Programa de Ingeniería Biomédica
Procesado de Señales e Imágenes Médicas PSIM 2021-1
Fibrilación auricular, Laboratorio 1
(febrero, 2021)
Mónica Patricia Gutiérrez Masmela 2159438, Ana María Sánchez Garavito 2161115, Nicolle Sharik
Sanmiguel Gutiérrez 2160053.
Summary — This laboratory report addresses the subject of
atrial fibrillation and how it can be identified in an ECG signal, as
well as the process of elaborating an algorithm in the Matlab
software which has as its main objective to perform the processing
of the signals obtained from the “MIT-BIH Atril Fribrillation
Database (afdb) database on the Physionet website, in order to be
able to automatically detect episodes of atrial fibrillation in the
records. The algorithm performed presents a good performance,
although it is necessary to make adjustments and improvements to
be able to be implemented as a reliable method of diagnosis of
atrial fibrillation
Key Words - Algorithm, ECG, Atrial fibrillation, signal
processing.
Resumen—En este informe de laboratorio se aborda el tema de
la fibrilación auricular y de cómo puede ser identificada en una
señal de ECG, además se explica el proceso de elaboración de un
algoritmo en el software Matlab el cual tiene como objetivo
principal realizar el procesamiento de las señales obtenidas de la
base de datos “MIT-BIH Atril Fribrillation Database (afdb) del
sitio web de Physionet, para poder detectar de forma automática
los episodios de fibrilación auricular en los registros. El algoritmo
realizado presenta un buen funcionamiento a pesar de que es
necesario realizar arreglos y mejoras para poder ser
implementado como método confiable de diagnóstico de
fibrilación auricular.
. un amplio número de registros de ECG. [1]
Palabras Clave-- Algoritmo, ECG, Fibrilación auricular,
procesamiento de señales.
I. INTRODUCCIÓN
E l electrocardiograma o ECG es una señal electrofisiológica
que plasma la actividad eléctrica del corazón, esta señal
funciona como método de diagnóstico clínico ya que permite
tener información del estado funcional del corazón. La
adquisición de la señal se hace mediante electrodos y en esta se
pueden presentar ruidos ya sea por las condiciones del entorno
o por ruidos fisiólogos como la respiración del paciente,
contracciones musculares y demás, es por esto que es necesario
realizar procedimientos computacionales que permitan
disminuir estas interferencias y se logre tener una mejor
interpretación del ECG.
El presente trabajo tiene como objetivo realizar un algoritmo de
detección de fibrilación auricular mediante la base de datos
“MIT-BIH Atril Fribrillation Database (afdb) del sitio web de
Physionet, dicho algoritmo debe contar con el correspondiente
procesamiento de las señales obtenidas.
1
II. PROCEDIMIENTO
A. Busque información detallada de la base de datos y
explique qué tipo de registros contiene
En la base de datos “MIT-BIH Atril Fribrillation Database
(afdb)” se encuentran 25 registros de ECG de sujetos humanos
con fibrilación auricular, de ellos los registros 00735 y 03665
son representados por el ritmo (atr) y el ritmo no auditado. Cada
grabación individual tiene una duración de 10 horas y contiene
dos canales ECG, cada uno muestreada a 250 muestras por
segundo. Las grabaciones analógicas originales se realizaron
con grabadoras de ECG ambulatorias con un ancho de banda de
0.1 Hz a 40 HZ, y fueron realizadas en el hospital Beth Israel
de Boston. [1]
Esta base de datos posee anotaciones de tres tipos: .atr
anotaciones preparadas manualmente y revisadas para ser
coherentes con la base de datos de arritmias MIT-BIH, .qrs
anotaciones realizadas por detección automática sin corrección
manual, aunque alguna de ellas si han sido corregidas
manualmente y se encuentra por el sufijo .qrcs. [1]
La detección automática utilizada en la base de datos
(anotaciones. qrs) fue criticada por utilizar como herramienta
de detección la misma base de datos, debido a que esta no posee
B. Investigue qué es la fibrilación atrial y cómo se puede
manifestar el ECG.
La fibrilación auricular es la enfermedad cardiaca más común,
actualmente ha constituido una problemática de salud pública a
nivel mundial debido al aumento progresivo de los casos
detectados para este, especialmente en los países
latinoamericanos. [2]
Este trastorno puede aumentar las probabilidades de muerte e
insuficiencia cardiaca tanto en hombres como mujeres, además
de ello, aumenta el riesgo de accidente cerebrovascular,
deterioro cognitivo y en sí, deterioro de la calidad de vida del
paciente. Así, la detección temprana de fibrilación auricular
favorece positivamente la mortalidad en pacientes con mayor
riesgo. [2][3]
Clínicamente la FA es una condición heterogénea, en la cual
sus síntomas pueden variar desde una limitante hasta una sin
sintomatología, es decir, silenciosa. El padecimiento de
fibrilación auricular silenciosa es más común de lo que se cree
y destaca la importancia de recibir un diagnóstico temprano,
 Programa de Ingeniería Biomédica
Procesado de Señales e Imágenes Médicas PSIM 2021-1
debido al riesgo de sufrir accidente cerebrovascular si no se
recibe terapia anticoagulante. [3][4]
Durante un episodio de fibrilación auricular, la contracción de
las aurículas se produce asincrónicamente como resultado de
una activación rápida de impulsos eléctricos. Así, la principal
característica de un episodio de FA incluye: múltiples
corrientes de despolarización atril que generan una contracción
irregular y desordenada que refleja en ECG una ausencia de la
onda P, debido a que el nodo sinusal pierde su función como
marcapaso, e intervalos RR irregulares, además, la frecuencia
auricular se encuentra entre 350 a 600 latidos por minuto con
complejos QRS estrechos (inferiores a 120 milisegundos). [4]
Por medio del ECG es posible conocer la actividad eléctrica del
corazón, en este se registran los cambios de voltaje
consecuencia de la despolarización del musculo cardiaco
seguido de la repolarización de este durante cada ciclo cardiaco.
Usualmente la señal de ECG es interpretada por cardiólogos
con el fin de detectar enfermedades cardiacas o anormalidades
en el musculo o conducción eléctrica. [3]
C. Escoja al menos 10 registros de la base de datos y
realice un preprocesamiento de la señal, para que esté lo
más libre de artefactos.
Inicialmente se aplica el comando de la frecuencia rápida de
Fourier con el fin de analizar los artefactos presentes en la señal,
al obtener el resultado se observa que no presenta frecuencias
significativas relacionadas a la red eléctrica (60 Hz), sin
embargo, basados en la información del espectro de potencia
del ECG y en lo mencionado por la teoría, las señales asociadas
al ECG se encuentran en una frecuencia de 0 a 40 Hz se observa
que a partir de 20 Hz las interferencias presentes están
relacionadas a ruidos musculares por tal razón se decide aplicar
un filtro pasa bajas a dicha frecuencia con el fin de obtener una
señal más limpia y con la información de mayor relevancia.
Fig. 1. Señal libre de artefactos.
D. Proponga un algoritmo de detección automática de
fibrilación atrial
Con el fin de detectar episodios de fibrilación atrial en las
señales obtenidas de la base de datos se tiene en cuenta una de
las características fundamentales de esta arritmia en el ECG, la
cual consiste en la variación de los intervalos RR, al ser la onda
R la de mayor amplitud en un electrocardiograma se realiza el
algoritmo con el fin de detectar los picos R reales que se
encuentren a lo largo de la señal para posteriormente determinar
las distancias entre intervalos RR. El algoritmo implementado
2
se realizó usando filtros en los que se permita apreciar los picos
R del complejo QRS del electrocardiograma, dichos filtros son
un pasa bandas en una frecuencia de 5 a 15 Hz que se escogió
basados en la información brindada por el espectro de potencia
del ECG, ya que en esta se observa que en este ancho de banda
se encuentra la amplitud máxima relacionada al complejo QRS
y por tanto se eliminan las frecuencias relacionadas a la onda P
y a la onda T. Posteriormente se realiza una rectificación de la
señal obtenida sometiendo los valores a una potencia cuadrada;
finalmente, se aplica un filtro de ventana móvil para suavizar la
señal, sobre la señal obtenida se detectan los picos máximos
haciendo uso de un ventaneo mediante un ciclo que recorre la
señal, en el que se usan 10 muestras anteriores y 10 muestras
posteriores a la posición i para así poder asociar los picos R
reales sobre la señal original libre de artefactos sin omitir
información.
Finalmente, para detectar la fibrilación auricular en la señal
se usa el parámetro estadístico de la desviación estándar sobre
una señal resultante creada al realizar una diferencia entre cada
una de las posiciones de los picos R obtenidos sobre el eje X,
los resultados de la desviación estándar se aplican haciendo uso
de un ventaneo de 10 muestras que recorre la señal, al ser la
desviación estándar un parámetro que cuantifica la dispersión
de los datos, es fácil deducir que cuando los intervalos RR no
presenten distancias equidistantes o similares el resultado de la
desviación será mayor y al graficar los datos obtenidos se
podrán evidenciar los episodios de fibrilación atrial sobre la
señal.
La detección automática de esta arritmia se realiza mediante
un ciclo con un condicional if en el que se debe cumplir la
condición de superar un umbral de 60 en los resultados de la
desviación estándar, de tal manera que cuando se cumpla dicha
condición se grafique a una amplitud de 5 y cuando no lo supere
se grafique en cero, estos valores han sido escogidos de manera
arbitraria con el fin de poder observar con facilidad sobre la
gráfica los episodios de fibrilación auricular. Además, con las
anotaciones brindadas por Physionet en las que mencionan el
número de muestra de la señal en las que se presenta dicha
arritmia, es posible comparar la efectividad del algoritmo.
III. RESULTADOS
A. Gráficas
Fig 2. En esta gráfica se puede observar la localización de los picos máximos
 Programa de Ingeniería Biomédica
Procesado de Señales e Imágenes Médicas PSIM 2021-1
sobre la señal resultante del filtro de venta móvil (roja) y los picos R reales
obtenidos sobre la señal original (azules), los cuales posteriormente
permiten la detección de fibrilación auricular mediante las distancias de los
intervalos RR.
Fig 3. Gráfica obtenida al realizar el procesamiento de la señal. En esta se
pueden observar las gráficas obtenidas parcialmente al ejecutar el algoritmo,
en azul se encuentra la señal original, en rojo se encuentra la señal después
de aplicar todos los filtros, en rosado se observa la señal creada con los
resultados de la desviación estándar y en azul celeste se observan el episodio
de fibrilación auricular de la señal detectado por el algoritmo, las líneas roja
y negra punteadas verticalmente se colocan de acuerdo a las anotaciones de
la señal brindada por Physionet para así comparar la efectividad del
algoritmo en la detección de fibrilación auricular.
B. Cuantificación del desempeño del algoritmo.
El algoritmo realizado tuvo una exactitud del 66%, una
sensibilidad 89% y una especificidad del 53%. Basados en
estos porcentajes el algoritmo cumple con su función de
detectar cuando se presenta un episodio de fibrilación
auricular, es decir, la detección de fibrilación auricular
corresponde a los episodios de fibrilación auricular dados por
la base de datos, pero, a su vez, presenta un valor de
especificidad de 53%, lo cual quiere decir que ante casos
(intervalos) en los cuales debería no detectar fibrilación
auricular este algoritmo lo está haciendo, así de un 100% de
intervalos sin fibrilación auricular un poco más del 50% se
clasifican como casos de fibrilación auricular.
Estos resultados provienen de un proceso a través del cual se
intentó encontrar los picos reales de la gráfica, aunque es
posible que algunos de estos picos no correspondan al pico R
del QRS asociado, dando así una mayor dispersión en los
datos produciendo de esta forma casos de fibrilación falsos.
Además de ello, es posible que el umbral de fibrilación fuese
demasiado bajo, de la misma forma, generando detecciones
falsas de fibrilación auricular.
TABLA 1
CUANTIFICACIÓN DE LOS RESULTADOS
PROM
Exactitud 0,65714286
Sensibilidad 0,88888889
Especificidad 0,53401361
3
Para cada uno de los registros utilizados se obtuvo una medida cualitativa de
la funcionalidad del algoritmo desarrollado (tal como se observa en la fig 3),
estos fueron cuantificados por medio de una segmentación de la señal, así se
escogieron 7 segmentos de 500 segundos, posterior a ello se procedió a observar
si en dicho segmento se detectó fibrilación auricular, dichos resultados se
compararon con las anotaciones de la base de datos, de allí se logró clasificar
la funcionalidad del algoritmo por medio de los parámetros: verdaderos
positivos, verdaderos negativos, falso negativo y falso positivo, con el propósito
de hallar la exactitud, sensibilidad y especificidad.
IV. CONCLUSIÓN
El algoritmo realizado posee deficiencia en la detección de
fibrilación auricular, debido a que los parámetros especificidad
y sensibilidad no pueden tomarse como separados, de tal forma,
este algoritmo no es el mejor a implementar ya que posee una
tendencia a clasificar intervalos sin fibrilación auricular como
intervalos con fibrilación auricular.
Los resultados obtenidos pueden ser mejorados si la
clasificación para fibrilación auricular se realizará teniendo en
cuenta una detección sostenida de traspaso del umbral definido
para fibrilación auricular, así disminuiría el porcentaje de
especificidad del algoritmo.
Académicamente este algoritmo podría ser mejorado si se
implementará una interfaz, de tal forma, un usuario podría
definir el umbral de detección teniendo en cuenta la desviación
estándar de los valores. Además, es posible que los resultados
obtenidos mejoren si se realiza un ventaneo de ventanas
sobrepuestas.
REFERENCIAS
[1] Goldberger AL, Amaral LAN, Glass L, Hausdorff JM, Ivanov PCh, Mark
RG, Mietus JE, Moody GB, Peng C-K, Stanley HE. PhysioBank,
PhysioToolkit, and PhysioNet: Components of a New Research Resource
for Complex Physiologic Signals. Circulation 101(23):e215-e220
[Circulation Electronic Pages;
http://circ.ahajournals.org/content/101/23/e215.full]; 2000 (June 13).
[2] Asensi, J. and Izquierdo de Francisco, M., 2021. The RITHMI study:
diagnostic ability of a heart rhythm monitor for automatic detection of
atrial fibrillation. [ebook] Valencia, España. Available at:
<https://pdf.sciencedirectassets.com/273557/AIP/1-s2.0-
S1885585720303091/main.pdf?X-Amz-Security-
Token=IQoJb3JpZ2luX2VjEEQaCXVzLWVhc3QtMSJGMEQCIEGLJ
mcN3W3rfnxPtW7yzYoKn6vgbv1zdf3FhiicXzbcAiA11Wx4o0FQkgA
Op9ulWVpkdxFUGPAYyz2vOiSOwQ+1ASq0Awg9EAMaDDA1OTA
wMzU0Njg2NSIMr2WxMz00no707xByKpEDtM2W5BydTWU9+qNh
Mwkprza7Dz21mGmaCcZqMwSTe/KDjYxjAwIQDDil3E4C3seZBVW
Z/NmuB7WsoqajXLv7msE+ryWGjLzv5P1duL13oa//WL7kghDzWL0S
fB1Uk/CcA4ERe0wy1fgpt/tytYBoGc1qWzkkmhCh4bGadWyCm7gTtR
RfvbNtrMOaBANn6K9Q+8Eny5C1ZZAK7Bo2dGyZ6bJkVogiu4MUhj
mnIOtf1tNwDXZI/hXJlWBSB1W8P5jFvrcxz8wsNsI7vciQVGNG04R
QiSSPlFH5t/hR3q+UUyjzHuoWR5sMtNzTgjJFaPZP96t78FO/zEkkEdj
w8zvJwlCkWcLkH3WfZXPgf81Z5gV8hJlOXpvc120WkaiHhn9CVNh
8e42EKIqI4L38NMtIcMXNIsVIrbzHVUXNm1ve4e2vkjHt52uVoypL5
N0F4TkAMXKoUSl1c1of+TNqRLFeCK7sknA+ioyhwGxLP9g3j2PEi
DXo/PMIpl27Jp6vfEvI79Rk4HUR8yjgrListEtob30wvaT4gAY67AFpq
+FoHcgQGPYhZ73Ax4QS17tC1Vq4xt30nIi1uMSAMgwmTw+s0YsjO
v/Oo35fAuQcnrp4doa0nMJAGh9efaG110ygUEfN8fggTfJjjY0uaBCqA
ZWvnBbDotjtVeewBostWLuuiCQHb4+r9HC97pneQiyaful6DGNkCpD
 Programa de Ingeniería Biomédica 4
Procesado de Señales e Imágenes Médicas PSIM 2021-1
Z30HBMoiWFXaNMwNli1QgsnkllpYK0mJUH8u208LNGrdw75BVK
oVUFJOOOs/M7fboeRfiUsT3eKNZbWicQYBbWO2gdHn8wyRQx+G
WATYLUaNxXHjHWammjoDEEmT9iOH3VXQ9ZmS9GBMYdK9iv
dEzGQ==&X-Amz-Algorithm=AWS4-HMAC-SHA256&X-Amz-
Date=20210206T043415Z&X-Amz-SignedHeaders=host&X-Amz-
Expires=300&X-Amz-
Credential=ASIAQ3PHCVTY5I7T5BHO/20210206/us-east-
1/s3/aws4_request&X-Amz-
Signature=891321bfbe28bddcac1518dc07391844b6d7dbf5897cfa581f7
50b346f366766&hash=3a9217daf57f9ab696c61e2503c201ad370a1adbf
e7c21307ae81be0dc519c01&host=68042c943591013ac2b2430a89b270f
6af2c76d8dfd086a07176afe7c76c2c61&pii=S1885585720303091&tid=
spdf-20f05280-9fa2-40c9-997c-
3547cce6844f&sid=97df715b601b19401879d393d83f13921fd3gxrqa&t
ype=client> [Accessed 4 February 2021].
[3] Castillo, J. A., Granados, Y. C., & Fajardo Ariza, C. A. (2019). Patient-
Specific Detection
of Atrial Fibrillation in Segments of ECG Signals using Deep Neural
Networks. Ciencia E
Ingenieria Neogranadina, 30(1). https://doi.org/10.18359/rcin.4156
[4] Jaramillo Rueda, A., Vargas Pacheco, L. and Fajardo, C., 2021. A
Computational Architecture for Inference of a Quantized-CNN for
Detecting Atrial Fibrillation. Bucaramanga, Colombia.