See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/237487278

ALGORITMO PARA DETECTAR EL COMPLEJO QRS EN EL TRAZO ECG,

UTILIZANDO OPERACIONES PARA GRAFOS BORROSOS

Article

CITATIONS READS

0 597

2 authors:

Carlos Villa-Angulo Marco A. Reyna

Autonomous University of Baja California Autonomous University of Baja California
63 PUBLICATIONS   225 CITATIONS    86 PUBLICATIONS   266 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Photonics ADCs View project

Análisis de las Propiedades Nutricionales del Datil Cultivar Medjool, en Respuesta al Efecto de Cuatro Cultivares Polinizantes. View project

All content following this page was uploaded by Marco A. Reyna on 05 June 2015.

The user has requested enhancement of the downloaded file.

ALGORITMO PARA DETECTAR EL COMPLEJO QRS EN EL TRAZO ECG,
UTILIZANDO OPERACIONES PARA GRAFOS BORROSOS.
Carlos Villa Angulo, Marco Antonio Reyna Carranza
Facultad e Instituto de Ingeniería, Universidad Autónoma de Baja California (U.A.B.C.), Av. de la
Normal S/N, Col. Insurgentes, Mexicali, B.C. C.P. 21280, Teléfono y fax (6)5-66-41-50.
E-Mail: cvilla@iing.mxl.uabc.mx, E-mail reyna@info.rec.uabc.mx,
RESUMEN: El propósito de este resumen es
presentar los avances obtenidos en el desarrollo
de un algoritmo para detectar el complejo QRS
en el trazo Electrocardiografico (ECG)
utilizando operaciones para grafos borrosos.
Dicho algoritmo fue desarrollado con el
principal objetivo de participar en la realización
de estudios que ayuden a simplificar los
métodos tradicionales de caracterización de
señales biológicas y en especial del trazo ECG,
que hasta la fecha suelen ser interpretados solo
por especialistas, esto debido a la necesidad de
que cada ves mas ramas de la bioingenieria
puedan interdiciplinarce para el logro de
métodos y instrumentos que caractericen mejor
dichas señales, logrando con esto identificar con
mas claridad patologías a través de la
deformación del trazo de dichas señales.
ABSTRACT: The present document describes
the advances obtained in the development of an
algorithm to detect the QRS complex in
electrocardiographic traces (ECG) using
operations with fuzzy grapho.
There are many computer algorithms that are
being used in automatization processes for
electrocardiographic interpretation. This
algorithms are based in the characterization of
the ECG trace. The computer detects each one
of the component of the electrocardiogram,
compares them whit a standard pattern an
determines the type of cardiac pathology. Most
of this algorithms are based on comparation
with fixed threshold well defined by discrete
reasoning (Yes or Not, 1 o 0, False or True, but
unable to detect intermediate levels). This
systems have errors in the detection of the
characteristics component of electrocardiogram,
because this threshold depend on age, sex,
hardiness, clinical background and other
characteristics of the patient, strictly forming
thresholds with fuzzy frontiers, in other words,
difficult to cuantificate through discreet
reasoning. Due to the detection of the great
utility of fuzzy grapho for high density zones
identification, which is similar to the detection
of waves with higher energy in the ECG trace,
this established the path to create an algorithm
for the detection of the QRS complex.
1. INTRODUCCION: La actividad eléctrica
del corazón puede describirse mediante el
auxilio de un electrocardiograma. Sin embargo,
para poder efectuar un diagnóstico es necesario
su interpretación. A un cardiólogo experto le
podría tomar horas de trabajo llegar a detectar
una patología. No obstante, con el empleo de las
computadoras el proceso podría tomar unos
minutos o tal vez segundos. Existen muchos
algoritmos para computadora que se usan en
procesos de automatización para la
interpretación electrocardiográfica. Estos
algoritmos están basados en la caracterización
del trazo ECG. La computadora detecta cada
uno de los componentes del electrocardiograma,
los compara con un patrón estándar y determina
el tipo de patología cardiaca. La mayoría de
estos algoritmos se basan en comparaciones con
umbrales fijos bien definidos a través de
razonamientos discretos (Si o No, 1 o 0, falso o
verdadero, no capaces de detectar niveles
intermedios). Estos sistemas presentan errores
en la detección de los componentes
característicos del electrocardiograma debido a
que estos umbrales varían según la edad, sexo,
el estado de animo, los antecedentes clínicos y
algunas otras características del paciente
formando estrictamente umbrales con fronteras
borrosas, es decir difíciles de cuantificarla a
través de razonamientos discretos.
La lógica borrosa que podemos definirla
como una disciplina matemática basada en la
teoría de subconjuntos borrosos, que permite
evaluar el nivel de pertenencia o no
pertenencia en forma gradual, complementada
por un cuerpo de conceptos y técnicas en el
cual lo borroso es aceptado y puede ser
evaluado como una realidad de la existencia
humana, a pesar de ser una disciplina
relativamente nueva día a día va ganando
terreno en un sin número de aplicaciones donde
el comportamiento de las variables es
estrictamente mas borroso que discreto, es decir
imprecisamente se puede inferir sobre su
pertenencia a un conjunto determinado.
2. CUERPO DEL ARTICULO.
Una vez que la señal ECG es registrada,
comienza la fase de procesado para obtener la
información concreta que se desea conocer en
cada caso. La señal ECG presenta las siguientes
características: es de tipo transitorio, está
contaminada por ruido y vinculada
temporalmente a un impulso, que es el que
desencadena cada latido cardiaco. Las etapas µ ( x3 , y1 ) = 0.5, µ ( x3 , y 2 ) = 0.2,
más comunes de un sistema de procesado de Esta función define el subconjunto borroso:
señal ECG son las siguientes: (1 ) ~
1.- Preprocesado, que incluye filtrado de la G = { (( x1 , y1 ) | 0.3), (( x1, y 2 ) | 0.7),
señal y eliminación de artefactos. De este modo
( ( x 2 , y 1 ) | 1), (( x 2 , y 2 ) | 0),
se reducirán los errores en posteriores
procesados y se facilitará la interpretación del (( x3 , y1 ) | 0.5),(( x3 , y 2 ) | 0.2)}.
ECG Subconjunto que puede ser representado por la
2.- Detección de los complejos QRS. Este matriz que se encuentra en la figura 1.
es siempre el primer paso para reconocer en qué
momento se ha producido cada latido y poder
calcular el ritmo cardiaco. La razón para y1 y2 y1 y2
detectar el QRS y no otra onda es que presenta
mayor SNR y, por tanto es más fácil de realizar. x1 0.3 0.7 x1
3.- Identificación de las ondas P, T y x2 1 0 x2
segmento ST. Este paso trata de particularizar
cada componente de un latido y poder obtener x3 0.5 0.2 x3
información sobre él.
4.- Identificación de los tipos de latidos
(normales, PVC,…). Figura 1: Representación matricial y gráfica de
5.- Detección y Clasificación de arritmias. un grafo borroso.
6.- Diagnóstico.
OPERACIONES CON GRAFOS BORROSOS
2.1. TEORIA DE GRAFOS BORROSOS. Las relaciones de grafos borrosos contiene un
Debido a la detección de la gran utilidad de los gran número de operaciones que pueden
grafos borrosos para la identificación de zonas realizarce, pero para nuestro interés inicial
con alta densidad, lo cual tiene una similitud empezaremos por describir y entender solo el
con la localización de ondas con mayor energía calculo de la primera y segunda proyección.
en el trazo ECG, marcó el camino a seguir para
la realización del algoritmo de detección del PROYECCION DE UNA RELACION
complejo QRS, por lo que, nos introduciremos a BORROSA:
las nociones básicas de estas relaciones borrosas La función de membresía:
(grafos borrosos). (1)
µ ℜ ( x ) = V µ ℜ ( x, y )
~ y ~
DEFINICION: Consideremos dos conjuntos E1 Define la "primera proyección" de ℜ .
y E 2 ; designemos por x a un elemento de E1 , ~
La función de membresía:
y por y a un elemento de E 2 . El conjunto de
pares ordenados (x,y) define el conjunto ( 2)
(2 ) µ ℜ ( y ) = V µ ℜ ( x , y)
producto E1 x E 2 . ~ x ~
El subconjunto borroso G tal que: Define la “segunda proyección” de ℜ .
~ ~
∀(x, y )∈ E1 x E 2 : µ G (x, y) ∈ M, Tal como se ilustra en figura 2.
~ 1a
donde M es el conjunto de membresía de E1 y y1 y2 y3 y4 proyección

E 2 , se denomina grafo borroso. Por ejemplo: x1 0.1 0.2 1 0.3 1

E1 = { x1 , x 2 , x3} y E 2 = { y 1 , y 2} x2 0.6 0.8 0 0.1 0.8

E1 x E 2 = {( x1 , y1 ), ( x1 , y 2 ), ( x 2 , y1 ), x3 0 1 0.3 0.6 1
( x 2 , y 2 ), ( x3 , y1 ), ( x3 , y 2 )} x4 0.8 0.1 1 0 1
Por lo que para simplificar la escritura se
establece: x5 0.9 0.7 0 0.5 0.9

µ( xi , y j ) = µ G ( xi , y j ), i = 1, 2, 3, j = 1, 2. x6 0.9 0 0.3 0.7 0.9

~
Que se llama “valor” del par ordenado (xi, yi).
Sea, por ejemplo: 2a 0.9 1 1 0.7 N
proyección proyección
µ ( x1 , y1 ) = 0.3, µ ( x1 , y 2 ) = 0.7, global
µ ( x 2 , y1 ) = 1, µ ( x 2 , y 2 ) = 0, Figura 2: Definición de proyecciones en un
grafo bidimencional.
En forma analítica la primera proyección del H ( z ) = (1 − z − M )(1 + z −1 ) L
grafo borroso anterior esta definida por:

(1) El termino (1 − z − M ) efectúa la acción

µ ℜ ( x ) = V µ ℜ ( x, y )
y ~
derivativa, y el (1 + z −1 ) realiza la acción paso
L
~
(1)
µ ℜ ( x1) = V µ ℜ ( x1 , y ) = Max [ 0.1,0 .2,1,0 .3] = 1 bajo. Los parámetros M y L ajustan los límites
~ y ~
(1)
de banda de paso.
µ ℜ ( x2 ) = V µ ℜ ( x2 , y) = Max[ 0.6 ,0 .8, 0, 0.1] = 0. 8 La etapa de transformación no lineal tiene
~ y ~
el principal objetivo de obtener un pico por cada
…………… QRS, de modo que pueda usarse un detector de
(1)
µ ℜ ( x 6 ) = V µ ℜ ( x 6 , y ) = Max [ 0. 9, 0, 0. 3,0 .7 ] = 0.9 pico basado en un umbral para determinar la
~ y ~
posición de los QRS. Debido a que dicho
2.2. ALGORITMO PARA LA DETECCION umbral no puede ser fijo (debe de ser
DEL COMPLEJO QRS. adaptativo), esto debido a que no existe una
La detección de los complejos QRS es una parte uniformidad en las amplitudes de los
esencial en cualquier sistema de análisis de la potenciales electrocardiograficos recogidos en
señal ECG. Esto debido tanto a la información la superficie del cuerpo, si no que varían según
directa que de él se obtiene (ritmo cardiaco) la edad, sexo, estado de animo, antecedentes
como a la posibilidad de, una vez conocida la clínicos y algunas otras características del
localización de un latido cardiaco, realizar paciente formando estrictamente umbrales con
medidas sobre él. fronteras borrosas. En el algoritmo desarrollado
El algoritmo desarrollado tiene la estructura no se considera la etapa de transformación no
de un detector no sintáctico para implementarse lineal debido a que en la etapa de regla de
por software, tal como se muestra en al figura 3, decisiones no se detecta la posición del QRS a
sin la etapa de transformación no lineal. traves de detección de picos , si no a través de
zonas con mayor densidad.
PREPROCESADO
La regla de decisión empieza por tomar el
trazo Y(k) (salida de la etapa de filtrado lineal),
ECG(k) Filtrado Y(k) Transformación Z(k) regla de y convertirla en un subconjunto borroso al cual
lineal no lineal decisión se le pueda aplicar operaciones y relaciones
borrosas, Dicho algoritmo es descrito por el
diagrama a bloques mostrado en la figura 4, el
Figura 3: Diagrama a bloques de un detector no
sintáctico. cual contiene cada una de las siguientes etapas.

1).- (Normalización); a las amplitudes de cada

El propósito de la etapa de procesado es realzar una de las muestras del trazo Y(k) se les asigna
el QRS y suprimir el ruido y los artefactos. El un valor entre -1 y 1, tomando como referencia
filtrado lineal que clásicamente se aplica a la cero la línea basal, convirtiéndolo así en un
señal ECG consta de un derivador y un filtro subconjunto borroso, tal como se muestra en la
pasa bajo, formando ambos un filtro LPD y que figura 3.
se realiza bien con los dos filtros en cascada o
con uno solo que realiza ambas tareas. El filtro
derivador pretende realzar las componentes de
mayor frecuencia del ECG, que son las del
complejo QRS (entre 5 y 30 Hz ) (3 ) . Este filtro
también realza el ruido de alta frecuencia y por
ellos se aplica después un filtro pasa bajo que
reducirá este efecto.
El filtro LPD resultante debe enfatizar el
QRS, aunque sea de baja amplitud, y atenuar las
ondas P y T (componentes espectrales entre
0.05 y 8 Hz) para evitar detectarlas como QRS.
Por otro lado, a altas frecuencias deben evitar
los artefactos de movimiento, pero no los QRS Figura 3.- Generación de un subconjunto
de alta frecuencia. El tipo de filtros borroso a partir de un trazo ECG.
clásicamente usados son FIR de fase lineal,
donde su función de transferencia en Z es de la
forma:
 FILTRADO LINEAL PREPROCESADO
(LPD)

NORMALIZACION

S1 = SUMA DE GRADOS BORROSOS DE PM1+PM1A+PM1S:

FRACMENTACION PM1 = PAQUETE QUE CONTIENE A “M1” R
PM1A = PAQUETE QUE ANTECEDE A “PM1” E
PM1S = PAQUETE QUE PRECEDE A “PM1” G
ESTRUCTURACION EN L
FORMA DE GRAFO
A
S2 = SUMA DE GRADOS BORROSOS DE PM2+PM2A+PM2S:

CALCULO DE LA 1 ra
PM2 = PAQUETE QUE CONTIENE A “M2” D
PROYECCION PM2A = PAQUETE QUE ANTECEDE A “PM2” E
PM2S = PAQUETE QUE PRECEDE A “PM2”
D
LOCALIZACION DEL 1 er E
MAXIMO DE LA 1 ra C
PROYECCION (M1) SI NO
I
S1 > S2
S
LOCALIZACION DEL 2 I
do MAXIMO DE LA 1ra M1 = ONDA M2 = ONDA O
PROYECCION (M2) “R” “R” N

ONDA “Q” = DEL PRIMER CAMBIO DE SIGNO + -, AL ONDA “R” = DEL PRIMER CAMBIO DE
PRIMER CAMBIO DE SIGNO - +, QUE ANTECEDE A M SIGNO + -, QUE ANTECEDE A M1 o M2
AL PRMER CAMBIO DE SIGNO + -,
QUE PRECEDE A M1
ONDA “S” = DEL PRIMER CAMBIO DE SIGNO + - , AL
PRIMER CAMBIO DE SIGNO - +, QUE PRECEDE A M

Figura 4.- Diagrama a bloques del algoritmo para la detección del complejo QRS en trazo ECG.

resultando el siguiente subconjunto borroso. Por lo tanto si analizamos paquetes de X

Y(k)(borroso) = { 0, 0, 0, 0.02, 0.04, 0.09,
0.12, 0.15, ....….. , 0, 0.01, -0.05, -0.09, -0.05,
0.12, 0.023, 0.12, 0.23, 0.34, 0.45, 0.67, …….
,0.012, 0.03 , 0.12, 0.22, 0.30, 0.22, 0.12, 0.12,
0.03, 0.012 }.
2).- (Fragmentación); Se divide el trazo
Y(k)(borroso) en fragmentos de 10 mseg.
Para determinar los 10 mseg en los cuales se
detectaran propiedades y características de la
señal se utilizara la siguiente relación:
fm (frec. demuest.) ------------ 1 seg.
X ---------------------- 10 mse
muestras es lo mismo que analizar periodos de
10 mseg.
3).- Formar la estructura matricial de un grafo
borroso (aun sin serlo por definición), con el
número de columnas igual al número de
muestras dadas en el paso anterior, tal
como se muestra en la figura 5.
4).- Calcular la primera proyección de la
representación matricial resultante del paso
anterior, tal como se muestra en la figura 5.
5).- Encontrar el máximo de la primera
proyección (M1).
 1a
0 1 2 3 4 5 6 . . . X proyección

P1 0 0 0 0.02 0.04 0.09 0.012 0.045 0.062 0.18 0.20 0.20

P2 0.28 0.22 0.15 0.12 0.09 0.04 0.02 0 0 0 0 0.28

P3 0 0 .01 -0.05 -0.09 -0.05 0.12 0.023 0.12 0.23 0.34 0.45 0.45

P4
. 0.892
.
.
P n-3 0 0 0 0 0 0.001 0.022 0.045 0.056 0.067 0.089 0.089

P n-2 0.097 0.11 0.15 0.22 0.25 0.30 0.31 0.30 0.25 0.22 0.15 0.31

P n-1 0.11 0.097 0.089 0.067 0.056 0.045 0.022 0.01 0 0 0 0.11

2a
proyección 0.28 0.22 0.15 0.22 0.25 0.30 0.31 0.30 0.25 0.34 0.45 0.892

proyección global

Figura 5.- Representación en forma de grafo borroso de Y(k).

6).- Sin tomar en cuente el máxima del paso
anterior encontrar el segundo máximo de la
primera proyección (M2).
7).- Sumar los grados borroso de los paquete
en los cuales se encuentra el primer máximo
(M1), con su antecesor y sucesor.
8).- Sumar los grados borrosos de los paquetes
en los cuales se encuentra el segundo máximo
(M2), con su antecesor y sucesor.
9).- Comparar las sumas anteriores y donde se
encuentre el valor mayor, en esa zona se
encuentra la onda "R" del complejo QRS.
10).- Definición del intervalo de la onda Q.
11).- Definición del intervalo de la onda S.
seleccionado un conjunto de η latidos
pertenecientes al comienzo de los registros de
10 cintas de Holter y se han medido
automáticamente con el algoritmo desarrollado,
donde se ha observado en forma preliminar que
la etapa de toma de decisiones usada en este
algoritmo es mas lenta en ejecución que las que
utilizan comparadores con umbrales, pero en
tiempo total el algoritmo es mas rápido que
aquellos que utilizan la etapa de transformación
no lineal dado que para detección del QRS, la
transformación mas común es. (5 )
n

El obtener la suma del paquete en el cual se
encuentra el primer máximo con su antecesor y
sucesor y la suma del paquete en el cual se
encuentra el segundo máximo con su antecesor
y sucesor y comparar dichas sumas para
determinar donde se encuentre la mayor, es la
forma de localizar la zona del grafo donde se
encuentra la mas alta concentración de energía,
lo cual lleva al localizar la onda "R" del
complejo QRS. Para asegurar que el
procedimiento anterior no identifique cualquier
otra onda del trazo ECG (onda P o T) que tenga
algún pico alto de amplitud, la etapa de filtrado
lineal debe de realizarse lo mas ideal posible es
decir debe realzar los componentes del
complejo QRS (entre 5 y 30 Hz), y atenuar las
componentes espectrales de las ondas P y T
(entre 0.05 y 8 Hz).
3. COMETARIOS FINALES.
Para evaluar la bondad del algoritmo
desarrollado, se han comparado medidas
realizadas manualmente por un experto con las
obtenidas automáticamente. Para ello se han
∑ y (k ) h (n − k )
2
z ( n) = e
k = n − N +1
donde h (n) es la respuesta impulsional de un
e
filtro de duración N muestras. La señal y (n )
puede ser el ECG original o después de un
procesado lineal como el expuesto en este
trabajo. La salida z (n ) es, en alguna medida la
energía de las señales de corta duración (menos
de N muestras). Lo anterior debido a que en el
algoritmo propuesto no se considera una etapa
de transformación no lineal, por lo que el
tiempo invertido para esta tarea no se gasta.
4. REFERENCIAS.
[1] Webster J.G., Enciclopedia of Medical
Devices and Instrumentation, John Wiley &
Sons, New York., (1988).
[2] A. KAUFMANN, Introducción a la Teoría
de Subconjuntos Borrosos, México, Ed.
Continental S.A de C.V., 491 pags., 1982.
 [3] Thakor N.V., Webster J. G. y Tompkins
W.J., Estimation of QRS complex Power
Spectrum for Design of a QRS folter., IEEE
Trans. Biomed. Eng., vol BME-31, n. 11, pp.
702-706.

[4] P. LAGUNA LASSAOSA, Nuevas Técnicas

de Procesado de Señales Electrocardiográficas:
Aplicación a Registros de Larga Duración.,
Tesis Doctoral, Universidad Politécnica de
Cataluña – CSIC, España, 277 pags. 1990.

[5] Pahlm O. y Sornmo L., Sofware QRS

Detection in Ambulatory Monitoring a Reviw.,
Med. & Biol. Eng. & Comp., Vol. 22, pp 289-
297.

View publication stats