LABORATORIO PROCESAMIENTO DE SEÑALES Periodo 2022 -I

Informe número 3

MEDICIONES ESTADÍSTICAS DE
SEÑALES BIOELÉCTRICAS
Integrantes:

Leidy Valentina Avila, Paula Alejandra Perez, Maria Camila Uribe

est.leidy.avila@unimilitar.edu.co
est.paula.perez4@unimilitar.edu.co
est.maria.uribe4@unimilitar.edu.co

Universidad Militar Nueva Granada

Cajicá, Colombia
11/03/2022

Resumen: En el presente laboratorio se hace uso del Keywords: statistical measurements,

software de Matlab para realizar un algoritmo que
permita el procesamiento de una señal obtenida de la
base de datos Physionet. El algoritmo, permite
visualizar la señal a partir de los datos suministrados y
obtener la respectiva gráfica, después realiza un
remuestreo a 300 Hz y se contamina la señal con ruido
aleatorio. Por otro lado, se hace uso de aplicaciones
importantes en el procesamiento de señales como la
convolución y mediciones estadísticas útiles como la
relación señal-ruido (SNR), raíz media cuadrática
(RMS), valor medio de la señal, varianza y
desviación estándar.
Palabras clave: mediciones estadísticas, relación
señal-ruido (SNR), raíz media cuadrática (RMS),
valor medio de la señal, varianza, desviación
estándar, convolución.
Abstract: In this laboratory, Matlab software is
used to develop an algorithm that allows the
processing of a signal obtained from the
Physionet database. The algorithm allows to
visualize the signal from the supplied data and to
obtain the respective graph, then a resampling at
300 Hz is performed and the signal is
contaminated with random noise. On the other
hand, use is made of important applications in
signal processing such as convolution and useful
statistical measurements such as signal-to-noise
ratio (SNR), root mean square (RMS), mean
signal value, variance and standard deviation.
signal-to-noise ratio (SNR), root mean square
(RMS), mean signal value, variance, standard
deviation, convolution.
I. INTRODUCCIÓN
Un sistema funciona a partir de una o más señales
de entrada o excitación que producen una o más
señales de salida o respuesta, para lo cual existen
sistemas continuos y discretos. Un sistema
contínuo transforma las señales de entrada
continuas, en señales continuas de salida y un
sistema discreto transforma las señales discretas de
entrada, en señales de tiempo discreto de salida.
Por lo anterior, las señales de entrada y salida son
funciones de la variable independiente, el tiempo.
A través de la variable de tiempo se logra cambiar
las amplitudes de las señales de entrada y salida a
variables dependientes del tiempo. Si la variable
independiente se compone de un número continuo
de valores, la señal es de tiempo contínuo pero si
por el contrario la señal se establece en un número
infinito o finito de instantes en el tiempo y se
denota como u(k) donde k toma valores enteros,
entonces la señal es de tiempo discreto [1].
De esta manera, una de las áreas de aplicación de
los sistemas en tiempo discreto son los
electrocardiógrafos que son los dispositivos que
captan la actividad del corazón para lo cual en el
siguiente informe se utilizará una señal de
electrocardiograma dado que en el cuerpo humano
se generan una amplia variedad de señales
eléctricas, provocadas por la actividad química que
tiene lugar en los nervios y músculos que lo
conforman [2] .
Debido a esto, la señal de un electrocardiograma
proporciona la información de la salud del paciente
a partir de cada una de las derivaciones que se
obtienen del triángulo de einthoven, por lo que esta
información se recopila en una señal, misma con la
que estadísticamente se puede remuestrear, y a
partir de este, generar un algoritmo que permita
visualizar la señal en un software, luego contaminar
esta misma con ruido, misma señal aleatoria que
contiene todas las frecuencias y todas ellas tienen la
misma potencia.
Este trabajo se realiza con el objetivo de definir los
conceptos de estadística descriptiva y de identificar
las diferencias conceptuales y prácticas de los
temas de procesamiento de señales como la
autocorrelación, correlación y convolución de
señales bioeléctricas. Para esto se propone diseñar
un algoritmo en Matlab para la visualización de la
señal con un remuestreo que permita el
procesamiento de la señal para obtener una señal de
respuesta a partir de los diferentes sistemas.
Para finalizar, el siguiente informe se encuentra
organizado por secciones. En la primera sección se
mencionan las definiciones de lo que se utilizará en
el presente trabajo, los materiales utilizados para la
extracción de la señal bioeléctrica y los parámetros
de análisis de la señal para la creación del código
en matlab. En la segunda sección, se analizarán los
resultados obtenidos por el algoritmo y si se
efectuó el correcto procesamiento de la señal. En la
última sección se determinarán las consideraciones
finales del funcionamiento de las ecuaciones para
la estadística, las gráficas, las conclusiones y las
referencias bibliográficas.
II. MARCO TEÓRICO
Un sistema en tiempo discreto se caracteriza por
magnitudes que varían solo en instantes específicos
de tiempo y pueden establecer las siguientes
relaciones en una señal.
1. Autocorrelación
Estadísticamente, la autocorrelación de una
variable discreta se define como la dependencia o
correlación consigo misma a lo largo del tiempo,
En un modelo de regresión lineal dado por la
expresión:
Υ𝑡 = Χ´𝑡 β + 𝑢𝑡, 𝑡 = 1,...., 𝑇 Ec 1.
Uno de los supuestos iniciales que se establece en
el modelo lineal general es que las perturbaciones
no están correlacionadas.
Es decir: Cov(ut, us)≠0, ∀t≠s, pero, si este
supuesto deja de cumplirse, Cov(ut, us)≠0, ∀t≠s,
entonces existe autocorrelación (Fig 1). En los
datos de series temporales un problema habitual es
la presencia de autocorrelación de las
perturbaciones, por lo que, la causa principal de
esta es cuando hay omisión de variables [3].
2. Convolución
Es un operador matemático que transforma dos
funciones f y g la cual representa la magnitud en a
que se superponen f y una señal invertida de g. (fig
1.)
Fig 1. Representación gráfica de autocorrelación,
convolución [3].
 3. Diferencia entre correlación y potencia se eleva al cuadrado la amplitud
convolución y luego se toma la raíz cuadrada para
eliminar los valores negativos que no
La correlación de dos funciones reales es una permiten un análisis preciso de los valores
operación de similares características a la captados por la señal [5].
convolución con la salvedad de que no se
determina alrededor del origen de los valores de
una de las funciones. No obstante, la correlación
mide el grado de dependencia entre dos señales.
Cuando se trabaja con una misma señal desplazada
(5)
en el tiempo se denomina autocorrelación y cuando
se trabaja con dos señales diferentes se denomina
III. MATERIALES Y MÉTODOS
correlación cruzada. la cual permite reconocer el
grado de similitud entre dos señales [4]. Mientras
Para el desarrollo del siguiente informe se utilizó el
que la convolución es una señal de salida o
software de Matlab para el procesamiento de la
respuesta que pasa a través de un sistema que es
señal.
alimentado por una señal de entrada.
Tabla 1. Materiales y métodos
4. Relación señal-ruido (RNS): Hace Materiales Cantidad
referencia a la relación entre la potencia
de la señal y la potencia del ruido. Se Software MATLAB x
busca que las señales tengan una relación
señal-ruido alta. IV. DESARROLLO

𝑆𝑁𝑅 =
𝑃𝑜𝑡𝑒𝑛𝑐𝑖𝑎−𝑠𝑒ñ𝑎𝑙
(1) Para el desarrollo del presente laboratorio se utilizó
𝑃𝑜𝑡𝑒𝑛𝑐𝑖𝑎−𝑟𝑢𝑖𝑑𝑜 en primera instancia, una señal multiparamétrica de
la base de datos PhysioNet para lo cual se escogió
SNR (dB) = 10log10(RMSs/RMSn)2 una de electrocardiograma con una frecuencia de
500 Hz. Para esto se tomaron los valores
5. Valor medio de la señal: Representa la
correspondientes al segundo vector que hacía
sumatoria de todas las muestras dividida
referencia a la señal filtrada y se realizó la
sobre la cantidad total de muestras de la
conversión respectiva en tiempo y voltaje para
señal.
realizar la gráficas.

(2)
6. Raíz Media Cuadrática (RMS): Es la
energía de una señal ante un sistema con
valores contínuos.

(3)
7. Varianza: Representa la potencia de la
fluctuación de la desviación estándar que
es la medida de hasta qué punto la señal
varía y oscila alrededor de la media.

(4)
8. Desviación estándar: Es una medida de Fig 2. Señal ECG obtenida de Physionet.
cuánto una señal varía alrededor de su
media y se calcula promediando la
potencia de desviación y para calcular la
Después se realizó un remuestreo de la señal a 300
Hz, y se graficó de nuevo la amplitud vs. tiempo.

Fig 5 . Autocorrelación de la señal ECG

A si mismo, se contaba con un vector

Fig 3. Señal ECG muestreada a 300 Hz de Physionet
proporcionado por el docente que contaba con los
siguientes parámetros:
Una vez obtenida esta señal, lo que se realizó fue 𝑠𝑒𝑛(𝑤𝑡)
contaminar la señal con ruido aleatorio,
𝐴𝑚𝑝𝑙𝑖𝑡𝑢𝑑 = 1
preguntando al usuario por teclado cuál era el 1
valor de la amplitud de ruido que deseaba agregar. 𝐹𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 = 𝑀
En nuestro caso se realizó el laboratorio con una 𝑀 = 50
señal de ruido con amplitud de 300.
Por lo que transformándolos en una señal, se
obtuvo que era una señal seno con frecuencia de
0.02 Hz y con un periodo de 50 s. Con este vector y
la señal adquirida se realiza la convolución y se
muestra en gráficas diferentes las señales de
entrada y la de salida.

Fig 4. Señal ECG contaminada con ruido

Por otro lado, se calculó y se graficó la secuencia

de autocorrelación de la señal original,
demostrando cuáles eran los puntos donde la señal
se relaciona consigo misma en función del tiempo.
Fig 6 . Señales de entrada y salida según la convolución.
Por último, se utilizaron valores estadísticos para
encontrar información más específica de la señal,
como lo es la relación señal-ruido (SNR), raíz
media cuadrática (RMS), valor medio de la señal,
varianza y desviación estándar.
Fig 7. Mediciones Estadísticas
Responder:
1. ¿Qué aplicaciones prácticas tiene la
convolución en el procesamiento de señales?
RTA: Una de las aplicaciones son los filtros
pasa-bajos los cuales extraen las frecuencias
más bajas de una señal y atenúan lo demás,
eliminando ruido. La salida filtrada es la
convolución de una señal de entrada y una
función llamada kernel, la cual puede ser entre
más simple, la media móvil como la suma de
los últimos N puntos de entrada dividida por
el total N para lo cual es lo mismo que
multiplicar los últimos N elementos por 1/N y
sumar todo. Esto equivale a una convolución
con una función kernel con N puntos de valor
1/N, y el resto cero.
Para lo cual se pueden diseñar respuestas al
impulso que, al convolucionar con una señal,
eliminan frecuencias específicas.
2. ¿Cuáles variables estadísticas se pueden
emplear para medir la amplitud y frecuencia
de una señal bioeléctrica?
RTA: El promedio o valor medio de la señal
en el tiempo que representa los valores que
toma la señal si ésta no varía demasiado y
dado la variación en el tiempo de las señales
bioeléctricas, también se usa la desviación
estándar la cual se calcula promediando la
potencia de desviación para determinar qué
tanto están dispersos los datos con respecto al
valor medio de la señal.
El rango como la extensión cubierta por toda
la muestra ordenada y se define como el valor
máximo menos el mínimo.
3. Indague y reporte las diversas señales que
se pueden encontrar en los generadores de
señales empleados.
RTA: Para el laboratorio no se utilizó un
generador de señales como tal, sino se
utilizaron señales bioeléctricas obtenidas de
PhysioBank ATM, aquí se pueden encontrar
señales de ECG (normales, con insuficiencia
cardíaca, apnea), conjunto de datos de
respiración, presión arterial, vaso regulación
cerebral, potenciales evocados, EEG, etc.
Estos se pueden descargar en diversos
formatos como lo es .mat, EDF, CSV, o
mostrarlos como texto. Aparte cuenta con
información correspondiente a cada señal, lo
cual permite realizar un mejor análisis.
V. CONCLUSIONES
De este laboratorio se puede concluir que la
aplicación de operadores estadísticos y la
convolución, permite ver la señal de salida de un
sistema, cuando se cuenta con la señal de entrada y
la respuesta al impulso. Se pudo completar el
objetivo principal, del cual nos referimos a la
aplicación de estos operadores cuando contamos
con un ruido blanco aleatorio y despejar parámetros
necesarios para el análisis de la señal.
También se identificó a partir de la relación señal y
ruido que se debería obtener un valor mayor para
que la potencia de la señal sea más significativa
que la potencia del ruido dado que en este informe,
al agregar un ruido con amplitud de 300, la relación
señal-ruido en decibelios dio un valor de
-63.3237dB lo cual indica que la potencia de la
señal disminuyó significativamente a razón de una
amplitud de ruido aumentada.
Por otro lado, el uso de ciertos parámetros
estadísticos son importantes para el procesamiento
y análisis de señales, como lo es la desviación
estándar, debido a que gracias a esta (en el caso de
aplicarla en un electrocardiograma), se puede
observar si los valores de la señal están muy
dispersos del punto medio y así analizar si está
sucediendo algo erróneo con la señal o el paciente
está teniendo alguna alteración.
 VI. BIBLIOGRAFÍA

[1] “Análisis y Control de Sistemas

Lineales.”

[2] J. L. Romero, “ANÁLISIS DE

SEÑALES
ELECTROCARDIOGRÁFICAS
USANDO TÉCNICAS DE
PROCESAMIENTO DIGITAL
TRABAJO FIN DE CARRERA
INGENIERÍA TÉCNICA DE
TELECOMUNICACIÓN,” 2015.

[3] Definición de
autocorrelación(2021). tomado de:
https://guiasjuridicas.wolterskluwer
.es/Content/Documento.aspx?para
ms=H4sIAAAAAAAEAMtMSbF1
jTAAASMjQzMDtbLUouLM_Dxb
IwMDS0MDIwuQQGZapUt-ckhlQ
aptWmJOcSoAzRWPnDUAAAA=
WKE

[4] “Convolución y Correlación.”

https://www6.uniovi.es/vision/intro
/node30.html (accessed Mar. 11,
2022).

[5] “Procesamiento digital de señales

Semana 1. Introducción.”