para la obtención del pulso

Figura 7-11. Señal con baseline wander, e intento de supresión con polinomio de orden 4.

Figura 7-12. Señal con baseline wander, e intento de supresión con polinomio de orden 10.

108
 Medición del ritmo cardíaco mediante Fotopletismografía 109

7.1.3.2 Filtro Butterworth

En esta ocasión también se puede hacer uso de un filtro Butterworth de orden 2, pero en esta ocasión
funcionando como paso de alta, ya que las tendencias de la señal respecto a la línea base son componentes de
bajas frecuencias. Por tanto, se vuelve a usar la función butter() para generar los coeficientes del filtro; aunque
en esta ocasión la frecuencia de corte será de 0,5 Hz (para no eliminar componentes de la señal pulsátil). De la
misma manera que antes, se aplica el filtro a la señal con la función filter(). El resultado se observa en la
Figura 7-13.

Figura 7-13. Señal con baseline wander, e intento de eliminarlo con Butterworth paso de alta de orden 2.

En lo sucesivo, se usará como primera etapa de preprocesamiento un filtro Butterworth de orden 2 y de tipo
pasobanda, con las frecuencias de corte en 0,5 y 5 Hz respectivamente. De manera, la información de la onda
pulsátil permanecerá en la banda de paso mientras se eliminan el baseline wander y las componentes de alta
frecuencia de la señal, ya que ninguna aporta información relevante a la hora de calcular la frecuencia
cardíaca.
Si resultara necesario realizar un suavizado a la señal después de algún procesamiento agresivo, se hará uso de
filtros de Savitzky-Golay para llevarlo a cabo.

109
110
Algoritmos propuestos para la obtención del pulso

7.2 Reducción y eliminación de MA

Ya es bien sabido que las señales PPG son especialmente sensibles a los motion artifacts, artefactos debidos a
movimientos del sujeto al que se le está realizando la medida, o provocados por la respiración. Estos artefactos
pueden afectar al acoplamiento óptico entre los LEDs, el tejido y el fotodetector, y se erigen como la mayor
limitación a la hora de extraer la frecuencua cardíaca de estas señales.
Eliminarlos no es sencillo, al no tener una banda estrechas de frecuencia, y solaparse su espectro con el de la
señal pulsátil. Por lo tanto, los filtrados clásicos no pueden emplearse para eliminar o reducer a los MA.
En el Capítulo 5 se explicaron diversas técnicas desarrolladas para solucionar este problema, alguna de las
cuales se han implementado para intentar reducer la presencia de MA en las señales obtenidas con la placa
SDPPGv1.0, y se pueden ver con más detalle en los apartados siguientes.

7.2.1 Filtrado adaptativo

Un filtro adaptativo se define como un dispositivo que intenta modelar de manera iterativa y en tiempo real la
relación entre señales. Para ello, y a diferencia de filtros digitales comunes con coeficientes invariantes en el
tiempo, cambia sus coeficientes de acuerdo a un algoritmo adaptativo, lo que le permite, en cierto modo, ir
variando su comportamiento al reajustar en cada iteración estos coeficientes. En este proyecto se busca usar
esta característica de los filtros adaptativos para usarlo como cancelador de interferencias
La estructura básica de un filtro adaptativo empleado para cancelación de interferencias es la de un sistema al
que llegan dos señales; una señal u(n), que será utilizada como señal de referencia, y una señal e(n), o señal de
error, resta de una señal d(n) o deseada, normalmente una señal mezcla de nuestra señal original y algún tipo
de ruido, y una señal y(n), salida del filtro adaptativo. En la Figura 7-14 se puede observer esta estructura
[105].

Figura 7-14. Filtro adaptativo para cancelación de interferencias.

A los coeficientes del filtro se les conoce como w(n), ya que suelen recibir el nombre de pesos o weigths, y son
los que multiplican la entrada u(n) para obtener la salida. En la ecuación (7.2) se pueden ver las ecuaciones por
la que se rige un filtro adaptativo.

y (n)  w(n)* x( n)
(7.2)
e( n )  d ( n )  y ( n )

110
 Medición del ritmo cardíaco mediante Fotopletismografía 111

En principio el objetivo del filtro es hacer que la señal de error sea cero, por lo que el sistema debe
configurarse para que a partir de la señal u(n) se genere una salida y(n) que sea igual a d(n). Cada una de las
formas de minimizar ese error es un método de implementar los filtros adaptativos.
En un filtro adaptativo para cancelación de interferencias se buscará eliminar una interferencia desconocida
contenida en la señal d(n), señal primaria mezcla de señal original y ruido. Con la cancelación se comienza a
optimizar la señal hasta cierto grado, teniendo la señal primaria como respuesta deseada para el filtro, y
empleando la señal u(n) como una señal de referencia auxiliar. Esta señal de referencia es obtenida a partir de
un sensor o conjunto de sensores cercanos al sensor que proporciona la señal primaria (con lo que se dispondrá
de una referencia de la señal interferente).
Un aspecto importante de este tipo de filtros es la velocidad de convergencia, definida como el número de
iteraciones necesarias para alcanzar la solución óptima de Wiener. Una tasa o velocidad alta permite alcanzar
la convergencia rápidamente, pero a costa de sacrificar el ajuste óptimo.
Un cancelador adaptativo de ruido como el que se puede ver en la Figura 7-15 dispone de sensor primario
(información adulterada) y sensor de referencia (ruido), por lo que se puede usar esta correlación entre los
ruidos de las dos señales para intentar eliminar el ruido 𝑣 (𝑛) de la señal d(n) sin afectar a la parte que porta la
información, s(n). Esto se puede conseguir minimizando el valor cuadrático medio de la señal de error, e(n),
que será equivalente a minimizar el valor cuadrático medio del ruido de la salida, dejando a la señal s(n)
esencialmente constante [105].

Figura 7-15. Cancelador adaptativo de ruido.

Esta minimización del error cuadrático medio es la que buscan algoritmos adaptativos como LMS, NLMS o
RLMS, filtros que se explican con más detalle en los siguientes apartados, y que han sido los implementados
para reducir los MA en las señales PPG.

7.2.1.1 Filtro LMS

El filtro LMS (Least Mean Squares) basa su algoritmo adaptativo en la búsqueda de los coeficientes del filtro
que permiten obtener el mínimo del error cuadrático medio de la señal de error. Usado como cancelador de
ruido, se consigue con esta minimización reducir la cantidad de ruido de la señal deseada. Su funcionamiento
se basa en dos etapas:
 Etapa de filtrado. En la que se filtra la señal de entrada, generando la señal de error.
 Etapa adaptativa. En la que se autoajustan los coeficientes del filtro.
111
112
Algoritmos propuestos para la obtención del pulso

Los factores de diseño del filtro son su orden, o número de coeficientes (M), que determinará la longitud del
filtro; y el tamaño del paso (µ), de importancia para la convergencia. El parámetro µ es una especie de
“memoria” del filtro, que determinará el peso relativo de las nuevas observaciones. Si µ es grande la
adaptación es rápida (convergencia rápida) porque se tienen en cuenta menos datos, a costa de un error en
exceso mayor. Si µ es pequeña la adaptación será más lenta, pero se cometerá un menor error.
Si se dispone de información del vector de coeficientes, se puede utilizar para obtener un valor inicial w(0). En
caso contrario, se usa w(0)=0. Las ecuaciones que gobiernan el filtro LMS se observan en (7.3):

e( n )  d ( n )  w H ( n ) · u ( n )
w( n  1)  w( n)   · e* ( n) · u (n) (7.3)
y (n)   k  0 wk (n) x( n  k )
M

Donde el superíndice H denota traspuesto conjugado, y el superíndice * denota conjugado. La señal e(n) es el
error, w(n) es el vector de coeficientes del filtro (y ésa es su ecuación de actualización), siendo y(n) la salida
del filtro. El número de ciclos de estas operaciones será igual al número de muestras de la señal filtrada.
Para cancelar ruido se necesita una señal de referencia con información sobre la interferencia, que en el caso
de señales PPG se puede conseguir con un sensor adicional o dispositivos como un acelerómetro.
En las señales obtenidas con la placa SDPPGv1.0 no se disponía de hardware adicional que proporcionase una
señal de referencia. Una alternativa en sistemas dinámicos desconocidos, en los que no se cuenta con una
referencia de ruido, es considerar la señal deseada retrasada un número de muestras como la señal de
referencia.
Otra alternativa, la elegida para trabajar con filtros adaptativos, es la de generar una señal de referencia
sintética [61]. Para ello se parte de la suposición de que la señal PPG corrupta consiste en varios componentes
de frecuencia; la información pulsátil (0,5-4 Hz), la actividad respiratoria (0,2-0,35 Hz) y la componente
relativa a los MA (0,1 Hz o más). Haciendo cero los coeficientes del espectro de frecuencias relativos a la
respiración y la información cardíaca se obtiene un espectro modificado con información mayoritariamente de
los MA. Aplicando la transformada de Fourier inversa a este espectro modificado se consigue una señal de
referencia que se podrá usar como entrada del filtro adaptativo.

Figura 7-16. Espectro de amplitud de la señal deseada con ruido adicional.

112
 Medición del ritmo cardíaco mediante Fotopletismografía 113

Figura 7-17. Espectro de amplitud de la señal de referencia sintética.

En las Figura 7-16 y Figura 7-17 se muestran los espectros de amplitud de la señal deseada y la señal sintética
de referencia (con las componentes cardíaca y respiratoria eliminadas) respectivamente. En las siguientes,
Figura 7-18 y Figura 7-19, se pueden observar en el dominio del tiempo la señal de referencia sintética frente a
la señal deseada, tanto para señales con ruido añadido como sin él. Se comprueba como comparten ciertas
características, como la tendencia (ya que se han dejado las frecuencias muy bajas intactas).

Figura 7-18. Señal deseada sin ruido añadido (azul) y señal sintética (naranja).

113
114
Algoritmos propuestos para la obtención del pulso

Figura 7-19. Señal deseada con ruido añadido (azul) y señal sintética (naranja).

Para que el filtro LMS funcione correctamente hay que elegir con cuidado el número de coeficientes (longitud)
y su paso (µ), teniendo en cuenta que éstos afectarán al error y a la velocidad de convergencia.
En base a estos parámetros, convergencia de los coeficientes en función del tiempo, y error cuadrático medio
cometido en cada iteración (se calcula también la media del error cometido durante el filtrado completo de la
señal para decidir), se determinaron la M y la µ del filtro LMS implementado finalmente en Matlab con
valores M=11 y µ=0,001.

Figura 7-20. Filtrado LMS.

114
 Medición del ritmo cardíaco mediante Fotopletismografía 115

En la Figura 7-20 se ve cómo el filtro LMS no es capaz de limpiar completamente la señal con la referencia
sintética proporcionada. En el principio de la señal filtrada puede apreciarse una mayor cantidad de ruido,
debido a una convergencia lenta, que podría solucionarse aumentado el valor de µ, lo que haría, no obstante,
que el error fuese mayor en toda la señal.

7.2.1.2 Filtro NLMS

El principal problema del algoritmo LMS puro es que es sensible a la escala de su entrada, por lo que es difícil
elegir un ritmo de aprendizaje µ que garantice la estabilidad del algoritmo. Esto lo soluciona el algoritmo LMS
Normalizado (NLMS), variante del algoritmo LMS que resuelve el problema normalizando el paso con la
potencia de la señal de referencia de entrada [106].
Por tanto, la ecuación de actualización de los coeficientes del filtro cambia, pasando a ser la que se ve en (7.4):

e ( n )* · u ( n )
w(n  1)  w(n)   · (7.4)
|| u ( n) ||2

En este caso, el valor que hay que determinar es el de β. La principal ventaja respecto al filtro LMS es su
robustez al estar normalizado por la potencia de la señal de referencia, dando resultados similares en cuanto a
convergencia y error una vez ajustado el parámetro que determina el paso.

7.2.1.3 Filtro RLS

El algoritmo RLS (Recursive Least Square), al igual que los dos anteriores, se utiliza para buscar los
coeficientes del filtro que permitan obtener el mínimo error cuadrático medio. En este caso, el algoritmo
encuentra de manera recursiva los coeficientes en relación con las señales de entrada. Este tipo de filtros
disponen de un rendimiento excelente en ambientes que varían en el tiempo, a costa de una mayor complejidad
computacional y ciertos problemas de estabilidad. El paso se toma en esta ocasión a partir de la ecuación (7.5).

e(n)  d (n)  uT (n) w(n  1)

g (n)  P(n  1) u (n)   u T (n) P(n  1) u (n)
1

(7.5)
P(n)   1 P(n  1)  g (n) u T (n)  1 P(n  1)
w(n)  w(n  1)  e(n) g (n)

Las ecuaciones que definen g(n) y P(n) son vectores de ganancia intermedios usados para calcular los pesos en
este algoritmo. La matriz P(0) se inicializa con un valor δ de la siguiente forma: P(0)=I· δ, donde I es la matriz
identidad de orden la longitud del filtro.
El parámetro λ, conocido como factor de olvido, es una constante positiva y cercana a 1 que determina la
ponderación de la influencia que los datos anteriores tendrán para la solución de un instante.
En cada iteración, la salida del filtro se calcula teniendo en cuenta la entrada, pero también los pesos
ponderados de esta manera. Debido a que se necesitan muestras anteriores de la señal de salida, los requisitos
de memoria de este filtro son muy elevados respecto a los anteriores. No obstante, esta mayor complejidad
proporciona una convergencia mucho más rápida.

115
116
Algoritmos propuestos para la obtención del pulso

Tomando para un filtro RLS de longitud 10 unos valores de δ=100 y λ=1, se consigue el siguiente resultado.

Figura 7-21. Filtrado RLS.

A simple vista, en la Figura 7-21 se puede ver que la convergencia es más rápida para el RLS que para el filtro
LMS. Por otra parte, es también representativo el hecho de que el filtro RLS es capaz de eliminar una cantidad
mucho mayor de ruido que sus predecesores, consiguiendo incluso a partir de cierto instante que el error
cuadrático medio sea nulo. Esto se refrenda en la Figura 7-22, donde se comprueba lo rápido que convergen
los coeficientes (11 gráficas, una por coeficiente, algunas superpuestas) durante su evolución en el tiempo.

Figura 7-22. Adaptación de los coeficientes del filtro RLS en el tiempo.

116
 Medición del ritmo cardíaco mediante Fotopletismografía 117

Será el filtro RLS, por tanto, el que usaremos en sucesivos métodos que requieran de una etapa de filtrado
adaptativo para eliminar o reducir MA en señales PPG. Los motivos en los que se sustenta esta elección son su
mejor convergencia y minimización del error cuadrático medio, características que pesan más que la
complejidad computacional a la hora de obtener una señal lo más limpia que sea posible.

7.2.2 Transformada Wavelet

Una wavelet es una pequeña onda cuya energía está concentrada en el tiempo, con una forma de onda
característica que es oscilante, y permite hacer análisis en tiempo y frecuencia (Figura 7-23). Las wavelets
están limitadas en dominio, son irregulares y pueden ser asimétricas. Su característica más importante es que
pueden servir como base para generación y análisis de señales
naturales no estacionarias o invariantes en el tiempo.
Las wavelets son familias de funciones que se encuentran en el
espacio, y sirven de base para analizar señales de modo que
nos permitan adquirir información sobre su tamaño, espacio o
dirección.
Cada familia se genera a partir de una función wavelet madre
que contiene un par de variables: una variable s que permite
hacer dilataciones y contracciones; y otra variable τ que
permite cambiar la posición de la señal en el tiempo.

Figura 7-23. Wavelet. Ambas variables deben ser números reales.

Las ondas wavelets son muy empleadas en procesamiento de señales porque, entre otras cosas, tienen la mejor
concentración simultánea posible en tiempo y en frecuencia, o el conjunto de sus combinaciones finitas
lineales están contenidas en el espacio de la Transformada de Fourier.
El concepto fundamental de la multirresolución es encontrar características típicas y detalles en las señales por
medio de productos escalares con señales de escalado y wavelets. Los picos en las señales normalmente se
deben a componentes de alta frecuencia, y es posible distinguir esos picos de otros causados por el ruido a
través de la descomposición por multirresolución en diferentes niveles.
La idea es descomponer una señal usando wavelets, ya que la wavelet se irá desplazando por la señal y
dividiéndola en diversos cortes que se puedan analizar por separado para determinar si se tiene ruido. Cada
wavelet se obtiene a partir de una Wavelet madre, como se ha comentado, a partir de la expresión:

1  t  
 s , (t )    (7.6)
s  s 

con s un término de escalado, y τ un símbolo de traslación.

El análisis multirresolución se realiza calculando la transformada Wavelet de cada señal enventanada para
obtener su información frecuencial, y conociendo el punto de corte de la ventana para conseguir la
información temporal.
La transformada de Wavelet de una señal 𝑓(𝑡) se define como la descomposición de ésta en un conjunto de
funciones  s , (t ) que forman una base a partir de la wavelet madre:

W f ( s, )   f (t ) s*, (t ) dt (7.7)

117
118
Algoritmos propuestos para la obtención del pulso

Dependiendo de la wavelet madre que se haya elegido, se obtendrá una descomposición con unas
características concretas.
Las wavelets deben cumplir una serie de propiedades:
 Reconstrucción perfecta. Las wavelets deben ser integrables para poder conseguir reconstruir la señal
a partir de las componentes de la descomposición. Esto conlleva un par de requisitos adicionales:
o Valor medio de la wavelet en el dominio del tiempo es cero.
o La ventana tiene espectro paso de banda.
 Una dilatación en el tiempo de la función wavelet se traduce como una compresión en el dominio de
la frecuencia.
 Las wavelets deben poseer regularidad tanto el dominio del tiempo como en el de la frecuencia.

7.2.2.1 Transformada Wavelet Discreta (DWT)

La que se ha definido es la transformada de Wavelet Continua (CWT), método que presenta algunos
problemas. En concreto, no es deseable emplear un número infinito de wavelets para obtener un resultado,
teniendo en cuenta además que se obtendrán coeficientes redudantes con esta técnica, y será difícil cumplir los
requisitos de construcción perfecta previavemente definidos.
Por ello, es mucho más interesante trabajar con la transformada Wavelet Discreta (DWT), ya que permite usar
menos coeficientes, solucionando el problema de la redundancia. Esta transformada se obtiene mediante el
muestreo de la CWT, y en este caso las wavelets deben realizar las escalas y traslaciones en pasos discretos,
según se indica en la siguiente expresión:

1  t  k 0 s0j 
 s , (t )   j  (7.8)
 s0
j
s0 

con j y k enteras, 𝑠 > 0 el peso de la dilatación (valor típico 𝑠 = 2, muestreo diádico) y 𝜏 el factor de
traslación.
La DWT permite descomponer la señal en las proyecciones ortonormales de ésta sobre las wavelets, en lo que
se denomina Serie de Wavelet:


M M
1 t  k2j
f (t )   2 2
aM (k ) (2 M t  k )   d j (k ) ( ) (7.9)
k z j 1 k  z 2j 2j

El primer término corresponde a la aproximación (filtro paso de baja), mientras que el segundo es el término
de los detalles de la señal (filtro paso de alta). Por tanto, se puede afirmar que la descomposición Wavelet es el
resultado de la aplicación de un banco de filtros, con tantos niveles como coeficientes se deseen obtener. Es
decir, la resolución vendrá dada por el número de niveles de descomposición en el dominio wavelet, en los que
se van obteniendo las muestras de altas y bajas frecuencias.
Dos términos importantes son el decimado (downsampling) y undecimado (upsampling), referidos al sentido
en el que se lleva a cabo el muestreo. El primero incdica un decremento del número de muestras, mientras que
el segundo indica un aumento. Cada nivel de descomposición wavelet conllevará un decimado, en el que las
muestras que atraviesen el filtro paso baja (componentes de aproximación) reducen a la mitad su resolución
temporal, duplicando la resolución en frecuencia. Esto se observa de manera más clara en la Figura 7-24.

118
 Medición del ritmo cardíaco mediante Fotopletismografía 119

Figura 7-24. Banco de filtros de descomposición Wavelet de 3 componentes.

En la Figura 7-24 se aprecia un ejemplo de banco de filtros de 3 niveles de descomposición Wavelet. La salida
de cada uno de los filtros de paso de alta corresponde a un término de los detalles (𝐷 ) y la salida del filtro
paso de baja es el término de las aproximaciones. Se ve que a cada término de aproximación se le hace un
decimado, reduciendo sus muestras a la mitad [107].
Se ha comentado previamente que la elección de la wavelet madre a aplicar a la señal determinará las
características de la descomposición Wavelet. Tras realizar varias pruebas con varias wavelets madre, se acabó
optando por la wavelet db4 para filtrar la señal PPG. Algunos resultados obtenidos al probar diversas madres
aparecen en la Figura 7-25.

Figura 7-25. Filtrado con diversas DWT de nivel 7. a) coif1 b) db4 c) bior3.1

119
120
Algoritmos propuestos para la obtención del pulso

El nivel elegido para la Wavelet es el 7, basándose en la descomposición necesaria para eliminar la mayor
cantidad posible de ruido sin llegar a deformar la señal. En la Figura 7-26 aparece el tipo de wavelet elegida
finalmente para la implementación [108].
Otro aspecto importante a tener en cuenta a la hora de usar la
transformada Wavelet para la cancelación de ruido de una
señal PPG es el umbral a escoger a la hora de analizar los
coeficientes tras una descomposición. La manera más sencilla
de eliminar el ruido o de reconstruir una señal contaminada es
eliminar los pequeños coeficientes, que son los asociados al
ruido. Mientras, los coeficientes de mayor magnitud serán los
asociados a la parte de información de la señal [109].
Para determinar qué coeficientes pertenecen a qué grupo, se
usa un umbral que separará a coeficientes pequeños y grandes,
siendo los primeros los que estén por debajo del umbral, y los
segundos los que lo superen. Una vez estén separados, se debe
tomar una decisión acerca de los coeficientes pequeños, Figura 7-26. Wavelet db4.
asociados a ruido. Existen dos tipos de umbrales: umbral duro
(hard threshold), y umbral blando (soft threshold).
Si se elige el primero (hard), todos los coeficientes que estén por debajo del umbral se eliminarán, poniéndose
a cero. Si el umbral elegido es el segundo (soft), los coeficientes más pequeños se penalizarán, pero no serán
completamente eliminados.
Existen asimismo algoritmos de estimación de umbrales, siendo los más conocidos minimax, universal and
rigorous sure. En el método implementado se ha utilizado heursure, técnica de estimación heurística variante
de rigrsure, que usa el criterio de estimación de riesgo objetivo de Stein. El tipo de umbral elegido ha sido soft.
El resultado final se muestra en la Figura 7-27, que aparece a continuación.

Figura 7-27. Señal filtrada con DWT db4 de 7 componentes (7 niveles).

120
 Medición del ritmo cardíaco mediante Fotopletismografía 121

Figura 7-28. Señal original y componentes de detalle de sucesivos niveles de la DWT.

En la Figura 7-28 se puede ver la señal original antes de ser filtrada, y el término de detalle de los sucesivos
niveles (componentes de altas frecuencias). Se comprueba cómo van disminuyendo conforme se aumenta el
nivel y se van penalizanco por el umbral y criterio de umbralización escogidos.
Para implementar la DWT en Matlab como método para la cancelación de ruido se ha utilizado la función
wden (de wavelet denoising), con ayuda de la función wavedec() para visualizar los coeficientes de detalle y
otros datos de interés para escoger una wavelet determinada.

7.2.2.2 Transformada Wavelet Estacionaria (SWT)

DWT es una representación no redundante y compacta de una señal en el dominio wavelet, lo que no se
cumplía con la CWT. Sin embargo, la etapa de decimación después del filtrado paso de baja hace a la DWT
variante en el tiempo, provocando un desplazamiento. La transformada de Wavelet Estacionaria (SWT) es un
caso especial de DWT sin decimación, por lo que tendremos el mismo número de coeficientes wavelet para
cada nivel de descomposición. SWT es por tanto una versión de la DWT redundante, no decimada y
completamente invariante en el tiempo. Estas características la hacen ideal para aplicaciones tales como la
detección de contorno, reducción de ruido y fusión de datos.
Para implementar esta transformada han sido muy útiles las funciones swt() e iswt(), que permiten realizar la
SWT y la SWT inversa respectivamente, y visualizar los coeficientes de detalle y aproximación. Para limpiar
de ruido la señal se ha empleado ddencmp() con parámetros de denoising y wavelet, así como wthreshs() para
aplicar la umbralización a los coeficientes de detalle.
Para este método ha sido suficiente con seleccionar un nivel 6 (con nivel 7 la SWT ya empezaba a deformar la
señal), siendo el umbral y tipo de umbral y wavelet elegida los mismos que los escogidos para el desarrollo de
la DWT.
En la Figura 7-29 se observan los coeficientes de detalle de los primeros tres niveles (y su disminución). En la
Figura 7-30 se muestra la señal limpiada con una SWT db4 de 6 niveles frente a la señal original. Por último,
en la Figura 7-31 se representan las señales limpiadas mediante SWT y DWT, observándose que
prácticamente se solapan en la mayoría de sus muestras.

121
122
Algoritmos propuestos para la obtención del pulso

Figura 7-29. Señal original y componentes de detalle de sucesivos niveles de la SWT.

Figura 7-30. Señal filtrada con SWT db4 de 6 niveles.

122
 Medición del ritmo cardíaco mediante Fotopletismografía 123

Figura 7-31. Señales filtradas con SWT (azul) y DWT (naranja).

La transformada Wavelet no está exenta de problemas. Puede introducir distorsión de fase en la señal a
procesar (la mayoría de las implementaciones de la DWT, por ejemplo, emplean filtros de coeficientes reales
que no proporcionan información sobre la fase). Por otra parte, es posible que la banda de interés sea
demasiado estrecha para el uso de wavelets, y no se pueda eliminar rudio mediante esta técnica. Otra
limitación es la necesidad de un conocimiento a priori de la señal a tratar, pues el resultado de la cancelación
de ruido dependerá de la wavelet madre elegida.

7.2.3 Análisis de components independientes (ICA)

El análisis de componentes independientes es un método computación que se emplea para separar una señal
multivariante en subcomponentes aditivos bajo la suposición de que estas subcomponentes son señales no
gaussianas y estadísticamente independientes entre sí, como podría esperarse de la señal PPG y los MA.
Se trata de un caso especial del problema de la separación ciega de fuentes (blind source separation, BSS), que
no es más que la separación de un conjunto de señales fuente de un conjunto de señales mixtas, sin
información (o muy poca) sobre las señales fuente o el proceso de mezcla. ICA va a intentar descomponer la
señal multivariante en señales independientes no gaussianas, dando muy buenos resultados cuando la
suposición de independencia estadística es correcta.
Un aspecto importante que considerar es que, si se tienen N fuentes presentes, al menos N observaciones son
necesarias (N sensores). Por tanto, se puede afirmar que para aplicar ICA con cierto éxito a señales PPG serían
necesarios varios sensores (o un acelerómetro) que proporcionasen información de distintos puntos.
La placa SDPPGv1.0 usada en este proyecto dispone de un fotodetector dual al que llegan dos tipos de señales
(luz roja e infrarroja), con lo que a priori se cumple la condición para obtener dos señales fuentes (pulso y
MA), aunque al ser LEDs adyacentes la independencia estadística puede verse comprometida. Aun así, se ha
optado por aplicar fastICA a las dos señales detectadas de los LEDs rojo e infrarrojo para comprobar si las
señales obtenidas tras el procesamiento podían resultar útiles para reducir los MA presentes en la señal PPG.
Para ello, se usó la función fastICA() con las dos señales PPG como entrada, solicitando la división en dos
fuentes estadísticamente independientes mediante el estudio de la curtosis (característica de la forma de la
distribución de probabilidad de una variable aleatoria) como aspecto no gaussiano de las señales a maximizar.

123
124
Algoritmos propuestos para la obtención del pulso

Para los resultados mostrados en las imágenes que siguen, se ha optado por una medida en las que las señales
PPG de ambos sensores están sensiblemente corrompidas por motion artifacts, existiendo zonas en las que
incluso a simple vista es complicado distinguir la información pulsátil. Aplicando fastICA a las dos señales se
obtienen las dos subcomponentes solicitadas, que aparecen en la Figura 7-32. Se puede apreciar como la
segunda de las subcomponentes se asemeja a una señal cuasiperiódica con lo que parecen ser pulsos
delimitados a pesar de la distorsión de la forma de la señal.

Figura 7-32. Subcomponentes ICA.

En la Figura 7-33 se representan las señales de la PPG IR y Visible, respectivamente, junto a la

subcomponente obtenica con ICA que contiene la información pulsátil. Comparando con las señales
representadas en la figura anterior, se puede determinar que se eliminó la mayor parte del ruido y la tendencia
de la información pulsátil, almacenándose cada fuente en una subcomponente, y permitiendo visualizar una
señal menos corrupta por MA.

Figura 7-33. PPG Infrarroja, PPG Visible, y subcomponente con información pulsátil.
124
 Medición del ritmo cardíaco mediante Fotopletismografía 125

La técnica ICA no llega a funcionar de manera adecuada en todos los casos, debido al reducido número de
fuentes (únicamente dos, y de dispositivos adyacentes), proporcionando señales en las que se puede detectar el
pulso, pero de manera muy irregular y atenuada. Por otra parte, la transformada Wavelet proporciona una señal
en exceso suavizada cuando el pulso aumenta durante una medida, lo que lleva a la no detección de picos de la
señal PPG. El filtro RLS por el contrario, es capaz de eliminar el ruido de los MA respetando los picos de la
señal PPG al mismo tiempo que reduce los picos debidos al ruido en la mayoría de las situaciones.

Tras realizar pruebas con diferentes señales obtenidas mediante la placa SDPPGv1.0 en las que aparecían MA
debidos a movimientos del dedo durante la medida, y aplicándole los distintos métodos que se han visto en
este apartado, se ha decidido adoptar el filtrado RLS como etapa de reducción de motion artifacts, debido a
que ha demostrado ser la técnica que elimina mayor cantidad de ruido sin deformar la señal. Se utilizará un
filtro de orden 10 con δ=100 (parámetro para inicializar la matriz P) y λ=1 (factor de olvido).

7.3 Detección de picos sistólicos

A la hora de extraer la frecuencia cardíaca de una señal PPG, se presentan varias alternativas.
 Se puede calcular a partir de los picos sistólicos presentas en la señal PPG (en la Figura 7-34 se
muestra una señal PPG con sus picos sistólicos marcados).
 Otra posibilidad consiste en acudir a las ondas a de la segunda derivada de la PPG (SDPPG), que
marcan el inicio de un nuevo pulso (en la Figura 7-35 se muestra una señal SDPPG con sus señales a
señaladas).
 Por ultimo, existe la alternativa de trabajar en el dominio de la frecuencia, y buscar la frecuencia
dominante que es la que proporcionará la información pulsátil (en la Figura 7-36 se puede ver el
espectro de amplitud de una señal PPG con su frecuencia máxima resaltada, alrededor de 1 Hz, lo que
equivale a 60 pulsaciones por minuto).
Todos estos métodos tienen algo en común: al final se resumen como búsqueda de picos que cumplan ciertas
características. La búsqueda de picos es una técnica recurrente en el procesamiento de señales, con múltiples
usos en una gran diversidad de campos. En el entorno en el que se define nuestro problema, necesitamos
métodos capaces de encontrar los picos que se deban a la señal del pulso (y que por tanto reúnan ciertas
características), descartando los picos debidos al ruido.
En los siguientes apartados se presentarán los algoritmos basados en la detección de picos que se han
implementado en Matlab para calculary a partir de ellos el pulso sanguíneo.

125
126
Algoritmos propuestos para la obtención del pulso

Figura 7-34. Picos sistólicos encontrados en señal PPG.

Figura 7-35. Ondas a detectadas en señal SDPPG.

126
 Medición del ritmo cardíaco mediante Fotopletismografía 127

Figura 7-36. Espectro de amplitud de señal PPG con su frecuencia máxima detectada.

7.3.1 Detección de ondas a en señales SDPPG

El algoritmo que se trata en este apartado basa su funcionamiento en buscar las ondas a de la segunda derivada
de la PPG mediante umbrales adaptativos, frente a los algoritmos basados en umbrales fijos estimados por
humanos. De esta manera se pueden seguir detectando correctamente los picos cuando los latidos son
irregulares o la señal de pulso tiene una amplitud baja. Basado en un algoritmo desarrollado y refinado por
Mohamed Elgendi et al. ( [91], [49], [47]), parte de una señal PPG a la que le calcula por dos veces una
derivada de tres puntos, con el objeto de conseguir una señal SDPPG que será la señal a la que aplicar el
algoritmo.
Aunque nuestra placa proporciona directamente la segunda derivada y no ha sido necesario calcularla, se ha
aplicado el método desarrollo tanto a la SDPPG obtenida mediante la placa como a la calculada con Matlab a
partir de la señal PPG proporcionada por la placa, de cara a comprobar si existen diferencias significativas en
función de la señal de entrada. El algoritmo se divide en tres etapas diferenciadas:
 Procesado de la señal SDPPG. Eliminando las ondas b y elevando la señal resultante al cuadrado.
 Extracción de características. Generando potenciales bloques de interés por medio de dos filtros de
media móvil.
 Clasificación de los bloques. Utilizando umbrales para decidir qué bloques realmente se deben al
ruido.

127
128
Algoritmos propuestos para la obtención del pulso

7.3.1.1 Procesado de señal SDPPG

La primera etapa es sencilla. Para eliminar posibles interferencias de ondas b de la señal SDPPG, se convierten
en cero todos los valores negativos de la señal (Elgendi lo llama clipping, o recortar). Una vez hecho esto se
eleva la señal resultante al cuadrado (squaring) con el objetivo de enfatizar las ondas a. Un ejemplo de la señal
resultante puede verse en la Figura 7-37.

Figura 7-37. Señal SDDP con valores negativos eliminados y elevada al cuadrado.

7.3.1.2 Generación de bloques de interés

El siguiente paso es generar los bloques de interés en los que pueden existir ondas a. Para crearlos se recurre a
dos filtros de media móvil relacionados con evento (entendiendo como evento un estímulo fisiológico).
El primer filtro de media móvil (𝑀𝐴 ) se relaciona con el estímulo causante de la generación de la onda a
(etapa temprana del pulso sistólico), por lo que se usa para enfatizar la zona de la onda a. Viene dado por:

1
MApeak 
W1
 y  n  (W1  1) / 2  ...  y[n]  ...  y  n  (W1  1) / 2 (7.10)

Donde 𝑊 representa el tamaño de la ventana de la duración del pico sistólico, redondeando el valor resultante
al entero impar más cercano. El valor para 𝑊 se determine como 175 ms tras una búsqueda por fuerza bruta
(consistente en la prueba de diversas combinaciones de los parámetros que podrían afectar al rendimiento del
algoritmo hasta hallar la combinación que presentase una máxima sensibilidad, concepto que se aborda en el
Capítulo 8). Esto puede presentar problemas, ya que una longitud fija del filtro no responderá adecuadamente
ante cambios bruscos de la situación del sujeto, como puede ser la realización de ejercicio físico intenso.

128
 Medición del ritmo cardíaco mediante Fotopletismografía 129

El segundo filtro de media móvil se usará para enfatizar la zona del latido (𝑀𝐴 ), y viene dado por:

1
MAbeat 
W2
 y  n  (W2  1) / 2  ...  y[n]  ...  y  n  (W2  1) / 2 (7.11)

De la misma forma, 𝑊 corresponde al tamaño de la ventana del filtro, redondeada al entero impar más
cercano, y con un valor que se aproxime a la duración de un latido. La búsqueda de fuerza bruta fija un valor
de 1000 ms (1s) para este filtro, que nuevamente presenta el problema de tener una anchura fija. Los latidos no
van a durar lo mismo en todas las situaciones, por lo que la enfatización del latido será óptima sólo para un
valor, cercano a la frecuencia cardíaca en reposo, encontrando problemas a la hora de realizar ejercicio físico,
cuando la duración de los pulsos sea mucho menor.
Una manera de solucionar este inconveniente ha sido actualizar este valor a partir de las últimas medidas de
pulso calculadas, de manera que se disponga de un umbral que se adapte al ritmo cardíaco en tiempo real (ya
que la duración de los latidos se irá modificando a lo largo del tiempo).

Figura 7-38. Filtros de media móvil de onda a (naranaja) y de latido (amarillo).

Hay que tener cuidado a la hora de trabajar con los filtros de media móvil, pues su cálculo introduce un retraso
que hace necesario ajustarlos para que queden alineados con la señal SDPPG procesada, y se puedan evaluar
los bloques de interés con garantías. Esto provoca que picos que aparezcan en las últimas muestras de una
señal corren el peligro de no ser tenidos en cuenta.

7.3.1.3 Umbralización (thresholding)

En este apartado se van a definir dos umbrales que servirán para decider cuáles son los bloques de interés
primero, y cuáles de ellos albergan dentro una onda a, después.
El primer umbral va a determinar la elección de los bloques de interés. El nivel de offset viene dado por α,
donde 𝛼 = 𝛽𝑧̅, con 𝑧̅ la media estadística de la señal PPG filtrada, y β=0 por la búsqueda de fuerza bruta (por
lo que α=0 también).

129
130
Algoritmos propuestos para la obtención del pulso

El primer umbral es calculado desplazando la señal 𝑀𝐴 con el offset, como se ve a continuación;

THR1  MAbeat [n]   (7.12)

Los bloques de interés se generarán comparando la señal 𝑀𝐴 con el umbral 𝑇𝐻𝑅 .

 Si 𝑀𝐴 [𝑛] > 𝑇𝐻𝑅 se marca la muestra como parte de un bloque de interés (se ha decidido
hacerlo igualándolo al valor máximo de la señal SDPPG procesada.
 Si𝑀𝐴 [𝑛] < 𝑇𝐻𝑅 la muestra se pone a cero, no pertenece a un bloque de interés.
Pueden detectarse numerosos bloques de interés, pero eso no quiere decir que todos alberguen una onda a
dentro. Algunos de ellos sólo contendrán ruido, por lo que tenemos que rechazarlos. Para esto se define el
segundo umbral, 𝑇𝐻𝑅 .

THR2  W1 (7.13)

Si el bloque de interés es igual o más ancho que el umbral 𝑇𝐻𝑅 , se clasifica como una onda a. Si no lo es, se
clasifica como ruido, porque se considera que el bloque no tiene la anchura que se esperaría de una onda a
correcta.
Detectar la onda a será tan fácil como buscar el punto máximo dentro de cada bloque de interés, lo que
devolverá el pico que nos servirá para acometer el cálculo de la frecuencia cardíaca. Algunos bloques
declarados de interés y susceptibles de contener dentro una onda a pueden verse en la Figura 7-39.
Las limitaciones de este algoritmo así presentado son obvias. Funciona bien para ritmos cardíacos regulares,
especialmente con pulsos cercanos al estado de reposo, pero va a cometer fallos aplicado a señales resultantes
de realizar ejercicio físico. Tampoco responderá bien a cambios repentinos en la amplitud de la señal SDPPG,
que puedan ser causados por motion artifacts.
Otra alternativa sería usar esta técnica para la propia señal PPG (sin tener que derivarla), aunque sus máximos
no están tan diferenciados respeto a los puntos cercanos de la señal. Para conseguirlo, habría que hacer un
estudio previo buscando optimizar el valor de la anchura de los filtros de media móvil, ya que el enfatizador de
latido no cambiaría, pero sí el enfatizador de onda a, que ahora debería enfatizar pulsos sistólicos, y tener una
anchura mayor.
La forma de implementar la modificación basada en la actualización continua de los filtros móviles a partir de
las variaciones del ritmo cardíaco ha consistido en aplicar un enventanado a la señal para dividirla en secciones
de 5 segundos, con un solape entre ellas de 3 segundos, a las que aplicar el algoritmo desarrollado en este
apartado. A cada sección se le aplican los dos filtrados móviles para detectar los bloques de interés, y se decide
cuáles de éstos almacenan ondas a con el criterio de los umbrales ya visto. Por último, se realiza una media del
intervalo de tiempo entre los latidos detectados en la ventana, y se actualiza la longitud del filtro móvil
destinado a enfatizar el latido con este valor, que será usado en la siguiente ventana. De esta manera,
conseguimos que en cada ventana se actualice la longitud del filtro móvil y se protege al algoritmo de fallos
causados por variaciones del pulso durante la medida, que podían dar lugar a detecciones erróneas. Se
modifica sólo el umbral del enfatizador de latido porque será el más afectado ante variaciones del ritmo
cardíaco.
El solape entre las ventanas es necesario dado que al realinear los filtros de media móvil con la señal SDPPG,
los picos que aparezcan en un rango al final de la señal de longitud similar a la del filtro enfatizador de latido
podría no ser detectados, por lo que de esta manera si se pierden al final de una venta, aparecerán al principio
de la siguiente.
También se ha considerado que no se tengan en consideración picos que ya se hayan detectado, y aparezcan de
nuevo por estar en la zona de solape de dos ventanas.

130
 Medición del ritmo cardíaco mediante Fotopletismografía 131

Figura 7-39. Bloques de interés con sus respectivas ondas a.

7.3.2 Detección de pulsos sistólicos mediante Slope Sum Function

El enfoque de este algoritmo se basa en la separación de la señal PPG en pulsos por medio de la función suma
de pendiente, o Slope Sum Function (SSF), ayudada de un esquema de umbrales que permitan la detección de
los inicios de los pulsos para encontrar después los picos sistólicos. Es usado por Dae-Geun Jang et al. ( [97])
para delimitar con los pulsos obtenidos las señales características de la señal SDPPG.
El algoritmo se divide en dos etapas principales:
 Slope Sum Function. Se convierte a la señal en una SSF, y se determinan los inicios (onset) del pulso
a partir de los inicios de la SSF.
 Esquema de umbrales adaptativos. Se utilizan umbrales que se actualizan continuamente para
identificar los pulsos en la señal SSF, que se corresponderán con los picos sistólicos de la señal PPG.
Además de estas dos etapas, se cuenta con dos algoritmos adiciones de posprocesamiento que están
focalizados en estimar posibles picos perdidos y eliminar picos falsos detectados, respectivamente.

7.3.2.1 Slope Sum Function

La SSF usa la inclinación de la pendiente para encontrar los inicios en una señal PPG. Para conseguirlo,
enfatiza las pendientes positivas de la señal PPG y elimina el resto de la señal, con lo que resulta más sencillo
localizar los puntos característicos. La SSF enventanada en el instante de tiempo i se define como:

i
S : Sk  0
SSFi   X k , X k   k (7.14)
k i  w  0 : S k  0

donde w es la longitud de la ventana analizada; 1 + 𝑤 ≤ 𝑖 ≤ 𝑁, N es el número total de muestras de la señal

PPG, y ∆𝑆 = 𝑆 − 𝑆 con 𝑆 la k-ésima muestra de la señal.

131
132
Algoritmos propuestos para la obtención del pulso

Para maximizar la SSF, la ventana es escogida aproximadamente igual a la típica duración de la pendiente
positiva de las señales PPG. Definida en varios estudios con un valor próximo a los 128 ms, se calculan las
muestras equivalentes que definirá el ancho de la ventana teniendo en cuenta la frecuencia de muestreo.
Se toma ese valor como longitud de la ventana, teniendo en cuenta que la frecuencia de muestreo de la placa
SDPPGv1.0 es de 2 KHz inicialmente, aunque se pueda realizar downsampling previamente para disminuir el
número de muestras a procesar.
El resultado de aplicar la SSF a una señal PPG se muestra en la Figura 7-40. Se observa que va a ser una señal
más robusta que la PPG por varias razones: tiene menor baseline wander, la separación entre los picos está
bien definida, y la información de las zonas de pendiente positiva de la PPG está mejor confinada en esta
señal. También se puede hacer notar que normalmente los inicios de la señal SSF coincidirán con los de un
pulso, ya que la SSF sólo puede subir cuando la señal PPG también lo hace; aunque algunas subidas puedan
deberse a motion artifacts o demás tipos de ruido. Por el contrario, es una señal que será sensible a motion
artifacts o picos diástolicos prominentes, al magnificar también su pendiente positiva.

Figura 7-40. Señal PPG (azul) y su SSF (naranja).

7.3.2.2 Esquema de umbrales adaptativos

Existen varios procesos a baja frecuencia que pueden afectar a la forma de la onda de pulso, cuyo ritmo es
semejante a la variación del volumen de sangre en cada latido. Estos procesos son la respiración, la actividad
del sistema nervioso simpatico y la termorregulación.
Los efectos causados por el baseline wander pueden causar problemas en la delineación de la señal, por lo que
se propone un umbral que se vaya renovando regularmente. Para la actualización del umbral se usa un filtro de
mediana de orden 5, cuyos datos de entrada son los picos de SSF previamente detectados. La mitad de la salida
resultante se adopta como el umbral utilizado como criterio para evaluar un pico. Éste proceso se realiza
repetidamente para ir actualizando el umbral.
La detección de los picos se va a realizar comparándolos con este umbral, y aceptándolos como picos
únicamente si su valor lo supera. Los pasos de este proceso de detección son, con un nivel de detalle mayor:

132
 Medición del ritmo cardíaco mediante Fotopletismografía 133

1. Calcular la mitad del valor máximo de la señal SSF en sus primeros tres segundos, y considerar este
valor como umbral inicial, T.
2. Detectar todos los valles y sus correspondientes picos en la señal SSF.
3. Encontrar un pico mayor que el umbral y considerarlo como un pico de la señal SSF, nombrados
como SP.
4. Encontrar el inicio de la señal SSF seguido por este SP, y considerar que es el inicio de un pulso,
llamados PO (pulse onset).
5. Actualizar el umbral T usando un filtro de mediana de orden 5 con los picos resultantes a partir del
tercer segundo.
6. Repetir los pasos 3-5 hasta que todos los valles y los picos hayan sido verificados.

Dae-Geun Jang et al. resumen el proceso de su algoritmo en siguiente diagrama de bloques (Figura [97]).

Figura 7-41. Diagrama de estimación de pulsos mediante SSF y umbral adaptativo.

133
134
Algoritmos propuestos para la obtención del pulso

En la Figura 7-42 se recoge una señal SSF con varios pulsos en la que se han detectado los picos y los inicios
de cada onda pulsátil.

Figura 7-42. Señal SSF con picos e inicios detectados

7.3.2.3 Algoritmos de posprocesamiento

Aunque el algoritmo funciona bien para señales PPG incluso aunque tengan un importante baseline wander, se
puede perder algún pulso, o detectarse como pulso algún punto debido al ruido. Para resolver este problema
este método incluye un par de algoritmos diseñados teniendo en cuenta que la señal PPG varía lentamente en
el tiempo y la diferencia entre dos pulsos adyacentes no puede ir más allá de un cierto valor. El procedimiento
de uno de los algoritmos está enfocado en estimar pulsos que no se hayan detectado previamente, mientras que
el segundo se encarga de eliminar de los datos puntos erróneamente detectados como pulsos.

7.3.2.3.1 Reestimació n de los pulsos perdidos

Para llevar a cabo este algoritmo se define un vector D donde se almacenan las diferencias entre los tiempos de
los distintos inicios de pulso detectados (los intervalos entre ellos). Aplicando a estas diferencias un filtro de
mediana de orden 3, se consigue un vector R de referencias, que nos servirá para determinar si hay un
intervalo demasiado largo entre dos pulsos, indicativo de que probablemente hayamos perdido alguno. En el
caso de que se encuentre demasiada diferencia entre dos pulsos, se inician dos índices con los que se delimita
una zona donde podría estar un pulso perdido. Si se encuentra un punto perteneciente a una zona de valores
positivos de SSF al recorrer el intervalo, se considerará que existe un pulso en ese intervalo, y se guardará este
punto en el vector de inicios de pulso junto a los demás. El diagrama de este algoritmo puede verse en la
Figura 7-43 .

134
 Medición del ritmo cardíaco mediante Fotopletismografía 135

Figura 7-43. Diagrama de la reestimación de inicios de pulso perdidos.

7.3.2.3.2 Eliminació n de pulsos erró neamente detectados

En este algoritmo se empieza generando una referencia que es igual a la diferencia entre los inicios de tiempo
de la primera y la segunda posición del vector de inicios de pulso detectados. Esta referencia será sustituida en
sucesivas iteraciones por otra, fruto de aplicar un filtro de mediana a la diferencia entre las siguientes muestras
de inicio de pulso después de la evaluación para determinar si algún pico es falso. Para determinar esto, se
toma un PO (índice n) y también los cuatro siguientes (índices n+1, n+2, n+3 y n+4), calculándose las
diferencias de tiempo entre el primero y los demás, y nombrándolas 𝐷 . Se toma como valor D el mínimo de
cuatro valores calculados al restar a cada 𝐷 la referencia. Esta distancia tiene que ser igual a la 𝐷 , porque
el primer pulso después del actual debería coincidir con el que le sigue inmediatamente en el vector de PO. Si
no es es caso, se sigue comparando D con las demás D, hasta encontrar alguna coincidencia. Si hay alguna
coincidencia, se eliminan todos los pulsos anteriores a ese del grupo comprobado, porque se supone que se han
detectado erróneamente. Si no se da ninguna coincidencia, se eliminan todos los PO, y se pasa a la siguiente
iteración si aún quedan muestras por estudiar. El diagrama de este algoritmo puede verse en la Figura 7-43 .

135
136
Algoritmos propuestos para la obtención del pulso

Figura 7-44. Diagrama de la detección de inicios de pulso detectados erróneamente.

7.3.3 Método AMPD

El método AMPD (automatic multiscale-based peak detection) se basa en el cálculo y análisis del escalograma
de máximos locales, una matriz que incluye las ocurrencias dependientes de la escala de los máximos locales,
para el cálculo automático de picos en señales periódicas y cuasiperiódicas afectadas por ruido [110].
El algoritmo se basa en la premisa de desarrollar una solución que, por una parte, usa técnicas de multiescala
para detectar todos los máximos locales de la señal, y por otra pueda encontrar de entre esos máximos los
picos reales analizando automáticamente los resultados de la técnica de multiescala aplicada previamente.
Diseñado para trabajar con señales periódicas y cuasiperiódicas (como es el caso de la señal PPG), este
algoritmo no tiene parámetros que deban ser elegidos por el usuario antes del análisis, y presenta robustez
tanto frente a ruido de frecuencias altas como a ruido de frecuencias bajas.
El algoritmo puede dividirse en tres etapas o pasos:
 Cálculo del escalograma de máximos locales.
 Suma por filas de la matriz M del escalograma de máximos locales.

136
 Medición del ritmo cardíaco mediante Fotopletismografía 137

 Detección de picos calculando por columnas la descviación típica de una submatriz de M, 𝑀 ,

calculada en la etapa anterior.

Partimos de una señal x   x1 , x2 ,..., xi ,..., xN  que contiene picos repetidos periódica o
cuasiperiódicamente. El primer paso del algoritmo es calcular el escalograma de máximos locales. Para ello, lo
primero es eliminar posibles tendencias de la señal con un filtrado o métodos similares. A continuación, los
máximos locales de la la señal x se detectan con un enfoque de ventana móvil donde la longitud de la ventana,
𝑤 , varía como wk  2k | k  1, 2,..., L con k la k-ésima escala de la señal y L   N / 2   1 , con  z  la
función cielo que da el entero más pequeño que no es menor que z. Esto se realiza para cada escala k y para
i  k  2,..., N  k  1 , de acuerdo con:

 0 xi 1  xi  k 1  xi 1  xi  k 1
mk ,i   (7.15)
r  a en otro caso

donde r es un número aleatorio uniformemente distribuido en el rango [0, 1] y α un factor constante (α=1).
Para i  1,..., k  1 y para i  N  k  2,..., N se asigna el valor 𝑟 + 𝛼 a 𝑚 , . Estas operaciones resultan en
la siguiente matriz:

 m1,1 m1,2  m1, N 

 
m2,1 m2,2  m2, N 
M   (mk ,i ) (7.16)
     
 
 mL,1 mL ,2  mL , N 

donde la k-ésima fila contiene los valores para la ventana de longitud 𝑤 . Así pues, todos los elementos de la
matriz LxN M están en el rango [0, 1 + 𝛼]. A la matriz M se le llama escalograma de máximos locales de la
señal x.
En el segundo paso se realiza una suma por filas de la matriz M:

N
 k   mk ,i , para k 1, 2,..., L (7.17)
i 1

El vector    1 ,  2 ,...,  i ,...,  L  contiene la información sobre la distribución de ceros (y máximos locales
dependientes de la escala. El mínimo global de γ,   arg min( k ) , representa la escala con la mayor parte
de los máximos locales. Este valor  se usa en el tercer paso para reestructurar la matriz M eliminando los
elementos mk ,i para los que 𝑘 > 𝜆, llevando a la nueva matriz λxN
M r  (mk .i ) para i  1, 2,..., N  y k  1, 2,...,  .

137
138
Algoritmos propuestos para la obtención del pulso

En el último paso del algoritmo, los picos son detectados calculando la desviación típica por columnas de la
matriz M r , de acuerdo con la expresión:

1    
2 2
1 
i    m   m  para i  1, 2,..., N 
  1 k 1  k ,i  k 1 k ,i  
(7.18)

Posteriormente, se buscan todos los índices i para los que  i  0 . Estos valores se almacenan en el vector

p   p1 , p2 ,..., pq ,..., p   con N el número total de picos detectados en la señal x. Por lo tanto, la señal p
 N 
hace referencia a los picos detectados.
Por tanto, usando el algoritmo AMPD, todo valor de la señal x es detectado como un pico cuando la
desviación estándar de una columna de la matriz M r cumple el criterio  i  0 .

Un sencillo diagrama de los pasos realizados para llevar a cabo el algoritmo AMPD, donde se nombra al
escalograma de máximos locales como LMS, se puede ver en la Figura 7-45.

Figura 7-45. Diagrama con las etapas del algoritmo AMPD.

La validación de este algoritmo se ha llevado a cabo con señales tan diversas como concentraciones de 𝐶𝑂
expirado, picos QRS en electrocardiogramas, Teoría del Caos en Sistema de Lorentz, o variaciones en la
longitud del día de la Tierra debido a influencias de la Luna. Sin embargo, no arroja buenos resultados para la
señal SDPPG, porque las oscilaciones de las ondas características de esta señal, más abruptas que las de la
señal PPG, pueden llegar a confundir al algoritmo, lo que hace que detecte picos que realmente no
corresponden a las ondas a.
En la Figura 7-46 se representa una señal PPG a la que se le han detectado los picos empleando este algoritmo.

138
 Medición del ritmo cardíaco mediante Fotopletismografía 139

Figura 7-46. Picos detectados en la señal PPG con el algoritmo AMPD.

7.4 Posprocesamiento de la señal

A pesar de los intentos por eliminar las interferencias que afectan a las señales PPG, el hecho de que el
espcctro de frecuencias de los motions artifacts se solape con el de la información pulsátil hace que en muchos
casos sólo se pueda aspirar a una reducción de éstas. Amplitudes irregulares de los picos de la señal PPG,
deformaciones de la señal que afecten a su cuasiperiodicidad, o diferente anchura de los picos sistólicos,
pueden inducir a la detección de picos debidos al ruido como picos sistólicos, o a la no detección de picos
sistólicos que, mezclados con el ruido, pasan desapercibidos para los algoritmos diseñados.
Para paliar las medidas erróneas se han implementado un par de técnicas de posprocesamiento focalizadas en
la reestimación de los picos detectados, con el objetivo de decidir si algún pico ha sido pasado por alto, o por el
contrario debería ser eliminado. Estos algoritmos se apoyan para realizar esta tarea en el estudio del histórico
de picos de un determinado rango de la señal, haciendo enfásis en el intervalo entre los picos detectados, ya
que una distancia demasiado corta o demasiado larga entre dos picos consecutivos (lo que implica un
incremento o disminución abrupta del pulso, señal fisiológica que varía de manera más suave), conllevaría un
comportamiento anómalo de la frecuencia cardíaca que haría sospechar de errores en la detección de los picos.

7.4.1 Reestimación de picos por detección de diferencias abruptas en el pulso

El ruido debido a los artefactos puede causar el aumento de la amplitud de partes de la señal que no pertenecen
al rango de un pico sistólico. En la PPG, los picos diástolicos puden causar problemas si debido al ruido
alcanzan las dimensiones de los picos diástolicos. También puede suceder con las ondas c de la SDPPG, que al
aumentar de amplitud pueden ser confundidas con ondas a.
De la misma manera, los MA pueden afectar a la amplitud de los picos sistólicos (u ondas a), provocando que
no se detecten por estar atenuados, o que se detecten en su lugar los picos sistólicos, las ondas c, o
directamente picos debidos únicamente a artefactos.

139
140
Algoritmos propuestos para la obtención del pulso

Estos errores de medida llevan a que, en determinadas partes de la señal, haya una excesiva distancia entre dos
picos consecutivos (lo que se traduce en un pulso lento), o una distancia escasa entre ellos (equivalente a un
pulso rápido) en relación con los picos anteriores. En un determinado momento el pulso se dispara o cae
demasiado, comportamientos imposibles dado que la frecuencia cardíaca es una señal con una transición
progresiva, aumente o disminuya.
Aprovechando esta característica, se implementa un algoritmo que identifica picos anómalos en función de si
la distancia entre los dos picos bajo estudio es demasiado grande o pequeña en comparación con los de los
picos anteriores. Para ello, se basa en los instantes de tiempo de los 3 picos anteriores, y en los intervalos entre
ellos, suponiendo que un cambio hacia arriba o hacia debajo de 20 BPM entre dos picos consecutivos es un
comportamiento imposible para la frecuencia cardíaca. Definiendo este valor de 20 BPM como el umbral para
el criterio de decisión, el algoritmo puede dividirse en tres etapas:
 En cada iteración, se calcula la media de las distancias entre los 3 picos detectados previamente,
obteniendo el pulso de esa medida. Este valor se compara con el pulso que daría la distancia entre el
último pico detectado y el anterior, para comprobar si el valor se desvía 20 BPM por encima o por
debajo de la media calculada.
 Reestimación de picos no detectados. Si se experimenta una bajada repentina del pulso, de más de
20 BPM respecto al pulso calculado previamente, probablemente se deba a que no se ha detectado
algún pico previo. Usando la media del intervalo entre picos de los tres últimos picos detectados, se le
suma al tiempo del pico inmediatamente anterior para situarse en el punto central del rango donde
debería estar el pico perdido. Desde este punto, y delimitando un rango igual al ancho de una onda a
(si se trabaja con la SDPPG) o de un pico sistólico (si se usa la PPG), se busca el máximo de este
rango para sumarlo a los picos detectados. Además, se define un umbral igual a la mitad de la media
de las amplitudes de los 3 picos anteriores, con la intención de imponer como criterio que el nuevo
pico supere este umbral para añadirlo a los picos detectados previamente. Si se trabaja con el
algoritmo de Elgendi, una alternativa es aceptar sólo picos que pertenezcan a un bloque de interés que
se descartase al considerar que almacenaba ruido. Una vez hecho esto, pueden darse dos situaciones al
evaluar la nueva distancia entre este nuevo pico y el siguiente, pico bajo estudio que estaba situado a
una distancia demasiado grande.
o La distancia entre el pico nuevo y el actual pico investigado es demasiado pequeña. Esto se
debe probablemente a que el pico que no se detectó fue sustituido por otro detectado
incorrectamente. No obstante, modificar eliminar el pico ya detectado para sustituirlo por el
nuevo podría llevar consigo errores de arrastre que afectasen a varios picos futuros, así que se
decide no actuar en este caso, y no incluir el pico como un nuevo pico detectado.
o El pico nuevo está a una distancia adecuada del pico actualmente investigado, por lo que se
conservan los dos, añadiendo el pico nuevo a los picos detectados. Este caso se debe a un
pico que no fue detectado durante la aplicación del algoritmo.
 Eliminación de picos detectados erróneamente. Si lo que se experimenta es una subida abupta del
pulso, por encima de 20 BPM respecto al pulso previo, se tienen dos pulsos separados por un itervalo
de tiempo demasiado corto, y es probable que se haya detectado un pico debido a artefactos. En este
caso se eliminará el pico investigado, y se actualizará el intervalo entre picos usando el pico previo y
el posterior al pico eliminado.
Este proceso se aplica a todos los picos detectados, de manera que se solucionan los cambios demasiado
abruptos de pulso, corrigiendo de paso la decisión de los picos que contienen información pulsátil, y
consiguiendo de paso una mayor precisión en la medida. Un diagrama de flujo de este algoritmo se presenta en
la Figura 7-47.
En las Figura 7-49 y Figura 7-49 se puede observar un caso de error de detección de picos, en el que un pico
sin información pulsátil es detectado como onda a; y cómo esta situación queda corregida tras aplicar esta
técnica de posprocesamiento.

140
Medición del ritmo cardíaco mediante Fotopletismografía 141

Figura 7-47. Diagrama del algoritmo de reestimación de picos.

Figura 7-48. Pico debido a ruido detectado erróneamente.

141
142
Algoritmos propuestos para la obtención del pulso

Figura 7-49. Correcicón de picos detectados tras aplicar posprocesamiento.

7.4.2 Reestimación de inicios de pulso perdidos o erróneos

Ya se ha hablado de estos algoritmos en el apartado dedicado a la detección de picos sistólicos usando SSF,
pero se ha querido mencionarlos en el apartado de métodos de posprocesamiento porque serían de utilidad
como última última etapa para otros algoritmos de detección de frecuencia cardíaca.
Basados en la reestimación de inicios de pulsos sistólicos, cumplen las tareas de determinar si hay inicios de
pulso que no se lograron detectar con la aplicación del algoritmo, y eliminar aquellos inicios que, si bien se
detectaron, en realidad se deben a ruido y deben ser descartados. Una vez determinados los inicios de pulso
conforme a estos algoritmos de posprocesado, se tendrá que comprobar que picos e inicios de pulso se van
alternando (a todo inicio de pulso le debería corresponder un pico antes del siguiente inicio). Como a causa de
posprocesamiento pueden haber sido eliminados o añadidos inicios de pulso, también se deberá eliminar o
añadir picos para que la alternancia entre picos e inicios de pulso siga cumpliéndose.
El primer algoritmo, utilizado para detectar si algún inicio se pasa por alto, se basaba en un vector que
almacenaba las diferencias de tiempo entre los inicios de pulso detectados. Con un filtro de mediana se obtenía
un vector de referencias con el que comprobar si entre dos inicios existía una diferencia de tiempo demasiado
grande. Si esto sucedía, se buscaba en un rango intermedio entre esos dos inicios para encontrar otro punto
susceptible de ser inicio de pulso, y se almacenaba con los demás.
Cada vez que se encuentra un nuevo inicio de pulso, habrá que buscar asimismo si existe un pico que se
encuentre entre el nuevo inicio encontrado, y el inmediatamente posterior, ya almacenado en el vector de
inicios de pulso Si ese pico no existe, habrá que buscar el punto máximo entre estos inicios de pulso, partiendo
del punto intermedio. De esta forma, se conseguirá que sigan alternándose inicios y picos, y cada inicio tenga
su pico correspondiente.
El uso del segundo algoritmo era intentar descubrir picos detectados erróneamente, que en realidad estuvieran
provocados por artefactos de ruido. Para ello, se empezaba generando una referencia con un filtro de mediana
que se empleaba para evaluar el intervalo de tiempo entre un inicio de pulso detectado, y los tres siguientes
inicios de pulso a éste. Si el que más se aproximaba a la referencia no era el inmediatamente posterior, se
eliminaba como posible inicio de pulso, haciendo esto hasta que el intervalo más próximo a la referencia fuese
el del inicio de pulso inmediatamente posterior al inicio evaluado.
142
 Medición del ritmo cardíaco mediante Fotopletismografía 143

En este caso, la eliminación de un inicio de pico por consideralo erróneo requiere investigar si tenía un pico
asociado, en cuyo caso debería ser también eliminado. De tal manera que al final del posprocesamiento siga
habiendo el mismo número de picos que de inicios, y cada pico esté emparejado con un inicio.
Como se ve, para la aplicación de estos algoritmos de posprocesamiento, es necesario que previamente se
hayan detectado, no sólo los picos sistólicos, sino también los inicios de pulso; ya que ambos algoritmos basan
su funcionamiento en la comparación de inicios de pulso, siendo la reestimación de pulsos un paso secundario
y totalmente dependiente de los inicios de pulso reestimados. De hecho, si existe una parte de la señal tan
corrupta debido al ruido que nos impida detectar un inicio perdido, se arrastrará el error a los picos, haciendo
que de la misma manera perdamos un pico sistólico, o detectemos un pico debido a MA.
En la Figura 7-50 se ve un ejemplo de señal SSF con la que no funcionarán los algoritmos de
preprocesamiento, ya que a pesar de que los inicios de pulso no se han elegido correctamente (uno incluso se
ha obviado, aunque probablemente se trate de un pico debido a ruido), la distancia entre ellos no es
excesivamente grande, por lo que no se incluirá uno nuevo. En este ejemplo se observa un problema adicional
que ya se ha comentado previamente; como se tiene un pico que no está emparejado con un inicio de pulso,
ese pico no se tendrá en cuenta durante el preprocesamiento, así que no se eliminará si es un pico erróneo. Por
tanto, esta etapa de posprocesamiento podría completarse con la vista en el anterior apartado, para hacer más
robusta la extracción de frecuencia cardíaca frente a MA.

Figura 7-50. Error al detectar inicios de pulso usando la señal SSF.

143
144
Algoritmos propuestos para la obtención del pulso

144
 Medición del ritmo cardíaco mediante Fotopletismografía 145

8 RESULTADOS

"The best way to predict the future is to

implement it."
- David Heinemeier Hansson -

E
En este capítulo se recogen los resultados obtenidos para el cálculo de la frecuencia cardíaca mediante la
aplicación de distintas configuraciones de las etapas implementadas en el Capítulo 7. Para validar los
algoritmos se han empleado tres parámetros estadísticos: sensibilidad, valores predictivos positivos y
porcentaje de falsos negativos.
Para poder evaluar de esta manera el rendimiento de los distintos algoritmos según estos parámetros, se han
examinado minuciosamente las señales obtenidas con la placa SDPPGv1.0 con el objetivo de obtener el
número exacto de picos sistólicos (en caso de trabajar con la señal PPG) u ondas a (si se emplea la SDPPG) de
cada medida.
Para validar los distintos métodos se han empleado las 50 medidas obtenidas de los 25 voluntarios en situación
de reposo (25 medidas permaneciendo sentados y 25 medidas permaneciendo de pie). Todas estas medidas
tienen una duración de 30 segundos, y han sido obtenidas con la placa SDPPGv1.0 siguiendo un protocolo de
medida similar, explicado en el Capítulo 6. De las 6 señales que proporciona la placa, se ha optado por
emplear las procedentes del espectro de luz infrarrojo, ya que los motion artifacts afectan por igual a las
señales de los dos espectros, y en cambio las señales de longitud de onda roja tienen otras limitaciones como
una mayor atenuación que hace que en algunos casos ni siquiera se pueda sacar información útil de ellas.

8.1 Parámetros para la evaluación

Antes de la explicación de los parámetros usados para evaluar se hace necesario aclarar los siguientes índices:
 Falso positivo (FP): Número de picos que el algoritmo bajo prueba declara positivos y en realidad no
lo son (son debidos a MA u otro tipo de ruido). Se trata de los picos detectados erróneamente.
 Verdadero positivo (VP): Número de picos que el algoritmo bajo prueba declara positivos y que
realmente son positivos (debidos al pulso).
 Falso negativo (FN): Número de picos que el algoritmo analizado declara negativos y que en realidad
son picos positivos (picos perdidos al considerarlos debidos a MA, y ser en realidad picos con
información del pulso).

145
146
Resultados

8.1.1 Sensibilidad, Valores predictivos positivos y tasa de falsos negativos

En este apartado se definen los parámetros utilizados para validar cada uno de los algoritmos implementados.

 Sensibilidad: Capacidad del estimador para detectar como picos correctos los picos que realmente
contienen información pulsátil. Su expresión es:

VP
Sensibilidad (%)  ·100 (7.19)
VP  FN

 Valor Predictivo Positivo o Predictibilidad positiva (VPP o +P). Proporción de los pulsos detectados
que de verdad contienen información pulsátil entre todos los pulsos verdaderos que se han detectado
en la prueba (es, por tanto, equivalente a la precisión). Interesa que sea lo más alta posible. Su
expresión viene dada por:

VP
VPP (%)  ·100
VP  FP

 Tasa de falsos negativos (FNR). Probabilidad de detectar como negativo un pulso que realmente tenga
información pulsátil. Cuanto más pequeña sea, mejor serán los resultados de la predicción del
algoritmo testado. Se define como:

FN
FNR (%)  ·100 (7.20)
VP  FP

En las Figura 8-2 y Figura 8-1 se pueden observar ejemplos de falsos positivos y falsos negativos en señales
SDPPG a las que se aplicó un método encargado de encontrar las ondas a de esta señal.

146
Medición del ritmo cardíaco mediante Fotopletismografía 147

Figura 8-2. Ejemplos de Falsos Positivos (rodeados en naranja) en una señal SDPPG.

Figura 8-1. Ejemplo de Falso Negativo (rodeado en naranja) en una señal SDPPG.

147
148
Resultados

8.2 Evaluación de los métodos para obtener la frecuencia cardíaca

8.2.1 Comparación entre método de detección de ondas a con SDPPG obtenida con placa
SFPPGv1 y SDPPG obtenida mediante derivada de 3 puntos
La primera evaluación se realizó para el algoritmo propuesto por Mohamed Elgendi et al ( [49]), teniendo en
cuenta que se han visto dos formas de obtener la señal SDPPG a la que se le aplica el método. Una es por
medio de la placa usada para obtener las medidas que proporciona la señal SDPPG directamente. La otra es a
partir de la doble derivación de una señal PPG utilizando una derivada de tres puntos. La intención de esta
primera evaluación es determinar si existen diferencias significativas entre ambos, y para ello se evalúa el
método de Elgendi simple, sin posprocesamiento de la señal. Los dos métodos evaluados son, por tanto:
 Señal PPG filtrada por Butterworth pasobanda a la que se calcula la segunda derivada antes de aplicar
el algoritmo de Elgendi para detección de ondas a (1).
 Señal SDPPG obtenida por la placa SDPPGv1.0 a la que se le aplica el algoritmo de Elgendi para
detección de ondas a (2).
Para evaluar las posibles diferencias en el rendimiento de ambos métodos se han elegido de manera aleatoria
10 muestras de la Base de Datos de las medidas tomadas con los sujetos en reposo, y se han obtenido sus
valores para la Sensibilidad, VPP y FNR.
En este Capítulo sólo se mostrarán los resultados totales de cada una de las medidas estadísticas para los
métodos evaluados. Si se quiere consultar los valores por medida indivual, en el Anexo C están recogidos
todos los valores de Sensibilidad, VPP y FNR para cada entrada de la Base de Datos.

Tabla 8-1. Comparación de la aplicación de detección de ondas a aplicada a SDPPG obtenida con la placa y a
SDPPG derivada con Matlab.

Sensibilidad
VPP (%) FNR (%)
(%)
(1) 97,837 94,240 2,123
(2) 99,244 96,384 1,995

Como se puede observar en la Tabla 8-1, a priori se obtienen mejores resultados, o al menos similares, en
todos los parámetros si se parte de la señal obtenida por la placa. Sin embargo, las diferencias no son
excesivamente grandes.
De todas maneras, se ha comparado aplicando únicamente el método definido por Elgendi et al ( [93]), sin
incluir la etapa de reducción de MA por medio de filtrado RLS antes de la doble derivada, que mejoraría las
prestaciones de la derivada computada con Matlab.
Por tanto, se puede concluir afirmando que la segunda derivada proporcionada por la placa no mejora
significativamente la detección de ondas a en la señal SDPPG, por lo que en las sucesivas comparaciones se
usará en la etapa de detección de picos de métodos completos la señal PPG obtenida de la placa, y derivada
dos veces.

148
 Medición del ritmo cardíaco mediante Fotopletismografía 149

8.2.2 Comparación entre los métodos basados en la PPG para la obtención de la frecuencia
cardíaca

8.2.2.1 En función de la Sensibilidad, VPP y FNR

En este apartado se van a validar los métodos implementados para la obtención del pulso por medio de señales
PPG, en términos de Sensibilidad, VPP y FNR. Los métodos que se han aplicado a las señales de la Base de
Datos, y se comparan a continuación son los siguientes.
 Método 1. Algoritmo AMPD (Automatic Peak Multiescale-Based Peak Detection) con filtrados
Butterworth BP y RLS como preprocesamiento [110].
 Método 2. Detección de picos sistólicos mediante SSF (Slope Sume Function) y umbralización
adaptativa, con preprocesamiento a cargo de filtrados Butterworth y RLS y posprocesamiento basado
en reestimación de inicios de picos sistólicos [97].
 Método 3. Detección de ondas a mediante filtros de media móvil y umbralización, con señal SDPPG
obtenida con la placa SDPPGv1.0 Método de Elgendi et al. sin etapas adicionales ( [91]).
 Método 4. Filtrados Butterwort y RLS como etapa de preprocesamiento, doble derivación de la señal
PPG y detección de ondas a de la señal resultanteo mediante filtros de media móvil y umbralización.
Posprocesamiento de la señal de pulso basado en histórico de picos.
 Método 5. Filtrados Butterwort y RLS como etapa de preprocesamiento, doble derivación de la señal
PPG y enventanado de esta señal para aplicar la detección de ondas a a cada ventana por separado.
Posprocesamiento de señal basado en histórico de picos.

Tabla 8-2. Comparativa de los métodos de obtención de HR mediante PPG.

Sensibilidad (%) VPP (%) FNR (%)

Pie Sent Total Pie Sent Total Pie Sent Total

Método 1
97,487 96,508 96,997 100,000 100,000 100,000 2,635 3,673 3,154

Pie Sent Total Pie Sent Total Pie Sent Total

Método 2
99,208 99,437 99,322 94,965 97,494 96,230 0,825 0,574 0,700

Pie Sent Total Pie Sent Total Pie Sent Total

Método 3
98,571 98,535 98,553 92,675 96,079 94,377 1,351 1,467 1,409

Pie Sent Total Pie Sent Total Pie Sent Total

Método 4
98,913 99,413 99,163 98,379 97,709 98,044 1,164 0,605 0,885

Pie Sent Total Pie Sent Total Pie Sent Total

Método 5
99,697 99,260 99,479 98,310 97,811 98,061 0,304 0,771 0,538

98,7752 98,6306 96,8658 97,8186 1,2558 1,418

149
150
Resultados

Los resultados obtenidos para cada uno de los algoritmos definidos al principio del apartado son los que se
pueden ver en la Tabla 8-2. Valiéndose de ellos, se pueden sacar ciertas conclusiones:
 El algoritmo AMDP es el que tiene una mayor VPP. Esto significa que es el método más preciso de
los cinco, y el que más acierta cuando decide que ha detectado un pico sistólico. Sin embargo,
comprobamos que también es el que más errores comete a la hora de decidir como erróneo un pico
que realmente es correcto, como indica que sea el que tiene los valores más altos de FNR. Se
comporta como el algoritmo más cauto de todos, siendo el más restrictivo para dar su visto bueno a un
posible pico sistólico detectado.
 Aunque las diferencias no son excesivamente grandes, se observa que partiendo del algoritmo básico
de detección de ondas a, se mejoran los tres parámetros (VPP especialmente) añadiendo una etapa de
posprocesamiento al final. Es lógico que la precisión del algoritmo aumente porque este
posprocesamiento ayuda a eliminar falsos positivos. El hecho de que intente encontrar también los
falsos negativos explica que mejoren también la sensibilidad y la FNR. Un paso más se da con el
enventanado para hacer adaptativo el umbral de énfasis del latido de este método. Aunque las
diferencias no son demasiado significativas porque en estas medidas el pulso no varía drásticamente, y
la mejora será pequeña, ya que casi todo lo hace el posprocesamiento. En situaciones de pulso
variable sus prestaciones deberían ser mucho mejores que las de las dos versiones anteriores del
algoritmo.
 El algoritmo basado en detección de pulsos por SSF tiene una buena sensibilidad, y una FNR
aceptable, lo que se traduce en que no provoca demasiados FN, pero por el contrario se muestra débil
a la hora de distinguir los falsos positivos (como muestra su VPP), decidiendo que hay picos sistólicos
en zonas donde el ruido es fuerte.
 Aunque las señales tomadas con los voluntarios de pie normalmente tenían una mayor cantidad de
artefactos, no se puede afirmar que los parámetros estadísticos sean mejor para un tipo de medidas que
para otras, siendo muy similares para ambos tipos. La única medida que muestra una diferencia mayor
es la precisión (VPP), que parece indicar que es mayor en las medidas que se tomaron estando el
sujeto sentado.
 Por último, se puede concluir diciendo que, a la vista de los resultados obtenidos, en situaciones de
pulso con variaciones lentas, como la experimentada cuando se realizaron las medidas, los algoritmos
son capaces de obtener la frecuencia cardíaca con bastante precisión a pesar de los motion artifacts
existentes que corrompieron las señales, propocionando valores del pulso bastante fiables.

8.2.3 Trazas de frecuencia cardíaca respecto al tiempo

Para terminar, se representan para algunas medidas concretas, la estimación de la frecuencia cardíaca frente al
tiempo de los distintos algoritmos estudiados, de manera que se pueda ver de manera gráfica las diferencias
que hay entre ellos.
Para realizar estas medidas se han almacenado las trazas de cada estimación de un algoritmo junto a la señal de
medida de cada sujeto, con su nombre correspondiente SX_MetodYY_TrazaBPM.dat. En cada uno de estos
archivos se ha almacenado una variable ‘BPMO’ que devuelve la frecuencia cardíaca en latidos por minuto
evaluada mediante ventanas de 6 segundos. Entre dos sucesivas ventanas existe un solape de 4 segundos. Esto
quiere decir que, si la primera ventana devuelve el valor de la frecuencia cardía de los 6 primeros segundos, la
segunda ventana nos proporcionará el valor de referencia del pulso del tercer segundo al octavo segundo.

En las figuras siguientes, se puede observar cómo en señales con MA fuertes es cuando los algoritmos
empiezan a divergir en su estimación de la frecuencia cardíaca.

150
Medición del ritmo cardíaco mediante Fotopletismografía 151

Figura 8-3. Pulsos estimados para el Sujeto 9 Sentado.

Figura 8-4. Figura 8-5. Pulsos estimados para el Sujeto 15 Sentado.

151
152
Resultados

Figura 8-8. Figura 8-9. Pulsos estimados para el Sujeto 21 Sentado.

Figura 8-6. Figura 8-7. Pulsos estimados para el Sujeto 1 Pie.

152
Medición del ritmo cardíaco mediante Fotopletismografía 153

Figura 8-12. Figura 8-13. Pulsos estimados para el Sujeto 3 Pie.

Figura 8-10. Figura 8-11. Pulsos estimados para el Sujeto 18 Pie.

153
154
Resultados

154
 Medición del ritmo cardíaco mediante Fotopletismografía 155

9 CONCLUSIONES Y LÍNEAS DE TRABAJO

FUTURAS

"La felicidad consiste en saber unir el final con

el principio”
- Pitágoras de Samos -

E
n este proyecto se han implementado diversas técnicas para afrontar la extracción de la frecuencia
cardíaca de señales PPG corrompidas por MA. Debido a que se disponía de una placa que
proporcionaba directamente tanto la señal PPG como sus primera y segunda derivadas (SDPPG), se hizo
especial hincapié en el desarrollo de técnicas que tuvieran en cuenta las características de la segunda derivada
de la PPG y aprovechasen sus ventajas para reducir la influencia del ruido en la señal. De la misma manera,
como no se disponía de hardware adicional como pudieran ser sensores agregados a los de la placa, o
acelerómetros, que permitieran caracterizar el ruido debido a artefactos para reducirlo o eliminarlo; se ha
intentado investigar sobre técnicas que no los necesitasen, o que estimasen el efecto de los motion artifact de
maneras alternativas.
Una vez validados los algoritmos con las medidas obtenidas mediante la placa, y a la luz de los resultados
obtenidos en el Capítulo anterior, se pueden realizar las siguientes conclusiones:
 Los motions artifacts realmente constituyen la mayor limitación de obtención del puso a través de
señales PPG o SDPPG, corrompiendo con relativa facilidad zonas de la señal hasta tal punto que se
hace imposible la identificación de la señal de pulso en algunos tramos. Aunque existen una gran
cantidad de técnicas para limitar su efecto, siguen siendo lo suficientemente importantes como para
ser considerados a la hora de confiar en la precisión de medidas obtenidas mediante esta técnica en
situaciones en las que los MA sean fuertes.
 Por lo comentado en el punto anterior, se hace casi imprescindible la necesidad de hardware adicional
que permita caracterizar el ruido debido a artefactos para limpiar la señal PPG de manera más
eficiente, siendo un acelerómetro de 3 ejes el dispositivo más utilizado con este fin.
 Los algoritmos desarrollados funcionan bien en las señales usadas para su evaluación, aunque la
limitación más importante de estas señales es que no se producen variaciones grandes del pulso
durante su desarrollo, al no haber sido tomadas mientras los sujetos realizaban diversas actividades,
Habría que comprobar el comportamiento de estos algoritmos bajo ese tipo de situaciones para
detectar sus debilidades, y mejorarlos.
 Aunque la SDPPG es útil para la obtención del pulso, se muestra muy impredecible cuando la señal
PPG de la que se calcula está afectada por MA. No obstante, debido a sus ondas características (a, b,c,
d y e), la SDPPG se erige como una herramienta extremadamente útil para dar un paso más allá de la
155
156
Conclusiones y líneas de trabajo futuras

obtención del pulso, y emplearse para la predicción de enfermedades cardiovasulares tales como la
aterosclerosis o la rigidez arterial, dolencias muy relacionadas con los ratios existentes entre las
distintas partes de la SDPPG. Para ello, se hace especialmente importante la detección de ondas a (ya
desarrollada), y de ondas b, las más significativas de la segunda derivada de la PPG.
 La señal PPG es una alternativa más que válida para complementar e incluso sustituir al ECG no sólo
en el ambiente hospitalario, sino también en los ámbitos deportivo y de telemedicina. Su sencillez y
facilidad de uso la convierten en una técnica ideal para la monitorización continua del pulso, pudiendo
limitarse a un cómodo dispositivo equipado en una pulsera, unos auriculares, o unas gafas.

Por último, las líneas de trabajo futuras en este campo serían:

 Investigación acerca de técnicas para aumentar la robustez frente a MA de las señales PPG. Con el
objetivo de instaurar esta técnica como la referente en cuanto a la monitorización de pulso de manera
continua, aprovechando asimismo las características de su segunda derivada de esta señal para incluir
predicción de dolencias cardíacas en tiempo real.
 Validación de los algoritmos desarrollados con señales de PPG y SDPPG obtenidas mientras el
paciente realiza diversas actividades, como ejercicios de diversa intensidad alternados con reposo.
Mejora de dichos algoritmos para que sean capaces de adaptarse a variaciones continuas de la
frecuencia cardíaca, incluyendo técnicas más elaboradas de procesamiento de la señal.
 Obtención de medidas de PPG y SDPPG con dispositivos adicionales que monitoricen
simultáneamente el ruido debido a artefactos junto a la señal PPG, como un acelerómetro. Uso de
estas señales para limpiar las señales de Fotopletismografía antes de calcular la frecuencia cardíaca.
 Estudio más detallado de las técnicas que se emplean como etapas de reducción y eliminación de
motion artifacts y hacen uso de señales adicionales para limpiar los artefactos, con el objetivo de
implementarlas en Matlab y compararlas con las desarrolladas hasta ahora, sopesando la posibilidad
de complementarlas para obtener técnicas más robustas frente a ruido. Actualmente, éstas son las
técnicas más comunes en las investigaciones acerca del procesamiento de señales PPG por su robustez
frente a los MA.
 Desarrollo de técnicas que, partiendo de la señal SDPPG, consigan predecir el riesgo de padecer
dolencias como rigidez arterial, estrés, hipertensión o aterosclerosis, a partir de los ratios existentes
entre sus ondas características. Debido a que se dispone de un algoritmo capaz de detectar las ondas a
de la SDPPG, añadir detección de ondas b para utilizar el ratio b/a como criterio para determinar la
incubación de enfermedades cardiovasculares.

156
 Medición del ritmo cardíaco mediante Fotopletismografía 157

REFERENCIAS

[1] «Pixabay,» [En línea]. Available: https://pixabay.com/es/cuerpo-humano-sistema-circulatorio-311864/.

[Último acceso: 07 05 2018].

[2] Rhcastilhos, «Wikimedia Commons, Wikipedia, la enciclopedia libre,» [En línea]. Available:
https://es.wikipedia.org/wiki/Archivo:Diagram_of_the_human_heart_(cropped)_es.svg. [Último acceso:
20 03 2018].

[3] Biblioteca de consulta Larousse (Vol. Diccionario de Medicina), Laorusse, 2003.

[4] W. M. Reytan, «Wikimedia Commons, Wikipedia la enciclopedia libre,» [En línea]. Available:
https://commons.wikimedia.org/wiki/File:Heart_systole.svg. [Último acceso: 21 03 2018].

[5] Sjef, «Wikimedia Commons, Wikipedia, la enciclopedia libre,» [En línea]. Available:
https://commons.wikimedia.org/wiki/File:Heart_diasystole.svg. [Último acceso: 21 03 2018].

[6] L. Á. Gómez, Técnicas para la estimación precisa del HRV mediante un sensor fotopletismográfico,
Barcelona: Escuela Técnica Superior de Ingeniería de Telecomunicación, 2015.

[7] M. Álvarez y H. Argente, Semiología Médica: Fisiopatología, Semiotecnia, y Propedéutica, Buenos

Aires: Panamericana, 2013.

[8] N. Ghasemzadeh y A. Zafari, «A Brief Journey into the History of the Arterial Pulse,» Cardiology
Research and Practice, vol. Volume 2011, 2010.

[9] E. Niggemeyer, «Corience,» [En línea]. Available: http://www.corience.org/es/diagnostico-y-

tratamiento/diagnostico-de-cardiopatias-congenitas/estetoscopio/. [Último acceso: 15 04 2018].

[10] A. C. López, S. MF y S. AR, «The current role of the Swan-Ganz catheter,» Medicina Intensiva, pp.
203-214, 2010.

[11] M. C. Dones, «Papel de enfermería en el manejo del catéter de Swan-Ganz,» Enfermería Intensiva, vol.
19, pp. 141-149, 2008.

[12] M. G. Fernández, L. P. d. Isla, J. G. d. Diego y C. M. Miguel, Tratado de Cardiología Clínica Volumen

I, Grupo CTO Editorial, 2015.

[13] Á. M. A. Gómez, C. P. Bardera, R. P. S. L. J. P. Peralta y J. A. S. R. Calvar, «Papel de la ecocardiografía

Doppler en el manejo de la cardiopatía isquémica crónica,» Esp Cardiología, vol. 50, nº 1, pp. 15-25,
1997.

[14] E. D. Chanabad, M. M. Chane y M. M. Chanf, «Pulse oximetry: Understanding its basic principles
facilitates appreciation of its limitations,» Respiratory Medicine, pp. 789-799, 2013.

[15] F. Netter, J. Craig y C. Machado, «The Most Trusted Name in Medical Illustration,» 2015. [En línea].
Available: http://www.netterimages.com. [Último acceso: 25 04 2018].

157
158
Referencias

[16] H. v. Helvete., «Dibujo de un ECG.,» [En línea]. Available:

https://commons.wikimedia.org/wiki/File:EKG_Complex_es.svg. [Último acceso: 25 04 2018].

[17] D. D. Dubin y U. K. Lindner, Introducción a la Electrocardiografía, Masson, 2005.

[18] J. Pastor, «Xataka,» [En línea]. Available: https://www.xataka.com/wearables/como-de-exactos-son-los-

medidores-de-frecuencia-cardiaca-de-los-wearables. [Último acceso: 25 03 2018].

[19] A. Barrantes, «Correr y Fitness,» 25 03 2018. [En línea]. Available:

http://www.correryfitness.com/running/salgo-correr-pulsometro-estas-son-sus-ventajas-
inconvenientes_201707035959f20b0cf26ceeda44f7a7.html.

[20] J. M. Zanetti y K. Tavakolian, «Seismocardiography: Past, Present and Future,» de 35th Annual
International Conference of the IEEE EMBS, Osaka, 2013.

[21] I. R. Pouymiró, E. V. Córdova y F. E. V. Pérez, «New method to obtain heart instantaneous frequency
using time frequency analysis in the seismocardiogram,» Revista Cubana de Ciencias Informáticas, vol.
11, nº 1, pp. 122-135, 2016.

[22] R. F. J. Arcos, Implementación de un sistema de obtención de frecuencia cardíaca a partir del

seismocardiograma, Guayaquil: Universidad Católica de Santiago de Guayaquil, 2018.

[23] A. K.Abbas y R. Bassam, Phonocardiography Signal Processing, Jon D. Enderle, 2009.

[24] A. Sa-ngasoongsong, J. Kunthong, V. Sarangan, X. Cai y S. T. S. Bukkapatnam, «A Low-Cost,

Portable, High-Throughput Wireless Sensor System for Phonocardiography Applications,» Sensors, vol.
12, pp. 851-871, 2012.

[25] J. NEDOMA, M. FAJKUS, P. SISKA, R. MARTINEK y V. VASINEK, «Non-Invasive Fiber Optic

Probe Encapsulated Into PolyDiMethylSiloxane for Measuring Respiratory and Heart Rate of the
Human Body,» Optics and Optoelectronics, vol. 15, nº 1, pp. 93-102, 2017.

[26] D. K. Cruz, G. d. Graaf, J. Haartsen, F. H. y P. French, «HEART RATE MONITORING USING

INFRARED THERMOMETRY IN AN EARPIECE,» Sensors, 2017.

[27] D. Obei, S. S. G. Zaharia y G. E. Zein, «Doppler Radar for Heartbeat Rate and Heart Rate Variability
Extraction,» de Proceedings of the 3rd International Conference on E-Health and Bioengineering,
Rumanía, 2011.

[28] A. Høst-Madsen, N. Petrochilos, O. Boric-Lubecke, V. M. Lubecke, B.-K. Park y Q. Zhou, «Signal

Processing Methods for Doppler Radar Heart Rate Monitoring,» de Signal Processing Techniques for
Knowledge Extraction and Information Fusion, Boston, Springer, Boston, 2008, pp. 121-140.

[29] J. Kranjec, S. Beguš, J. Drnovšek y G. Geršak, «Novel Methods for Noncontact Heart Rate
Measurement: A Feasibility Study,» IEEE TRANSACTIONS ON INSTRUMENTATION AND
MEASUREMENT, vol. 63, nº 4, pp. 838-848, 2014.

[30] W. Wang, B. d. Brinker, S. Stuijk y G. d. Haan, «Algorithmic Principles of Remote-PPG,» IEEE

TRANSACTIONS ON BIOMEDICAL ENGINEERING, vol. PP, nº 99, pp. 1-13, 2017.

[31] H. E. Tasli, A. Gudi y M. d. Uyl, «REMOTE PPG BASED VITAL SIGN MEASUREMENT USING
ADAPTIVE FACIAL REGIONS,» de Image Processing (ICIP), 2014 IEEE International Conference

158
 Medición del ritmo cardíaco mediante Fotopletismografía 159

on, París, 2014.

[32] J. Cheng, X. Chen, L. Xu y Z. J. Wang, «Illumination Variation-Resistant Video-Based Heart Rate

Measurement Using Joint Blind Source Separation and Ensemble Empirical Mode Decomposition,»
IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS, vol. 21, nº 5, pp. 1422-1434,
2017.

[33] A. M. Rodríguez y J. R. Castro, «Análisis de la Variabilidad de la Frecuencia Cardíaca mediante

Fotopletismografía por imagen,» de CASEIB 2014 XXXII Congreso Anual de la Sociedad Española de
Ingeniería Biomédica, Barcelona, 2014.

[34] E. Francisco, N. P. Castellanos y J. L. Hernández, «Medición de la Frecuencia Cardiaca por Medio de la

Reflexión de Luz Verde en el Rostro,» de MEMORIAS DEL XL CONGRESO NACIONAL DE
INGENIERÍA BIOMÉDICA, Monterrey, 2017.

[35] B. Jing, «A Novel Thermal Measurement for Heart Rate,» JOURNAL OF COMPUTERS, vol. 8, nº 9,
pp. 2163-2167, 2013.

[36] T. Sumner, «Stanford engineers monitor heart health using,» Stanfod, 2013.

[37] A. JACOBS, «Empa Institute,» [En línea]. Available: https://www.empa.ch/web/s604/textilsensoren.

[Último acceso: 25 04 2018].

[38] E. P. Mallagray, «Pletismografía. Presiones segmentarias.,» Madrid.

[39] J. M.-l. Roura y J. J. Samsó, «Diagnóstico por pletismografía,» de Diagnóstico hemodinámico en

angiología y cirugía vascular, Glosa, 2003, pp. 82-92.

[40] E. P. García, Fotopletismógrafo de bajo consumo alimentado por USB., Méximo: Universidad Nacional
Autónoma de México, 2008.

[41] R. Yousefi, M. Nourani, S. Ostadabbas y I. Panahi, «A Motion-Tolerant Adaptive Algorithm for

Wearable Photoplethysmographic Biosensors,» IEEE JOURNAL OF BIOMEDICAL AND HEALTH
INFORMATICS, vol. 8, nº 2, pp. 670-682, 2014.

[42] R. Gonzalez-Landaeta, O. Casas y R. Pallas-Areny, «Heart Rate Detection From Plantar Bioimpedance
Measurements,» IEEE Transactions on Biomedical Engineering, vol. 55, nº 3, pp. 1163-1167, 2008.

[43] D. Martínez González, Sistema autónomo para la medida óptica del ritmo cardíaco, Universidad
Politécnica de Cataluña, 2008.

[44] M. DB, S. PA, R. AT y A. H, «Adaptive hydrostatic blood pressure calibration: development of a

wearable, autonomous pulse wave velocity blood pressure monitor,» Conf Froc IEEE Eng Med Biol
Soc, pp. 370-373, 2007.

[45] C. Poon, X. Teng, Y. Wong, C. Zhang y Y. Zhang, «Changes in the photoplethysmogram waveform
after exercise,» de IEEE International Workshop on, Hong Kong, 2003.

[46] Y. Li, H. Yan, Z. Xu, M. Wei, B. Zhang y Z. Shi, «Stress, Analysis of the Changes in
Photoplethysmogram Induced by Exercise,» Journal of Medical Imaging and Health Informatics, vol. 3,
nº 3, pp. 347-355, 2013.

159
160
Referencias

[47] M. Elgendi, I. Norton, M. Brearley, D. Abbott y D. Schu, «Systolic Peak Detection in Acceleration
Photoplethysmograms Measured from Emergency Responders in Tropical Conditions,» PLoS ONE, vol.
8, nº 10, pp. 1-11, 2013.

[48] M. Elgendi, «Standard Terminologies for Photoplethysmogram Signals,» Curr Cardiol Rev, vol. 8, nº 3,
pp. 215-219, 2012.

[49] M. Elgendi, R. Fletcher, I. Norton, M. Brearle, D. Abbott, N. H. Lovell y D. Schuurmans, «On Time
Domain Analysis of Photoplethysmogram Signals for Monitoring Heat Stress,» Sensors, vol. 15, pp.
24716-24734, 2015.

[50] K. Taniguchi, A. Nishikawa y H. Nakagoe, «Evaluating the surgeon's stress when using surgical
assistant robots,» de Robot and Human interactive Communication, 2007.

[51] D.-G. Jang, S.-H. Park y M. Hahn, «Framework for Automatic Delineation of Second Derivative of
Photoplethysmogram: A Knowledge-based Approach,» Journal of Medical and Biological Engineering,
vol. 34, nº 6, pp. 547-553, 2013.

[52] R. Wijshoff, On photoplethysmography artifact reduction and, Eindhoven: Technische Universiteit

Eindhoven, 2016.

[53] M. S, S. A y S. A, «Statistical analysis of pulse rate variability quantified through second derivative
photoplethysmogram (SDPPG) and its compatibility with electrocardiographic (ECG) heart rate
variability.,» Biomedical Research, vol. 28, nº 2, pp. 689-694, 2017.

[54] A. R. Kavsaoglu, K. Polat y M. R. Bozkurt, «An innovative peak detection algorithm for
photoplethysmography signals: an adaptive segmentation method,» Turkish Journal of Electrical
Engineering & Computer Sciences, vol. 24, pp. 1782-1796, 2016.

[55] J. Y. A.Foo, «Comparison of wavelet transformation and adaptive filtering in restoring artefact-induced
time-related measurement,» Biomedical Signal Processing and Control, vol. 1, nº 1, pp. 93-98, 2006.

[56] G. JM y P. MT, «Adaptive filtering and alternative calculations revolutionizes pulse oximetry sensitivity
and specificity during motion and low perfusion.,» Conf Proc IEEE Eng Med Biol Soc, vol. 7, pp. 5363-
5366, 2004.

[57] B. Lee, J. H. H. J. Baek, J. H. Shin, K. S. Park y W. J. Yi, «Improved elimination of motion artifacts
from a photoplethysmographic signal using a Kalman smoother with simultaneous accelerometry,»
Physiological Measurement, vol. 31, nº 12, 2010.

[58] W. LB y A. H, «Low variance adaptive filter for cancelling motion artifact in wearable
photoplethysmogram sensor signals.,» Conf Proc IEEE Eng Med Biol Soc, vol. 5, pp. 652-655, 2007.

[59] S. Kim, R. DW y B. C, «Adaptive noise cancellation using accelerometers for the PPG signal from
forehead.,» Conf Proc IEEE Eng Med Biol Soc, vol. 7, pp. 2564-7, 2007.

[60] A. HH, S. P, R. A, R. S y H. RC, «Mobile monitoring with wearable photoplethysmographic

biosensors.,» IEEE Eng Med Biol Mag, vol. 22, nº 3, pp. 28-40, 2003.

[61] M. R. Ram, K. V. Madhav, E. H. Krishna, K. N. Reddy y K. A. Reddy, «Adaptive reduction of motion

artifacts from PPG signals using a synthetic noise reference signal,» de Conference on Biomedical

160
 Medición del ritmo cardíaco mediante Fotopletismografía 161

Engineering & Sciences, Kuala Lumpur, 2010.

[62] K. V. P. Naraharisetti y M. Bawa, «Comparison of different signal processing methods for reducing
artifacts from photoplethysmograph signal,» de Electro/Information Technology, Mankato, 2011.

[63] Q. Wang, P. Yang y Y. Zhang, «Artifact reduction based on Empirical Mode Decomposition (EMD) in
photoplethysmography for pulse rate detection,» de Engineering in Medicine and Biology Society,
Buenos Aires, 2010.

[64] W. Q, Y. P y Z. Y, «Artifact reduction based on Empirical Mode Decomposition (EMD) in

photoplethysmography for pulse rate detection.,» Conf Proc IEEE Eng Med Biol Soc, 2010.

[65] X. Sun, P. Yang, Y. Li, Z. Gao y Y.-T. Zhang, «Robust heart beat detection from photoplethysmography
interlaced with motion artifacts based on Empirical Mode Decomposition,» de Biomedical and Health
Informatics, Hong Kong, 2012.

[66] T. Peterek, M. Prauzek y M. Penhaker, «A New Method for Identification of the Significant Point in the
Plethysmografical,» de International Conference on Signal Processing Systems, 2010.

[67] C. Lee y Y. Zhang, «Reduction of Motion Artifacts from Photoplethysmographic Recordings Using a,»
de Biomedical Engineering, Kyoto, 2003.

[68] S. M. A. Salehizadeh, D. Dao, J. Bolkhovsky, C. Cho, K. H. Chon y Y. Mendelson, «A Novel Time-

Varying Spectral Filtering Algorithm for Reconstruction of Motion Artifact Corrupted Heart Rate
Signals During Intense Physical Activities Using a Wearable Photoplethysmogram Sensor,» Sensors,
vol. 16, nº 10, 2015.

[69] K. V. P. Naraharisetti y M. Bawa, «Comparison of Different Signal Processing Methods for Reducing
Artifacts from Photoplethysmograph Signal,» de Electro/Information Technology, Mankato, 2011.

[70] F. Peng, Z. Zhang, X. Gou, H. Liu y W. Wang, «Motion artifact removal from photoplethysmographic
signals by combining temporally constrained independent component analysis and adaptive filter,»
BioMedical Engineering OnLine, vol. 13, nº 50, pp. 1-14, 2014.

[71] R. Yousefi, M. Nourani y I. Panahi, «Adaptive cancellation of motion artifact in wearable biosensors,»
de Engineering in Medicine and Biology Society, San Diego, 2012.

[72] A. Temko, «Estimation of Heart Rate from Photoplethysmography during Physical Exercise using
Wiener Filtering and the Phase Vocoder,» de Engineering in Medicine and Biology Society (EMBC),
Milán, 2015.

[73] B. Sun y Z. Zhang, «Photoplethysmography-Based Heart Rate Monitoring,» IEEE SENSORS

JOURNAL, vol. 15, nº 12, pp. 7161-7168, 2015.

[74] T. Schäck, C. Sledz, M. Muma y A. M. Zoubir, «A NEW METHOD FOR HEART RATE
MONITORING DURING PHYSICAL EXERCISE USING PHOTOPLETHYSMOGRAPHIC
SIGNALS,» de European Signal Processing Conference, Niza, 2015.

[75] Z. Zhang, Z. Pi y B. Liu, «TROIKA: A General Framework for Heart Rate Monitoring Using Wrist-
Type Photoplethysmographic Signals During Intensive Physical Exercise,» IEEE TRANSACTIONS ON
BIOMEDICAL ENGINEERING, vol. 62, nº 2, pp. 522-531, 2015.

161
162
Referencias

[76] Z. Zhang, «Photoplethysmography-Based Heart Rate Monitoring in Physical Activities via Joint Sparse
Spectrum Reconstruction,» IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, vol. 62, nº 8,
pp. 1902-1910, 2015.

[77] E. Khan, F. A. Hossain, S. Z. Uddin, S. K. Alam y M. K. Hasan, «Robust Heart Rate Monitoring
Scheme Using Photoplethysmographic Signals Corrupted by Intense Motion Artifacts,» IEEE
TRANSACTIONS ON BIOMEDICAL ENGINEERING, vol. 63, nº 3, pp. 550-562, 2016.

[78] H. Pan, D. Temel y G. AlRegib, «HeartBEAT: Heart beat estimation through adaptive tracking,» de
Biomedical and Health Informatics, Las Vegas, 2016.

[79] J. M. M. Torres, A. Ghosh, E. A. Stepanov y G. Riccardi, «HEAL-T: AN EFFICIENT PPG-BASED

HEART-RATE AND IBI ESTIMATION METHOD DURING PHYSICAL EXERCISE,» de
European Signal Processing Conference, 2016.

[80] R. Couceiro, P. Carvalho, R. P. Paiva, J. Henriques y J. Muehlsteff, «Detection of motion artifact

patterns in photoplethysmographic signals based on time and period domain analysis,» Physiol. Meas,
vol. 35, pp. 2369-2388, 2014.

[81] J. W. CHONG, D. K. DAO, S. M. A. SALEHIZADEH, D. D. MCMANUS, C. E. DARLING, K. H.

CHON y Y. MENDELSON, «Photoplethysmograph Signal Reconstruction Based on a Novel Hybrid
Motion Artifact Detection–Reduction Approach. Part I: Motion and Noise Artifact Detection,» Annals
of Biomedical Engineering, vol. 42, nº 11, pp. 2238-2250, 2014.

[82] C. Orphanidou, T. Bonnici, P. Charlton, D. Clifton, D. Vallance y L. Tarassenko, «Signal-Quality

Indices for the Electrocardiogram and Photoplethysmogram: Derivation and Applications to Wireless
Monitoring,» IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS, vol. 19, nº 3, pp.
832-838, 2015.

[83] A. Alqaraawi, A. Alasaad y A. Alwosheel, «Heart rate variability estimation in photoplethysmography

signals using Bayesian learning approach,» Healthcare Technology Letters, vol. 3, nº 2, pp. 136-142,
2016.

[84] S. Kuntamalla y L. R. G. Reddy, «An Efficient and Automatic Systolic Peak Detection Algorithm for
Photoplethysmographic Signals,» International Journal of Computer Applications, vol. 97, nº 19, 2014.

[85] H. S. Shin, C. Lee y M. Lee, «Adaptive threshold method for the peak detection of
photoplethysmographic waveform,» Computers in biology and medicine, vol. 39, nº 12, pp. 1145-1152,
2009.

[86] B. Nenova y I. Iliev, «An Automated Algorithm for Fast Pulse Wave Detection,» BioAutomation, vol.
14, nº 3, pp. 203-216, 2010.

[87] S. M. López-Silva, R. Giannetti, M. L. Dotor, J. P. Silveira, D. Golmayo, F. Miguel-Tobal, A. Bilbao,

M. Galindo y P. Martín-Escudero, «Heuristic Algorithm for Photoplethysmographic Heart Rate
Tracking During Maximal Exercise Test,» Journal of Medical and Biological Engineering, vol. 32, nº 3,
pp. 181-188, 2011.

[88] R. U, «Finger and ear photoplethysmogram waveform analysis by,» Med Biol Eng Comput, vol. 46, pp.
1271-76, 2008.

[89] Q. Y, A predictive model for the assessment of high-risk, Bangi: PhD Thesis, National University of

162
 Medición del ritmo cardíaco mediante Fotopletismografía 163

Malaysia (UKM), 2011.

[90] Y. K. Qawqzeh, R. Uldis y M. Alharbi, «Photoplethysmogram second derivative review: Analysis and
applications,» Scientific Research and Essays, vol. 10, nº 21, pp. 633-639, 2015.

[91] M. Elgendi, M. Jonkman y F. D. Boer, «Measurement of a-a Intervals at Rest in the Second Derivative
Plethysmogram,» de Proceedings IEEE, Bioelectronics and Bioinformatics, 2009.

[92] M. Elgendi, M. Jonkman y F. DeBoer, «Heart Rate Variability and the Acceleration Plethysmogram
signals measured at rest,» de nternational Joint Conference on Biomedical Engineering Systems and
Technologies, 2010.

[93] M. Elgendi, I. Norton, M. Brearley, D. Abbott y D. Schuurmans, «Detection of a and b waves in the
acceleration photoplethysmogram,» BioMedical Engineering OnLine, vol. 13, nº 139, 2014.

[94] K. Pilt, R. Ferenets, KaljuMeigas, L.-G. Lindberg, K. Temitski y M. Viigimaa, «New

Photoplethysmographic Signal Analysis Algorithm for Arterial Stiffness Estimation,» The
ScientificWorld Journal, vol. 2013, nº 4, 2013.

[95] T. K, T. N, F. M, M. O, S. T, A. M, T. S y I. C, «Assessment of vasoactive agents and vascular aging by

the second derivative of photoplethysmogram waveform.,» Hypertension, vol. 32, nº 2, pp. 365-370,
1998.

[96] M. Soundararajan, S. Arunagiri y S. Alagala, «An adaptive delineator for photoplethysmography

waveforms,» Biomed. Eng.-Biomed. Tech., vol. 61, nº 6, pp. 645-655, 2016.

[97] D.-G. Jang, S. Park y M. Hahn, «A Real-Time Pulse Peak Detection Algorithm for the
Photoplethysmogram,» International Journal of Electronics and Electrical Engineering, vol. 2, nº 1, pp.
45-49, 2014.

[98] Y. Patil y P. M. G. J. Chhajed, «Measurement, Survey on Non-Invasive Methods of Heart Rate,»

International Research Journal of Engineering and Technology, vol. 04, pp. 2487-2494, 2017.

[99] Y. Lee, H. Shin y J. Jo, «Development of a wristwatch-type PPG array sensor module,» de IEEE
International Conference on Consumer Electronics, Berlín, 2011.

[100] R. Wong, Eye “R” Glasses: Development of an Infrared Sensor System for Detecting the Human Body,
San Luis Obispo: Faculty of California Polytechnic State University, 2013.

[101] S. Hu, A. S. Echiadi y J. Zheng, «A remote approach to measure blood perfusion from the human face,»
de The International Society for Optical Engineering, 2009.

[102] M.-Z. Poh, D. J. McDuff y R. W. Picard, «Non-contact, automated cardiac pulse measurements using
video imaging and blind source separation,» Opt. Express, 2010.

[103] K. H. Chon, C. G. Scully, J. Lee, J. Meyer, A. M. Gorbach, D. Granquist-Fraser y Y. Mendelson,

«Physiological parameter monitoring from optical recordings with a mobile phone,» IEEE Transactions
on Biomedical Engineering, vol. 59, nº 2, pp. 303-306, 2012.

[104] H. Xia, Z. Bao y H. Jiang, «MOBILE CARDIAC PULSE MEASUREMENTS,» Electrical

Engineering, Stanford, pp. Electrical Engineering, Stanford, 2014.

163
164
Referencias

[105] W. L. Z. CHICAS, Diseño de un filtro digital adaptativo como cancelador de ruido basado en el
algoritmo LMS, San Salvador: Universidad de El Salvador, 2004.

[106] J. DHIMAN, S. AHMAD y K. GULIA, «Comparison between Adaptive filter Algorithms (LMS,
NLMS and RLS),» International Journal of Science, Engineering and Technology Research, vol. 2, nº
5, pp. 1100-1103, 2013.

[107] M. S. Gómez, Herramienta Software para la Segmentación del Árbol Dendrítico y Análisis de Sholl en
Imágenes Neuronales, Sevilla: Universidad de Sevilla, 2015.

[108] Mathworks, «Signal Processing Toolbox,» [En línea]. Available:

https://es.mathworks.com/products/signal.html. [Último acceso: 20 03 2018].

[109] B. Ergen, «Signal and Image Denoising Using Wavelet Transform,» de Advances in Wavelet Theory
and Their Applications in Engineering, Physics and Technology, InTech, 2012, pp. 495-514.

[110] F. Scholkmann, J. Boss y M. Wolf, «An Efficient Algorithm for Automatic Peak Detection in Noisy
Periodic and Quasi-Periodic Signals,» Algorithms, vol. 5, pp. 588-603, 2012.

[111] R. B. Ruiz, Diseño de un pulsómetro por infrarrojos, Granada: Universidad de Granada, Electrónica y
Tecnología de Computadores, 2015.

[112] W. Verkruijsse y M. Bodlaender, «A novel biometric signature: multi-site, remote (> 100 m) photo-
plethysmography using ambient light.,» Philips Electronics, 2010.

[113] S. L. Fernandes, V. P. Gurupur, N. R. Sunder, A. N y S. Kadry, «A novel nonintrusive decision support

approach for heart rate measurement,» de Pattern Recognition Letters, Elsevier, 2017, pp. 1-9.

[114] D. Buxi, T. Berset, M. Hijdra, M. Tutelaers, D. Geng, J. Hulzink, M. v. Noorloos y I. Romero,

«Wireless 3-lead ECG system with on-board digital signal processing for ambulatory monitoring,» de
Biomedical Circuits and Systems Conference (BioCAS), Hsinchu, 2012.

[115] T. Tamura, Y. Maeda, M. Sekine y M. Yoshida, «Wearable Photoplethysmographic Sensors—Past and

Present,» Electronics, pp. 282-302, 2014.

[116] E. Gianchandani, «The CCC Blog,» [En línea]. Available: http://www.cccblog.org/2012/01/19/surgical-

robots-sensor-wristbands-advancing-health-energy/. [Último acceso: 14 05 2018].

[117] P. R. Satapathi y P. Saha, «Heart Rate Detection from Photoplethysmography - A comparative study,»
International Journal of Emerging Technology and Advanced Engineering, vol. 4, nº 1, pp. 221-226,
2014.

[118] T. Shimazaki y S. Hara, «Breathing Motion Artifact Cancellation in PPG-Based Heart Rate Sensing,» de
International Symposium of Medical Information and Communication Technology, 2015.

[119] T. Shimazaki, S. Hara, H. Okuhata, H. Nakamura y T. Kawabata, «Cancellation of Motion Artifact

Induced by Exercise for PPG-Based Heart Rate Sensing,» de Engineering in Medicine and Biology
Society, Chicago, 2014.

[120] S. Fallet y J.-M. Vesin, «Adaptive Frequency Tracking for Robust Heart Rate Estimation Using Wrist-
Type Photoplethysmographic Signals During Physical Exercise,» Computing in Cardiology, vol. 42, pp.

164
 Medición del ritmo cardíaco mediante Fotopletismografía 165

925-929, 2015.

[121] S. T. Ahamed y M. T. Islam, «An Efficient Method for Heart Rate Monitoring using Wrist-Type
Photoplethysmographic Signals during Intensive Physical Exercise,» de 5th International Conference on
Informatics, Electronics and Vision, Dhaka, 2016.

[122] T. K, T. N y F. M, «Assessment of vasoactive agents and vascular aging by the second derivative of
photoplethysmogram waveform,» Hypertension, vol. 32, pp. 365-370, 1998.

[123] MathWorks, «Matlab,» [En línea]. Available: https://es.mathworks.com/help/matlab/ref/. [Último

acceso: 30 05 2018].

[124] P. F, G. X. Zhang Z y W. W. Liu H, «Motion artifact removal from photoplethysmographic signals by

combining temporally constrained independent component analysis and adaptive filter,» Biomed Eng
Online, vol. 13, nº 50, 2014.

[125] M. R. Ram, K. V. Madhav, E. H. Krishna, K. N. Reddy y K. A. Reddy, «Adaptive reduction of motion

artifacts from PPG signals using a synthetic noise reference signal,» Biomedical Engineering and
Sciences, pp. 315-319, 2010.

[126] R. M. M. A. Qawqzeh Y, «Sub-clinical prediction of high-risk of Atherosclerosis by measuring CIMT,»

Int. J. Conceptions Comput. Info. Technol, vol. 2, nº 2, pp. 5-8, 2014.

165
166
Referencias

166
Medición del ritmo cardíaco mediante Fotopletismografía 167

ANEXO A
SDPPG v1.0 (esquemáticos e instalación)

167
168
Anexo A

168
Medición del ritmo cardíaco mediante Fotopletismografía 169

169
170

170
Medición del ritmo cardíaco mediante Fotopletismografía 171

ANEXO B
DCM02

171
172
Anexo B

172
Medición del ritmo cardíaco mediante Fotopletismografía 173

ANEXO C
Algoritmo AMPD basado en escalograma de máximos locales ( [110])

Sujeto Sensibilidad (%) PPV (%) FNR (%) Sujeto Sensibilidad (%) PPV (%) FNR (%)

S1Pie 97,059 100,000 3,030 S1Sentado 96,875 100,000 3,226

S2Pie 97,561 100,000 2,500 S2Sentado 97,500 100,000 2,564
S3Pie 97,059 100,000 3,030 S3Sentado 96,667 100,000 3,448
S4Pie 97,297 100,000 2,778 S4Sentado 97,222 100,000 2,857
S5Pie 96,970 100,000 3,125 S5Sentado 96,875 100,000 3,226
S6Pie 100,000 100,000 0,000 S6Sentado 93,548 100,000 6,897
S7Pie 97,059 100,000 3,030 S7Sentado 100,000 100,000 0,000
S8Pie 95,556 100,000 4,651 S8Sentado 98,000 100,000 2,041
S9Pie 100,000 100,000 0,000 S9Sentado 97,368 100,000 2,703
S10Pie 88,889 100,000 12,500 S10Sentado 100,000 100,000 0,000
S11Pie 96,970 100,000 3,125 S11Sentado 96,552 100,000 3,571
S12Pie 98,039 100,000 2,000 S12Sentado 90,909 100,000 10,000
S13Pie 100,000 100,000 0,000 S13Sentado 100,000 100,000 0,000
S14Pie 100,000 100,000 0,000 S14Sentado 97,222 100,000 2,857
S15Pie 97,059 100,000 3,030 S15Sentado 94,444 100,000 5,882
S16Pie 100,000 100,000 0,000 S16Sentado 92,857 100,000 7,692
S17Pie 96,296 100,000 3,846 S17Sentado 92,308 100,000 8,333
S18Pie 97,727 100,000 2,326 S18Sentado 97,436 100,000 2,632
S19Pie 97,368 100,000 2,703 S19Sentado 97,222 100,000 2,857
S20Pie 97,436 100,000 2,632 S20Sentado 97,143 100,000 2,941
S21Pie 97,222 100,000 2,857 S21Sentado 97,222 100,000 2,857
S22Pie 97,143 100,000 2,941 S22Sentado 96,552 100,000 3,571
S23Pie 96,970 100,000 3,125 S23Sentado 97,436 100,000 2,632
S24Pie 100,000 100,000 0,000 S24Sentado 95,349 100,000 4,878
S25Pie 100,000 100,000 0,000 S25Sentado 96,000 100,000 4,167

173
174
Anexo C

Butterworth + Filtrado RLS + Detección de picos sistólicos por SSF +

Posprocesamiento por detección de inicios de pulso ( [51])

Sujeto Sensibilidad (%) PPV (%) FNR (%) Sujeto Sensibilidad (%) PPV (%) FNR (%)

S1Pie 100,000 97,222 0,000 S1Sentado 100,000 88,889 0,000

S2Pie 100,000 100,000 0,000 S2Sentado 100,000 97,561 0,000
S3Pie 100,000 73,913 0,000 S3Sentado 100,000 100,000 0,000
S4Pie 100,000 97,297 0,000 S4Sentado 97,297 97,297 2,703
S5Pie 93,939 96,875 6,250 S5Sentado 100,000 100,000 0,000
S6Pie 100,000 86,842 0,000 S6Sentado 100,000 100,000 0,000
S7Pie 100,000 100,000 0,000 S7Sentado 100,000 100,000 0,000
S8Pie 100,000 100,000 0,000 S8Sentado 100,000 98,039 0,000
S9Pie 100,000 98,077 0,000 S9Sentado 100,000 90,476 0,000
S10Pie 100,000 88,235 0,000 S10Sentado 100,000 95,238 0,000
S11Pie 100,000 100,000 0,000 S11Sentado 96,552 100,000 3,571
S12Pie 100,000 98,077 0,000 S12Sentado 96,970 100,000 3,125
S13Pie 92,308 96,000 8,000 S13Sentado 100,000 93,103 0,000
S14Pie 100,000 89,189 0,000 S14Sentado 100,000 100,000 0,000
S15Pie 100,000 94,444 0,000 S15Sentado 100,000 100,000 0,000
S16Pie 100,000 100,000 0,000 S16Sentado 100,000 88,889 0,000
S17Pie 100,000 96,429 0,000 S17Sentado 100,000 96,296 0,000
S18Pie 100,000 84,615 0,000 S18Sentado 97,436 100,000 2,632
S19Pie 94,737 100,000 5,556 S19Sentado 100,000 97,222 0,000
S20Pie 100,000 100,000 0,000 S20Sentado 100,000 100,000 0,000
S21Pie 100,000 100,000 0,000 S21Sentado 100,000 100,000 0,000
S22Pie 100,000 92,105 0,000 S22Sentado 100,000 96,667 0,000
S23Pie 100,000 94,286 0,000 S23Sentado 100,000 100,000 0,000
S24Pie 100,000 95,556 0,000 S24Sentado 97,674 97,674 2,326
S25Pie 100,000 100,000 0,000 S25Sentado 100,000 100,000 0,000

174
 Medición del ritmo cardíaco mediante Fotopletismografía 175

Detección de ondas a mediante filtros de media móvil y umbralización con la señal

SDPPG proporcionada por la placa SDPPGv1.0 (Elgendi [47])

Sujeto Sensibilidad (%) PPV (%) FNR (%) Sujeto Sensibilidad (%) PPV (%) FNR (%)

S1Pie 97,059 97,059 2,941 S1Sentado 100,000 100,000 0,000

S2Pie 97,561 100,000 2,500 S2Sentado 100,000 100,000 0,000
S3Pie 97,059 71,739 2,174 S3Sentado 100,000 100,000 0,000
S4Pie 100,000 100,000 0,000 S4Sentado 100,000 100,000 0,000
S5Pie 100,000 97,143 0,000 S5Sentado 100,000 100,000 0,000
S6Pie 100,000 94,286 0,000 S6Sentado 96,774 96,774 3,226
S7Pie 100,000 89,474 0,000 S7Sentado 100,000 100,000 0,000
S8Pie 100,000 100,000 0,000 S8Sentado 90,000 95,745 10,638
S9Pie 98,039 96,154 1,923 S9Sentado 92,105 94,595 8,108
S10Pie 88,889 83,333 10,417 S10Sentado 97,500 95,122 2,439
S11Pie 96,970 100,000 3,125 S11Sentado 96,552 93,333 3,333
S12Pie 100,000 98,077 0,000 S12Sentado 100,000 100,000 0,000
S13Pie 100,000 78,261 0,000 S13Sentado 96,000 77,419 3,226
S14Pie 100,000 97,143 0,000 S14Sentado 100,000 100,000 0,000
S15Pie 97,059 97,059 2,941 S15Sentado 97,222 100,000 2,857
S16Pie 100,000 100,000 0,000 S16Sentado 100,000 88,889 0,000
S17Pie 100,000 79,412 0,000 S17Sentado 100,000 74,286 0,000
S18Pie 97,727 75,439 1,754 S18Sentado 100,000 92,857 0,000
S19Pie 100,000 100,000 0,000 S19Sentado 97,222 100,000 2,857
S20Pie 100,000 92,857 0,000 S20Sentado 100,000 100,000 0,000
S21Pie 100,000 100,000 0,000 S21Sentado 100,000 100,000 0,000
S22Pie 100,000 89,744 0,000 S22Sentado 100,000 96,667 0,000
S23Pie 100,000 91,667 0,000 S23Sentado 100,000 100,000 0,000
S24Pie 95,349 95,349 4,651 S24Sentado 100,000 100,000 0,000
S25Pie 100,000 71,429 0,000 S25Sentado 100,000 96,296 0,000

175
176
Anexo C

Butterworth + Filtrado RLS + Segunda Derivada + Detección de ondas a mediante

filtros de media móvil+ Posprocesamiento por histórico de pulsos

Sujeto Sensibilidad (%) PPV (%) FNR (%) Sujeto Sensibilidad (%) PPV (%) FNR (%)

S1Pie 100,000 100,000 0,000 S1Sentado 100,000 100,000 0,000

S2Pie 97,561 100,000 2,500 S2Sentado 100,000 97,561 0,000

S3Pie 100,000 91,892 0,000 S3Sentado 100,000 100,000 0,000

S4Pie 100,000 100,000 0,000 S4Sentado 100,000 100,000 0,000

S5Pie 100,000 100,000 0,000 S5Sentado 100,000 100,000 0,000

S6Pie 100,000 94,286 0,000 S6Sentado 96,774 100,000 3,333

S7Pie 100,000 100,000 0,000 S7Sentado 100,000 100,000 0,000

S8Pie 100,000 100,000 0,000 S8Sentado 100,000 98,039 0,000

S9Pie 100,000 100,000 0,000 S9Sentado 100,000 100,000 0,000

S10Pie 88,889 100,000 12,500 S10Sentado 100,000 100,000 0,000

S11Pie 96,970 100,000 3,125 S11Sentado 100,000 90,625 0,000

S12Pie 100,000 100,000 0,000 S12Sentado 100,000 100,000 0,000

S13Pie 100,000 92,857 0,000 S13Sentado 100,000 78,125 0,000

S14Pie 100,000 100,000 0,000 S14Sentado 97,222 100,000 2,857

S15Pie 97,059 100,000 3,030 S15Sentado 97,222 100,000 2,857

S16Pie 100,000 100,000 0,000 S16Sentado 96,429 100,000 3,704

S17Pie 96,296 100,000 3,846 S17Sentado 100,000 100,000 0,000

S18Pie 100,000 95,652 0,000 S18Sentado 100,000 100,000 0,000

S19Pie 100,000 94,737 0,000 S19Sentado 100,000 100,000 0,000

S20Pie 100,000 100,000 0,000 S20Sentado 100,000 100,000 0,000

S21Pie 100,000 100,000 0,000 S21Sentado 100,000 100,000 0,000

S22Pie 97,143 100,000 2,941 S22Sentado 100,000 78,378 0,000

S23Pie 100,000 91,667 0,000 S23Sentado 100,000 100,000 0,000

S24Pie 100,000 100,000 0,000 S24Sentado 97,674 100,000 2,381

S25Pie 100,000 100,000 0,000 S25Sentado 100,000 100,000 0,000

176
 Medición del ritmo cardíaco mediante Fotopletismografía 177

Butterworth + Filtrado RLS + Segunda Derivada + Enventanado de la detección de

ondas a mediante filtros de media móvil y umbralización adaptativa +
Posprocesamiento por histórico de pulsos

Sujeto Sensibilidad (%) PPV (%) FNR (%) Sujeto Sensibilidad (%) PPV (%) FNR (%)

S1Pie 100,000 100,000 0,000 S1Sentado 100,000 100,000 0,000

S2Pie 100,000 100,000 0,000 S2Sentado 100,000 100,000 0,000

S3Pie 100,000 97,561 0,000 S3Sentado 100,000 100,000 0,000

S4Pie 100,000 100,000 0,000 S4Sentado 100,000 100,000 0,000

S5Pie 100,000 100,000 0,000 S5Sentado 100,000 100,000 0,000

S6Pie 100,000 97,059 0,000 S6Sentado 100,000 100,000 0,000

S7Pie 97,059 97,059 2,941 S7Sentado 100,000 96,774 0,000

S8Pie 100,000 100,000 0,000 S8Sentado 92,157 97,917 8,333

S9Pie 100,000 98,039 0,000 S9Sentado 100,000 97,436 0,000

S10Pie 100,000 93,023 0,000 S10Sentado 100,000 97,561 0,000

S11Pie 100,000 100,000 0,000 S11Sentado 100,000 96,667 0,000

S12Pie 98,000 100,000 2,041 S12Sentado 100,000 100,000 0,000

S13Pie 100,000 96,296 0,000 S13Sentado 100,000 71,429 0,000

S14Pie 100,000 100,000 0,000 S14Sentado 97,222 100,000 2,857

S15Pie 100,000 100,000 0,000 S15Sentado 97,222 100,000 2,857

S16Pie 100,000 100,000 0,000 S16Sentado 100,000 93,333 0,000

S17Pie 100,000 100,000 0,000 S17Sentado 100,000 100,000 0,000

S18Pie 100,000 88,000 0,000 S18Sentado 100,000 97,500 0,000

S19Pie 100,000 100,000 0,000 S19Sentado 97,222 100,000 2,857

S20Pie 100,000 97,500 0,000 S20Sentado 100,000 100,000 0,000

S21Pie 100,000 100,000 0,000 S21Sentado 100,000 100,000 0,000

S22Pie 100,000 97,222 0,000 S22Sentado 100,000 96,667 0,000

S23Pie 100,000 100,000 0,000 S23Sentado 100,000 100,000 0,000

S24Pie 97,674 97,674 2,326 S24Sentado 97,674 100,000 2,381

S25Pie 100,000 92,593 0,000 S25Sentado 100,000 100,000 0,000

177