Tema 1

Tema 1
Herramientas de Análisis en el
Dominio del Tiempo
AmpTDSB – Tema 1: Herramientas de Análisis en el Dominio del Tiempo. Profesor: Doroteo Torre Toledano
Contenidos
1. Herramientas de Análisis en el Dominio del Tiempo
1.1 Introducción
1.2 Detección de picos
1.3 Reducción de ruido de alta frecuencia
1.4 Eliminación de continua y derivas de baja frecuencia
1.5 Métodos basados en derivadas
1.6 Indicadores de actividad: RMS y ZCR
1.7 Análisis de correlación y comparación de patrones
1.8 Filtros adaptados
2
Bibliografía
Rangaraj M. Rangayyan (2015), “Biomedical Signal Analysis”,

IEEE Press, Wiley; 2nd Edition.
- Secciones 4.3, 4.4, 4.6 y 5.6
Blinowska-Cieślak, & Zygierewicz, J. (2022). Practical

biomedical signal analysis using MATLAB. CRC Press; 2nd
Edition.
- Sección 3.1.3: MATLAB demo: improving the SNR of QRS

complex in ECG
3
1.1. Introducción
⚫ Las señales biomédicas contienen información de eventos
fisiológicos
⚫ La parte de la señal relacionada con un evento de interés se
denomina época (epoch)
⚫ El análisis de una señal biomédica requiere:
• 1) Identificar la época, la parte de la señal de interés
• 2) Analizar la parte de la señal de interés
• 3) Correlacionar los resultados del análisis con los eventos fisiológicos
⚫ En la primera parte de la asignatura vamos a analizar:

• 1) Herramientas de detección en el dominio del tiempo
• 2) Herramientas de detección en el dominio de la frecuencia
• 3) Modelos y métodos para detección de eventos
4
⚫ Uno de los problemas más típicos es la detección de picos
⚫ Ejemplo: Detección del pico en el complejo QRS en la señal de
ECG
• Dado que el pico R es muy prominente, parece sencillo buscar los
máximos de la señal
Imagen de Wikimedia Commons
5
⚫ Un pico es un máximo (o mínimo) local

• Una muestra mayor que sus vecinas
• En MATLAB se pueden encontrar con la función findpeaks
6
1.2 Detección de picos: Limitaciones
⚫ Problemas habituales en la detección de picos:

• Picos espurios
• Por ejemplo, producidos por ruido aditivo
• También por partes no deseadas (ej. P, T en ECG)
• Habitualmente son más pequeños
• Una posible solución es filtrar por la prominencia del pico
• Altura entre el máximo y mínimos locales próximo
• En MATLAB se consigue con la propiedad 'MinPeakProminence'
7
⚫ Las señales biomédicas digitales provienen

habitualmente de señales analógicas (ej. tensiones)
⚫ E incluyen ruido
⚫ Ejemplo:
• A) Deriva
• B) Ruido de 50Hz
• C) Ruido
electromiográfico
Imagen reproducida de:

Maggio, Ana & Bonomini, María &
Laciar, Eric & Arini, Pedro. (2012).
Quantification of Ventricular
Repolarization Dispersion Using Digital
Processing of the Surface ECG.
10.5772/23050.
8
⚫ En muchas ocasiones el ruido tiene componentes de

altas frecuencias (respecto a las frecuencias de la señal)
Imagen de: Jerard, V. & Thilagaraj, M. & Kadarkarai, Pandiaraj & Easwaran, M. & Govindan, Dr.
Petchinathan & Vellaiappan, Elamaran. (2021). Reconfigurable Architectures with High-Frequency
Noise Suppression for Wearable ECG Devices. Journal of Healthcare Engineering. 2021. 1-12.
10.1155/2021/1552641.
9
⚫ Para eliminar el ruido de alta frecuencia existen distintas

técnicas:
⚫ La más directa es un filtro paso bajo:
Reproducción “Design of Analog Filters”, Schaumann & van Valkenburg
⚫ Es necesario escoger la frecuencia de corte para que:

• La mayor parte de las frecuencias de la señal se conserven
• Y se elimine la mayor parte del ruido
10
⚫ En algunas ocasiones el ruido está a una frecuencia muy

específica (ej. ruido de red a 50 Hz)
⚫ En esos casos se puede usar un filtro notch
Imagen de Documentación MATLAB
11
⚫ A veces es suficiente emplear filtros más sencillos…

⚫ Filtro de media móvil:
𝑁
1
𝑦𝑛 = ෍ 𝑥[𝑛 − 𝑘]
𝑁+1
𝑘=0
⚫ Filtro de media móvil ponderada:
𝑁
𝑦 𝑛 = ෍ 𝑏𝑘 𝑥[𝑛 − 𝑘]
𝑘=0
• Coeficientes 𝑏𝑘 pueden dar más peso a la muestra central
⚫ Ambos son filtros lineales (FIR) paso bajo
⚫ Ventajas: Muy sencillos de implementar y entender
⚫ Inconvenientes:
• Pueden suavizar demasiado máximos, mínimos y pendientes
• Generan muestras que no aparecían en la señal
12
⚫ A veces es suficiente emplear filtros más sencillos…

⚫ Filtro de mediana:
𝑦 𝑛 = 𝑀𝑒𝑑𝑖𝑎𝑛 𝑥 𝑛 , 𝑥 𝑛 − 1 , … , 𝑥[𝑛 − 𝑁]
• La mediana se calcula ordenando los valores de menor a
mayor y tomando el valor en el centro
⚫ No es un filtro lineal
⚫ Ventajas:
• Muy sencillo de implementar y entender
• Siempre generan muestras que aparecen en la señal
• Son más robustos frente a cambios bruscos de la señal
⚫ Inconvenientes:
• Pueden eliminar totalmente picos muy rápidos
• Aunque esto es una ventaja si son debidos al ruido
13
⚫ Comparación de filtro de media y de mediana
• Rojo: señal sin ruido

• Negro: señal con ruido
• Verde: filtro de media (difumina los cambios bruscos)
• Azul: filtro de mediana (conserva los cambios bruscos)
Imagen de: Mittner, Matthias & Schrobsdorff, Hecke & Herrmann, J.. (2009). Denoising and Averaging
Techniques for Electrophysiological Data. 10.1007/978-0-387-93797-7_9.
14
1.4 Eliminación de continua y derivas de baja
frecuencia
⚫ Las señales biomédicas digitales provienen

habitualmente de señales analógicas (ej. tensiones)
⚫ E incluyen ruido
⚫ Ejemplo:
• A) Deriva
• B) Ruido de 50Hz
• C) Ruido
electromiográfico
Imagen reproducida de:

Maggio, Ana & Bonomini, María &
Laciar, Eric & Arini, Pedro. (2012).
Quantification of Ventricular
Repolarization Dispersion Using Digital
Processing of the Surface ECG.
10.5772/23050.
15
frecuencia
⚫ La continua y las derivas son componentes de muy baja

frecuencia
⚫ Se suelen reducir mediante filtros paso alto o paso banda
que eliminen las frecuencias muy bajas
• Dejando pasar las frecuencias deseadas de la señal
Reproducción “Design of Analog Filters”, Schaumann & van Valkenburg
16
frecuencia
⚫ Si tenemos una componente continua constante es

posible eliminarla mediante sustracción de media
• Puede ser sobre la media
𝑛
global (no es en tiempo real)
𝑚𝑎𝑥
1
𝜇= ෍ 𝑥[𝑛] , xac n = x n − μ
(𝑛𝑚𝑎𝑥 − 𝑛𝑚𝑖𝑛 + 1)
𝑛=𝑛𝑚𝑖𝑛
• O también puede restarse la media móvil de las últimas N+1
muestras (es en tiempo real)
𝑁
1
𝜇[𝑛] = ෍𝑥 𝑛−𝑘 , xac n = x n − μ[𝑛]
𝑁+1
𝑘=0
• Esta segunda versión, además de ser en tiempo real permite
adaptarse a variaciones lentas de la media, es decir, a
derivas de baja frecuencia
17
frecuencia
⚫ La deriva también se puede reducir empleando un

modelo matemático para modelar las derivas de baja
frecuencia y restarlas de la señal
• Ejemplo: modelar las derivas con un ajuste polinómico de
orden bajo y restar dicho ajuste polinómico
• Puede hacerse con polyfit y polyval de MATLAB
18
⚫ La primera derivada mide la pendiente de la señal

⚫ La segunda mide la concavidad o convexidad
⚫ A veces resulta interesante emplearlas para detectar
eventos en los que resalten pendientes elevadas o
concavidad o convexidad
⚫ Las señales que manejamos suelen ser discretas
⚫ Por ello se usan aproximaciones discretas a las derivadas
⚫ Primera derivada en tiempo discreto:
1
𝑦 𝑛 = 𝑥 𝑛 − 𝑥[𝑛 − 1]
𝑇
• Donde 𝑇 es la separación en tiempo entre muestras (el
periodo de muestreo)
• Si no nos interesan los valores absolutos se puede omitir
𝑦 𝑛 = 𝑥 𝑛 − 𝑥[𝑛 − 1]
19
⚫ Las derivadas amplifican el ruido de alta frecuencia

• Son filtros paso alto
• Esto es indeseable en muchas ocasiones
⚫ Una solución es aplicar una media móvil tras la derivada
• Por ejemplo, si promediamos dos muestras de la derivada (y
multiplicamos por 2 para evitar constantes):
𝑦 𝑛 + 𝑦 𝑛 − 1 = 𝑥 𝑛 − 𝑥[𝑛 − 1] + 𝑥 𝑛 − 1 − 𝑥[𝑛 − 2]
= 𝑥 𝑛 − 𝑥[𝑛 − 2]
• Si promediamos 𝑀 muestras, el resultado es proporcional a
𝑥 𝑛 −𝑥 𝑛−𝑀
⚫ De este modo la primera derivada seguida de una media
móvil de 𝑀 muestras es proporcional a:
𝑦0 𝑛 = 𝑥 𝑛 − 𝑥 𝑛 − 𝑀
• Ajustando 𝑀 variamos el grado de suavizado
20
⚫ Segunda derivada: se obtiene aplicando dos veces la

fórmula de la primera derivada
• Si la primera derivada la hemos calculado como
𝑦0 𝑛 = 𝑥 𝑛 − 𝑥 𝑛 − 𝑀
• La segunda derivada sería:
𝑦1 𝑛 = 𝑦0 𝑛 − 𝑦0 𝑛 − 𝑀 =
= 𝑥 𝑛 − 𝑥 𝑛 − 𝑀 − 𝑥 𝑛 − 𝑀 − 𝑥 𝑛 − 2𝑀 =
= x n − 2x n − M + x n − 2M
• De nuevo variando M variamos el grado de suavizado
21
⚫ Ejemplo: Detección del complejo QRS empleando

derivadas
• El complejo QRS tiene las pendientes más elevadas del ECG
• También tiene las zonas más con concavidad y convexidad
más acusadas (variación rápida de pendientes)
22
⚫ Ejemplo: Detección del complejo QRS empleando

derivadas
• El método de Balda et al. [198] propone emplear una
combinación del valor absoluto de las derivadas
• Dado que buscamos valores elevados, positivos o negativos
𝑦0 𝑛 = 𝑥 𝑛 − 𝑥 𝑛 − 2
𝑦1 𝑛 = x n − 2x n − 2 + x n − 4
𝑦2 𝑛 = 1.3𝑦0 𝑛 + 1.1𝑦1 [𝑛]
23
⚫ Ejemplo:
Detección del
complejo QRS
empleando
derivadas
Imagen de Rangaraj M. Rangayyan,

“Biomedical Signal Analysis”
24
⚫ Ejemplo: Algoritmo de Pan-Tomkins para detección de

complejos QRS
• Se trata de un algoritmo en tiempo real
• Emplea pendientes, amplitudes y anchuras de picos QRS
• Tiene la siguiente estructura básica
• Opera con una frecuencia de muestreo de 200Hz
• Además, emplea:
• Umbral adaptativo
• Búsqueda hacia atrás para reevaluar resultados
25

complejos QRS
• Filtro paso bajo:
• Frecuencia de corte: 11 Hz
• Retardo: 25 ms.
• Atenuación superior a 35 dB a 60Hz (elimina ruido de red)
• Filtro paso alto:

• Frecuencia de corte: 5 Hz.
• Retardo: 80 ms.
26

complejos QRS
• Operador derivativo:
• Aproxima la derivada hasta unos 30 Hz

• Aumenta QRS (alta pendiente) y atenúa P, T (baja pendiente).
27

complejos QRS
• Respuesta en frecuencia de los filtros y derivación

28

complejos QRS
• Ejemplo de resultado del algoritmo

29

complejos QRS
• Operador cuadrático: 𝑦 𝑛 = 𝑥 2 [𝑛]
• Hace que todos los valores sean positivos (pendientes positivas y
negativas)
• Aumenta grandes pendientes (QRS) y atenúa pequeñas (P,T).
• Integración:
• Es una media móvil
• Trata de conseguir que sólo aparezca un pico en el QRS (sin
media móvil aparecían varios)
• Encuentran un óptimo de 𝑁 = 30 para 200 Hz.
30

complejos QRS
• Umbral adaptativo:
• Adapta los umbrales de detección de complejos QRS
• Basándose en los valores previos de picos
• Detectados como complejos QRS
• Detectados como ruido
• Búsqueda hacia atrás:
• Emplea la distancia promedio entre los últimos 8 latidos
• Basándose en umbrales para tiempos entre latido relativos a la
distancia anterior
• Determina si se ha perdido algún latido previo
• Si así es marca un pico anterior como QRS en lugar de ruido
• El algoritmo QRS consigue una tasa de error de 0.68%
31
⚫ Ejemplo: Detección de la incisura dícrota en la onda de

presión aórtica
• La incisura dícrota (dicrotic notch) separa la sístole de la
diástole en la onda de presión aórtica
• Aparece como una abrupta y corta reducción de presión
(por el cierre de la válvula aórtica)

32

presión aórtica
• Para detectarla podemos basarnos en la segunda derivada
• En particular, buscamos valores altos y positivos
• Un método propuesto por Lenher y Rangayyan consiste en
emplear esta aproximación a la segunda derivada:
• Y posteriormente elevarla al cuadrado y aplicar una media

móvil ponderada:
33

presión aórtica

34
⚫ Si consideramos las muestras de una señal 𝑥 𝑛 como las

muestras de una variable aleatoria 𝑋
⚫ Su varianza representa una medida del grado de
variación de la señal respecto a la media, 𝜇𝑋
𝜎𝑋2 = 𝐸[ 𝑋 − 𝜇𝑋 2 ]
⚫ Si la señal tiene media 0 (o se ha eliminado la
componente continua), la varianza queda como:
𝜎𝑋2 = 𝐸[𝑋 2 ]
⚫ Para poder expresarlo en las mismas unidades que la
señal se toma la desviación estándar, 𝜎𝑋 , como la raíz
cuadrada
𝜎𝑋 = 𝐸[𝑋 2 ]
35
⚫ Si volvemos a la notación de la señal 𝑥 𝑛 original, la

desviación estándar, 𝜎𝑋 , se puede aproximar a partir de
un número finito de muestras de la señal:
𝑁−1
1
𝜎𝑋 ≈ ෍ 𝑥 2 [𝑛]
𝑁
𝑛=0
⚫ Este valor se calcula como la raíz cuadrada de la media

de la señal al cuadrado, y se conoce como valor RMS
(Root Mean Square)
𝑁−1
1
𝑅𝑀𝑆 = ෍ 𝑥 2 [𝑛]
𝑁
𝑛=0
36
⚫ El valor RMS mide la potencia de la señal, y como tal es

un muy buen indicador de actividad en la señal.
• CUIDADO: Incluye potencia en continua
⚫ Se usa habitualmente para detectar zonas de actividad
en la señal (y separarlas de zonas de inactividad)
⚫ Para ello, se emplea una estimación del RMS causal
cada muestra (o cada varias muestras), basándose en las
𝑀 muestras previas
𝑀−1
1
𝑅𝑀𝑆(𝑛) = ෍ 𝑥 2 [𝑛 − 𝑚]
𝑀
𝑚=0
⚫ Así se puede dibujar el contorno de RMS (contorno de

energía o envelograma) y detectar zonas de mayor y
menor actividad
37
⚫ Una medida más simple de actividad es el Zero Crossing

Rate (ZCR)
• Es simplemente el número de veces que la señal cruza el
nivel 0
• También se puede aplicar con otro nivel
⚫ Ventajas: Extremadamente sencillo
⚫ Inconvenientes:
• Se ve afectado por nivel de continua y derivas
• También es muy sensible al ruido de alta frecuencia
⚫ Con toda su sencillez, se ha usado en:
• Detección de actividad en voz
• Detección de anomalías y soplos en fonocardiogramas
38
⚫ Una medida algo más robusta que el ZCR es la cuenta de

turnos
• Es contar el número de veces que la señal cambia de
pendiente (el número de turnos)
• Se puede hacer más robusta al ruido poniendo un umbral
para no contar turnos pequeños debidos al ruido
⚫ Ejemplo: turnos contados y no contados (umbral 100 mV)

39
⚫ Ejemplo: RMS y conteo de turnos aplicado a EMG

40
1.7 Análisis de correlación y comparación de
patrones
⚫ La Función de Correlación Cruzada (Cross-Correlation

Function, CCF) entre dos señales 𝑥[𝑛] e y[𝑛] se define
como:
𝑁
1
ℛ𝑥𝑦 [𝑘] = 𝐴 𝑥 𝑛 𝑦[𝑛 + 𝑘] = lim ෍ 𝑥 𝑛 𝑦[𝑛 + 𝑘]
𝑁→∞ 2𝑁 + 1
−𝑁
⚫ En la práctica se aproxima tomando un 𝑁 grande:
𝑁
1
ℛ𝑥𝑦 [𝑘] ≈ ෍ 𝑥 𝑛 𝑦[𝑛 + 𝑘]
2𝑁 + 1
−𝑁
• Por ejemplo, el valor de 𝑁 máximo según los valores
disponibles de las señales
41
patrones
⚫ Muchas veces interesa comparar la CCF para distintos

valores de 𝑘 y para ello el factor de normalización puede
descartarse
𝜃𝑥𝑦 𝑘 = ෍ 𝑥 𝑛 𝑦[𝑛 + 𝑘]
𝑛
⚫ Vista de esta forma, la CCF puede interpretarse como el
producto escalar de la señal 𝑥 𝑛 (considerada un vector)
con la señal 𝑦 𝑛 desplazada 𝑘 muestras hacia la
izquierda (considerada también como un vector):
𝑁
𝜃𝑥𝑦 𝑘 = 𝑥 ∙ 𝑦𝑘 = 𝑥[𝑛], 𝑦[𝑛 + 𝑘] = ෍ 𝑥 𝑛 𝑦[𝑛 + 𝑘]

𝑛=0
⚫ Es decir, como la proyección de una señal sobre la otra
desplazada
42
patrones
⚫ Por ello:
• Cuanto más se parezcan 𝑥 𝑛 e 𝑦[𝑛 + 𝑘] mayor será la CCF
• Si los máximos y mínimos de 𝑥 𝑛 e 𝑦[𝑛 + 𝑘] coinciden, la CCF
será elevada
• En cambio, si máximos de 𝑥 𝑛 coinciden con mínimos de
𝑦 𝑛 + 𝑘 , la CCF será negativa y grande
• Si los máximos y mínimos de 𝑥 𝑛 e 𝑦[𝑛 + 𝑘] no guardan
relación, la CCF tenderá a ser próxima a cero
⚫ La CCF se puede emplear para detectar ritmos
(frecuencias) comunes en dos señales
• La CCF presentará máximos separados entre sí el periodo de
los ritmos comunes
43
patrones
⚫ También podemos usar la CCF para buscar patrones en

una señal (template matching)
⚫ Para ello:
• Una de las señales contiene la señal donde buscar
• La otra señal contiene el patrón
⚫ Cuando el desplazamiento haga que el patrón se
superponga con una parte de la señal parecida al
patrón, la CCF presentará un máximo
44
patrones
⚫ Función de Autocorrelación (Auto-Correlation Function,

ACF)
• Es la función de correlación cruzada haciendo 𝑦 𝑛 =𝑥 𝑛
𝜃𝑥𝑥 𝑘 = ෍ 𝑥 𝑛 𝑥[𝑛 + 𝑘]
𝑛
• Mide la similitud de una señal con versiones desplazadas de
ella misma
• Si una señal es periódica, su ACF mostrará máximos en el
periodo fundamental y sus múltiplos (armónicos)
• Si hay partes de la señal que se repitan, aunque sea de
forma no periódica, aparecerán máximos en la ACF
• En señales no periódicas ni repetitivas la ACF disminuye
rápidamente y se hace próxima a cero en cuanto |𝑘|
aumenta unos milisegundos
45
patrones
⚫ Ejemplo: Detección de ritmos en electroencefalogramas

46
patrones
ACF of p4 channel in [4.67 − 5.81 s].

Peaks at time delays of 0.11 s and its
multiples → Inverse corresponds to 9
Hz, consistent with the α rhythm range.

47
patrones
ACF of f3 channel in [4.2 − 4.96s].

ACF shows no peak in the 0.08 − 1.25
s region, indicating absence of the α
rhythm.

48
patrones
⚫ Detección de ritmos comunes en electroencefalogramas
CCF results comparing the p3 and p4

channels over the duration 4.72−5.71 s
when both channels exhibit the α
rhythm.

49
patrones
CCF results comparing the o2 and

c4 channels over the duration
5.71−6.78 s when the former has the α
rhythm but not the latter channel.

50
patrones
CCF results comparing the f3 and f4

channels over the duration 4.13 − 4.96
s when neither channel has α activity.

51
patrones
⚫ Ejemplo: Búsqueda de eventos en señales
En este caso se busca un complejo

pico y onda (spike-and-wave)
Se usa como ejemplo (template) el que

comienza en 0.6
Se detectan bien todos los complejos

como máximos

52
1.8 Filtros Adaptados
⚫ Imaginemos que queremos detectar una forma de onda

conocida en una señal
⚫ Por ejemplo, queremos detectar el complejo QRS en un
ECG
53
⚫ Imaginemos que queremos detectar una forma de onda

conocida en una señal
⚫ Por ejemplo, queremos detectar el complejo QRS en un
ECG
⚫ Una opción sería emplear la Función de Correlación
Cruzada (CCF) con
• Una de las señales que contiene la señal donde buscar
• La otra señal contiene el patrón
⚫ Otra opción es usar un filtro adaptado (matched filter)
• El filtro adaptado es un filtro (SLI) que maximiza la salida
cuando se encuentra el patrón a buscar
• Puede operar en tiempo real para realizar detecciones
online
• Se puede demostrar que maximiza la SNR a la salida
cuando a la entrada tenemos señal + ruido blanco
54
⚫ Construcción del filtro adaptado:

⚫ Si 𝑥 𝑛 es el patrón que queremos buscar
⚫ El filtro adaptado se construye como un SLI con
ℎ 𝑛 = 𝐾𝑥[−𝑛 + 𝑛0 ]
⚫ El filtro adaptado es un SLI con respuesta al impulso igual
al patrón a buscar, pero:
• Reflejado en el tiempo
• Desplazado en el tiempo
• Y multiplicado por una constante (𝐾) (que a efectos
prácticos se puede ignorar)
55
⚫ Construcción del filtro adaptado:

⚫ Si 𝑥 𝑛 es el patrón que queremos buscar
⚫ El filtro adaptado se construye como un SLI con
ℎ 𝑛 = 𝐾𝑥[−𝑛 + 𝑛0 ]
⚫ El filtro adaptado es un SLI con respuesta al impulso igual
al patrón a buscar, pero:
• Reflejado en el tiempo
• Desplazado en el tiempo
• Y multiplicado por una constante (𝐾) (que a efectos
prácticos se puede ignorar)
56
⚫ Salida del filtro adaptado:

⚫ Cuando un filtro adaptado
ℎ 𝑛 = 𝐾𝑥[−𝑛 + 𝑛0 ]
⚫ Tiene como entrada una señal 𝑥𝑖𝑛 𝑛
⚫ La salida es la convolución entre ambas (ignorando 𝐾):
𝑦 𝑛 = 𝑥𝑖𝑛 𝑛 ∗ ℎ 𝑛 = 𝑥𝑖𝑛 𝑛 ∗ 𝑥 −𝑛 + 𝑛0 =
∞
= ෍ 𝑥𝑖𝑛 𝑚 𝑥 − 𝑛 − 𝑚 + 𝑛0 =
𝑚=−∞
∞ ∞
= ෍ 𝑥𝑖𝑛 𝑚 𝑥 −𝑛 + 𝑚 + 𝑛0 = ෍ 𝑥𝑖𝑛 𝑚 𝑥 𝑚 + (𝑛0 − 𝑛)

𝑚=−∞ 𝑚=−∞
⚫ ¡La salida es la CCF entre entrada y el patrón en 𝒏𝟎 − 𝒏!
57
⚫ Por esto, los filtros adaptados se llaman también filtros de

correlación
⚫ El filtro adaptado da salidas altas cuando en la entrada
aparezcan señales parecidas al patrón
⚫ Y bajas cuando no sean parecidas
⚫ Por ello, permite buscar patrones en una señal, igual que
con la CCF, pero con un filtro que es por definición online
⚫ Además, se puede demostrar, que el filtro adaptado

maximiza la SNR a la salida cuando el ruido a la entrada
es blanco
⚫ Los filtros adaptados son ampliamente utilizados en radar
y comunicaciones, para detectar símbolos en ruido
58
⚫ Ejemplo:

59
⚫ Ejemplo: Detección complejos pico-onda (spike and wave)

60
⚫ Ejemplo MATLAB:
⚫ Ejemplo de Matched Filters del “Practical biomedical signal
analysis using MATLAB” Sección 3.1.3: MATLAB demo:
improving the SNR of QRS complex in ECG
• Ch3_08_ecg_matched_filters.mlx
61

Tema 1

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema 1

Cargado por

Copyright:

Formatos disponibles

Tema 1

1. Herramientas de Análisis en el Dominio del Tiempo

Rangaraj M. Rangayyan (2015), “Biomedical Signal Analysis”,

- Secciones 4.3, 4.4, 4.6 y 5.6

Blinowska-Cieślak, & Zygierewicz, J. (2022). Practical

- Sección 3.1.3: MATLAB demo: improving the SNR of QRS

⚫ En la primera parte de la asignatura vamos a analizar:

Imagen de Wikimedia Commons

⚫ Un pico es un máximo (o mínimo) local

⚫ Problemas habituales en la detección de picos:

⚫ Las señales biomédicas digitales provienen

Imagen reproducida de:

⚫ En muchas ocasiones el ruido tiene componentes de

⚫ Para eliminar el ruido de alta frecuencia existen distintas

Reproducción “Design of Analog Filters”, Schaumann & van Valkenburg

⚫ Es necesario escoger la frecuencia de corte para que:

⚫ En algunas ocasiones el ruido está a una frecuencia muy

Imagen de Documentación MATLAB

⚫ A veces es suficiente emplear filtros más sencillos…

⚫ A veces es suficiente emplear filtros más sencillos…

⚫ Comparación de filtro de media y de mediana

• Rojo: señal sin ruido

⚫ Las señales biomédicas digitales provienen

Imagen reproducida de:

⚫ La continua y las derivas son componentes de muy baja

Reproducción “Design of Analog Filters”, Schaumann & van Valkenburg

⚫ Si tenemos una componente continua constante es

⚫ La deriva también se puede reducir empleando un

⚫ La primera derivada mide la pendiente de la señal

⚫ Las derivadas amplifican el ruido de alta frecuencia

⚫ Segunda derivada: se obtiene aplicando dos veces la

⚫ Ejemplo: Detección del complejo QRS empleando

Imagen de Wikimedia Commons

⚫ Ejemplo: Detección del complejo QRS empleando

Imagen de Rangaraj M. Rangayyan,

⚫ Ejemplo: Algoritmo de Pan-Tomkins para detección de

⚫ Ejemplo: Algoritmo de Pan-Tomkins para detección de

• Filtro paso alto:

⚫ Ejemplo: Algoritmo de Pan-Tomkins para detección de

• Aproxima la derivada hasta unos 30 Hz

⚫ Ejemplo: Algoritmo de Pan-Tomkins para detección de

Imagen de Rangaraj M. Rangayyan,

⚫ Ejemplo: Algoritmo de Pan-Tomkins para detección de

Imagen de Rangaraj M. Rangayyan,

⚫ Ejemplo: Algoritmo de Pan-Tomkins para detección de

⚫ Ejemplo: Algoritmo de Pan-Tomkins para detección de

• El algoritmo QRS consigue una tasa de error de 0.68%

⚫ Ejemplo: Detección de la incisura dícrota en la onda de

Imagen de Rangaraj M. Rangayyan,

⚫ Ejemplo: Detección de la incisura dícrota en la onda de

• Y posteriormente elevarla al cuadrado y aplicar una media

⚫ Ejemplo: Detección de la incisura dícrota en la onda de

Imagen de Rangaraj M. Rangayyan,

⚫ Si consideramos las muestras de una señal 𝑥 𝑛 como las

⚫ Si volvemos a la notación de la señal 𝑥 𝑛 original, la

⚫ Este valor se calcula como la raíz cuadrada de la media

⚫ El valor RMS mide la potencia de la señal, y como tal es

⚫ Así se puede dibujar el contorno de RMS (contorno de

⚫ Una medida más simple de actividad es el Zero Crossing

⚫ Una medida algo más robusta que el ZCR es la cuenta de

Imagen de Rangaraj M. Rangayyan,

⚫ Ejemplo: RMS y conteo de turnos aplicado a EMG