Reemplazar esta línea con su número de documento de identificación (hacer doble clic aquí para editar) <
Algoritmo computacional para la detección de
fibrilación ventricular.
García. Sebastián, Rodríguez. Juan, Viveros. Ana
Resumen – Este trabajo propone un algoritmo para la
detección automática de fibrilación ventricular en registros de
ECG basándose en el procesamiento de señales que permiten
identificar características en el dominio tiempo que permitan
detectar la presencia de fibrilación ventricular, para ello se
utiliza el algoritmo de Pan-Tompkins y la detección de los
complejos QRS de la señal. El algoritmo desarrollado cuenta con
una sensibilidad del 81% y una especificidad del 77%
Palabras clave: Fibrilación ventricular, Señales ECG,
algoritmo de detección, análisis temporal de señales.
I. INTRODUCCIÓN
L os episodios de muertes a causa de anomalías
cardiacas ocupan gran porcentaje de los porcentajes de
mortalidad en la población mundial. la Fibrilación
Ventricular (FV), que se caracteriza por presentar una
actividad eléctrica desorganizada en el corazón, es una
de las arritmias cardiacas que pueden llevar a la muerte
debido a la perdida total de la contracción cardiaca [1].
Durante la FV, los ventrículos se contraen de forma
errática, evitando el bombeo de sangre por parte del
corazón hacia los diferentes tejidos y órganos del cuerpo
lo que puede conducir a la muerte del paciente si esta no
es tratada rápidamente [2]. La detección de FV por
medio de la lectura de ECG, en la mayoría de los casos,
es de gran complejidad debido a las características
intrínsecas de esta patología, y su similitud con las
características de la taquicardia ventricular puede llevar
a un diagnostico erróneo y ocasionarle graves lesiones al
paciente.
La detección de diferentes anomalías cardiacas se lleva a
cabo a través de un ECG, el cual mide y ejemplifica la
actividad eléctrica del corazón en el transcurso del
tiempo. Mediante el estudio del ECG, es posible detectar
el estado del corazón del paciente y si este presenta
alguna anomalía, analizando características como la
frecuencia cardiaca y la morfología de las diferentes
ondas que constituyen el ciclo cardiaco.[3]
1
La señal de un ECG generalmente incluye una
componente que se le conoce como ruido, esta
componente es generada por factores como el
movimiento del paciente, el ruido electromagnético
generado por el instrumento de medición y la red
eléctrica también puede generar ruido un mal
posicionamiento de los electrodos usados para captar la
señal eléctrica. Para poder llevar a cabo un diagnostico
lo mas preciso posible, se realiza un filtrado de la señal,
le cual permite eliminar parcialmente el ruido y poder
obtener la actividad eléctrica mas precisa y por ende
realizar un diagnóstico más preciso.
Por lo mencionado anteriormente es de gran importancia
desarrollar métodos de detección automática de FV en
señales de ECG, el cual incluya una sección de filtrado
de señal previo para que las características de análisis
(frecuencia cardiaca, magnitud y forma de las ondas
cardiacas) estén lo más precisas posible, por tal motivo
se desarrollo un algoritmo para la detección automática
de FV, el cual cuenta con un proceso de filtrado y
análisis en el dominio del tiempo por el cual se
determina los episodios de FV en un ECG.
II. MARCO TEÓRICO
Hoy en día existen diferentes algoritmos para la
detección de la FV, en 2018, Mjahad et al. [4],
propusieron un algoritmo basado en el análisis en tiempo
y frecuencia de un ECG y su conversión en imagen
como entrada a un clasificador de vecinos más cercanos
(KNN) sin necesidad de extracción de parámetros
adicionales. Este algoritmo consiste en un
acondicionamiento de la señal, tanto en tiempo como en
frecuencia, con el objetivo de poder determinar ventanas
de tiempo, en la cual se pueda observar un ciclo
cardiaco. Para ello realizan unas marcas que indican el
inicio y final de cada ciclo cardiaco presente en la señal
 Reemplazar esta línea con su número de documento de identificación (hacer doble clic aquí para editar) <
y obtener una ventana para cada ciclo y así evitar que se
solapen las ventanas de tiempo, para determinar la
posición de las marcas tuvieron en cuenta que el rango
de tiempo aproximado de un ciclo cardiaco (0.5s – 1.2s).
Para cada una de las ventanas obtenidas realizan la
transformación de Hilbert y Wigner-Ville las cuales
permiten tener una distribución lineal que facilita la
interpretación de la señal, y posteriormente se realiza un
filtrado para obtener los datos de interés, es decir los
valores debajo de una frecuencia de 45 Hz obteniendo
una matriz de datos, que será la entrada al clasificador de
vecinos mas cercanos (KNN) el cual ya fue previamente
entrenado y clasifica en 4 categorías: normal, fibrilación
ventricular, taquicardia ventricular y otros. En este
trabajo muestra una especificidad 98.22% y sensibilidad
de 98.22% para el caso de fibrilación ventricular.[4]
En el año 2009, Sáenz y Bustamante [5], proponen un
algoritmo para la detección de fibrilación ventricular
basado en la técnica de reconstrucción de espacio de
fases con tiempo de retardo variable, donde plantean
embeber la señal contra versiones retardadas de la
misma para generar una matriz de trayectoria de la señal.
Al aplicar el concepto de reconstrucción de espacio de
fase obtuvieron que las señales de ECG normales
presentan trayectorias bien definidas, mientras que las
señales mas caóticas, es decir las que presenta fibrilación
ventricular tienden a tener una trayectoria irregular.
La implementación del algoritmo consiste primero en un
proceso de pre-filtrado de la señal, posteriormente se
calcula el intervalo RR, para poder determinar la sección
con la cual se aplica el proceso de reconstrucción de
espacio, la cual cumple el papel de muestra para
comparar con fragmentos de la misma señal, pero con
retardos específicos.
Luego con el diagrama de fase obtenido se realiza una
matriz solo con los puntos discretos de la señal con el
objetivo de calcular el área que ocupa la trayectoria en el
diagrama de fase y si esta es mayor a un valor de área
umbral determinado, se clasifica como posible episodio
de fibrilación ventricular y si se encuentran tres
segmentos donde el área de la trayectoria supera el
umbral se clasifica como episodio de fibrilación
ventricular. Para este algoritmo se obtuvo un 77.6% de
sensibilidad y 98.5% de especificidad. [5].
2
III. METODOLOGÍA
Lo que se buscaba con este laboratorio era
implementar un algoritmo mediante el cual se pudiese
detectar la fibrilación ventricular en un
electrocardiograma, Para esto lo primero que se
necesitaba hacer era buscar en la literatura qué
características tiene la fibrilación ventricular y que la
diferencian del resto de cardiopatías. Al buscar
información se encontró que la fibrilación ventricular es
una cardiopatía bastante compleja ya que a diferencia de
las otras esta presenta ondas caóticas las cuales no
guardan ninguna relación entre sí. Es por esto que luego
de realizar un análisis y contrastarlas con las demás se
llegó a la conclusión de que la mejor manera de poder
realizar una diferenciación sería mediante la frecuencia
cardiaca. Según lo mostrado en la literatura la fibrilación
ventricular tiene la característica de qué su frecuencia
cardiaca oscila entre los 140 y las 300 BPM.
Dejando esto claro es posible proceder a la realización
del código este comienza tomando la señal " cruda " en
la cual se observa que al pasar y está el dominio de la
frecuencia tiene un ruido en 30 Hz. Este ruido se elimina
mediante la implementación de un filtro pasa bajas cuya
frecuencia de corte fue de 25 Hz, lo cual constituyó la
primera parte de nuestro código. Acto seguido fue
necesaria la implementación del algoritmo de Pan
Tompkins con el fin de transformar la señal " cruda " en
una señal donde se pudiese diferenciar el complejo QRS,
así como hallar las ubicaciones de los picos de la onda
R, Que más tarde no serán de gran utilidad a la hora de
hallar la frecuencia cardiaca. El algoritmo de Pan
Tompkins comienza con la implementación de un filtro
pasa bandas cuya frecuencia de corte estaba en 5Hz y
12Hz, valores entre los cuales se encuentra la
información útil de la señal que se tomó para hallar el
ECG, luego de esto se aplica un filtro de derivada el cual
realza la señal ya que por el uso de los filtros pasa
bandas esta reduce un poco su amplitud, una vez hecho
esto es posible aplicar el filtro al cuadrado lo cual nos
arrojó como resultado amplitud de onda positivas con las
cuales fue mucho más sencillo hallar los picos de la onda
R los cuales nos fueron de gran utilidad para hallar los
complejos QRS en nuestra señal de ECG.
Luego de pasar nuestra señal por el algoritmo de Pan
Tompkins. conocer las ubicaciones de los picos R,
asimismo de los complejos QRS, y tener toda esta
información almacenada en vectores. Llegó el momento
de realizar el algoritmo con el que se va a calcular la
frecuencia cardiaca para cada instante de la señal, este
 Reemplazar esta línea con su número de documento de identificación (hacer doble clic aquí para editar) < 3

algoritmo comienza con la segmentación del tiempo el resultado del procesamiento y análisis de una de las
total que dura nuestra señal en estudio, en ventanas de señales. La primera gráfica es la señal original, la
10 segundos en las cuales se calculará la frecuencia segunda es la salida del algoritmo de pan tompkins
cardiaca de este respectivo intervalo de tiempo. Una vez (filtro pasa bajas, pasa altas, derivada, derivada al
realizado esto se procede a realizar el conteo de la cuadrado y ventana móvil) con sus respectivos picos que
cantidad de complejos QRS presentes en cada una de las muestran los complejos QRS. En la tercera gráfica se
respectivas ventanas de 10 segundos para que al final observa la señal después del pasa bandas con los
con esta cantidad se pueda calcular de una manera más complejos QRS ubicados y la última corresponde a la
sencilla y práctica la frecuencia cardiaca. señal con las anotaciones donde el algoritmo detectó
fibrilación ventricular
Acto seguido se procede a guardar dichos valores de
frecuencia cardiaca para cada instante de nuestra señal
en estudio, en un vector el cual se comparará con los
datos de la frecuencia cardiaca qué dice la literatura y
mediante los cuales se podrá determinar si en dicho
instante de tiempo se encuentra presente la fibrilación
ventricular en nuestra señal, luego de realizar dicha
comparación se colocan unas marcas en nuestra señal de
electrocardiograma que indican el segmento en el cual se
presenta esta cardiopatía.

Para probar el algoritmo de detección, se tomaron 10

señales seleccionadas de la base de datos MIT-BIH
Malignant Ventricular Arrhytmia Database de
Physiobank. Physiobank es un archivo muy grande de
grabaciones de señales fisiológicas bien caracterizadas
entre otros datos relacionados muy utilizada por la
comunidad biomédica. En esta se pueden encontrar
bases de datos de múltiples parámetros de señales
cardiopulmonares, neuronales entre otros, de pacientes
tanto sanos como con alguna enfermedad relacionada a
estas señales como arritmias peligrosas, apnea del sueño, Fig. 1 Gráficas de la señal: 1. señal original, 2. Depués del
desordenes neuronales, etc [7]. La base de datos MIT- procesamiento de Pan Tompkin con los picos de los complejos
BIH Malignant Ventricular Arrhytmia Database de QRS, 3. Señal filtrada con la señalización de los complejos
Physiobank contiene 22 medias horas de grabaciones de QRS encontrados, y 3. Señal filtrada (sin ruido) con las
anotaciones hechas por el algoritmo.
señales de ECG de pacientes con episodios de
taquicardia y fibrilación ventricular, todas bien La figura 2 corresponde a las anotaciones propias de la
etiquetadas a lo largo de la grabación [7]. señal tomadas de la base de datos de Physiobank, las
cuales se usaron para determinar qué tan certeras y
Se tomaron entonces las grabaciones 419m.mat, precisas son las anotaciones resultantes del algoritmo
420m.mat, 422m.mat, 425m.mat, 424m.mat, 426m.mat, desarrollado y calcular así la especificidad y la
430m.mat, 609m.mat, 610m.mat, y 611m.mat, señales Sensibilidad.
que se encuentran todas muestreadas con una frecuencia
de 250 Hz, una ganancia de 200 y una duración de 35
minutos.

RESULTADOS
Para determinar la eficacia del algoritmo se probaron
entonces las 10 señales, en la figura 1 se puede observar
 Reemplazar esta línea con su número de documento de identificación (hacer doble clic aquí para editar) <
Fig. 2 Anotaciones originales de la señal de la base de datos
Como se puede observar en la cuarta gráfica de la figura
1, la primera anotación de nuestro algoritmo indica que
alrededor de la muestra 335000 se encuentra un episodio
de fibrilación ventricular, y se compara con las
anotaciones originales de la señal, esto con cada una de
las señales usadas para la prueba, obteniendo así una
especificidad de 77% y una sensibilidad del 81% (ver
tabla 1).
TABLA I
RESULTADOS DE ESPECIFICIDAD Y SENSIBILIDAD DEL
ALGORITMO
Especificidad Sensibilidad
77 % 81 %
V. CONCLUSIÓNES
Después de calcular los parámetros de sensibilidad
4
(81%) y de especificidad (77%) (ver tabla 1), se puede
concluir que el algoritmo posee una alta capacidad para
detectar la fibrilación ventricular en los instantes en los
que realmente se presenta esta condición, y también
cuenta con la capacidad para detectar la ausencia de la
enfermedad en los instantes en los que no se presenta
ninguna cardiopatía.
Esta cuantificación del desempeño del algoritmo
puede ser mejorada si se le añadiera a este, más
parámetros de detección, puesto que se encontró dentro
del análisis que se confunde fácilmente con taquicardia
ventricular debido a que se usó únicamente la frecuencia
cardiaca como determinante. La frecuencia cardiaca
puede no ser muy certera a la hora de diferenciar estas
dos patologías debido a que tanto la fibrilación como la
taquicardia como la fibrilación ventricular presentan una
variación en la frecuencia cardiaca que si no se analiza
de una forma muy mesurada estas se pueden confundir
ya que estas frecuencias son muy similares entre sí.
(81%) y de especificidad (77%) (ver tabla 1), se puede
concluir que el algoritmo posee una alta capacidad para
detectar la fibrilación ventricular en los instantes en los
que realmente se presenta esta condición, y también
cuenta con la capacidad para detectar la ausencia de la
enfermedad en los instantes en los que no se presenta
ninguna cardiopatía.
Esta cuantificación del desempeño del algoritmo
puede ser mejorada si se le añadiera a este, más
parámetros de detección, puesto que se encontró dentro
del análisis que se confunde fácilmente con taquicardia
ventricular debido a que se usó únicamente la frecuencia
cardiaca como determinante. La frecuencia cardiaca
puede no ser muy certera a la hora de diferenciar estas
dos patologías debido a que tanto la fibrilación como la
taquicardia como la fibrilación ventricular presentan una
variación en la frecuencia cardiaca que si no se analiza
de una forma muy mesurada estas se pueden confundir
ya que estas frecuencias son muy similares entre sí.
REFERENCIAS
[1] Q. Li, C. Rajagopalan y GD Clifford, "Clasificación de fibrilación
ventricular y taquicardia mediante un enfoque de aprendizaje
automático", en IEEE Transactions on Biomedical Engineering.
[2] "AHA Releases Latest Statistics on Sudden Cardiac Arrest", Sudden
Cardiac Arrest Foundation, 2018. [Online]. Available: https://www.sca-
aware.org/sca-news/aha-releases-latest-statistics-on-sudden-cardiac-
arrest.
 Reemplazar esta línea con su número de documento de identificación (hacer doble clic aquí para editar) < 5

[3] R. Klabunde, Cardiovascular Physiology Concepts. Philadelphia:

Lippincott Williams and Wilkins, 2011.
[4] A. Mjahad, A. Rosado, M. Bataller, J. Frances and J.
Guerrero, Detección de Fibrilación Ventricular Mediante Tiempo-
Frecuencia y Clasificador KNN sin Extracción de Parámetros. Valencia,
España, 2021.
[5] J. Saenz and J. Bustamante, Algoritmo computacional para la detección
de fibrilación ventricular basado en la técnica de reconstrucción de
espacio de fases con tiempo de retardo variable. Buenos Aires,
Argentina, 2009.
[6] A. Testa, "Analisis de electrocardiograma reales:
deteccion de complejo QRS", Pregrado, Escuela
Técnica Superior de Ingeniería y Sistemas de
Telecomunicación, 2016.
[7] Goldberger, A. L., Amaral, L. A., Hausdorff, J. M., Ivanov, P. C., Mark,
R. G., Mietus, J. E., & Moody, G. B. (2000). PhysioBank,
PhysioToolkit, and PhysioNet (No. 101).
https://www.ahajournals.org/doi/full/10.1161/01.cir.101.23.e215