1003235799
Análisis Exploratorio de Señales de
Electrocardiograma APNEA
Rafael Torrenegra Hernandez
Resumen - Este estudio aborda el análisis de señales de
electrocardiograma (ECG) utilizando datos de la base de datos
PhysioNet. El objetivo principal es realizar un análisis
exploratorio y calcular medidas estadísticas clave para
comprender las características y la variabilidad de las señales de
ECG. El conjunto de datos, compuesto por 70 registros, se divide
en conjuntos de aprendizaje y prueba, con anotaciones de apnea y
anotaciones QRS generadas por máquina.
El proceso de análisis incluye la carga de datos, la visualización
de 10 segundos de derivaciones de ECG, y el cálculo de medidas
estadísticas como la media, mediana, desviación estándar, moda,
varianza y rango intercuartil. Además, se explora la presencia de
apnea utilizando anotaciones proporcionadas y se investiga el
algoritmo Pan-Tompkin para la detección de complejos QRS.
Los resultados se organizan en una tabla que resume las
medidas estadísticas para cada sujeto, proporcionando una visión
integral de la variabilidad en las señales de ECG. Este análisis
busca contribuir a la comprensión de las características
fundamentales de las señales de ECG y su aplicabilidad en el
contexto clínico.
.
Índice de Términos - ECG (Electrocardiograma), Medidas
Estadísticas, PhysioNet, Anotaciones de Apnea
I. INTRODUCCION
E n el ámbito de la investigación biomédica, el análisis
detallado de señales electrocardiográficas (ECG) desempeña un
papel crucial para comprender la dinámica eléctrica del corazón
y sus implicaciones clínicas. En este contexto, el presente
estudio se centra en la exploración y evaluación de datos de
ECG utilizando la rica base de datos proporcionada por
PhysioNet. Este repositorio de acceso público se ha convertido
en una invaluable fuente de información para investigadores y
desarrolladores de algoritmos en el campo de la fisiología.
El objetivo fundamental de este análisis es llevar a cabo un
examen exhaustivo de las características de las señales de ECG,
abordando aspectos como la variabilidad, tendencias y patrones
específicos. Para lograr esto, se emplearán técnicas de
visualización y cálculos estadísticos sobre segmentos
seleccionados de las señales, permitiendo una comprensión más
1
profunda de la complejidad inherente a las actividades
eléctricas cardíacas.
El estudio también incluye la aplicación de medidas estadísticas
clave, tales como media, mediana, desviación estándar, moda y
otras, para caracterizar la distribución y comportamiento de las
señales de ECG. La detección de apnea, respaldada por
anotaciones proporcionadas, y la investigación del algoritmo
Pan-Tompkin para la identificación automática de complejos
QRS en las señales, agregan capas adicionales de análisis y
contextualización clínica.
II. CARACTERÍSTICAS CLINICAS DE LA SEÑAL ECG
• Los registros varían en duración desde poco menos de 7
horas hasta casi 10 horas cada uno, por lo cual se
proporciona una amplia perspectiva de la actividad
cardiaca a lo largo del tiempo.
• La base de datos se divide en conjuntos de aprendizaje y
prueba, cada uno compuesto por 35 registros. Esta división
facilita la evaluación y validación de algoritmos y métodos
de análisis.
• Los datos de ECG se presentan en archivos .dat con una
resolución de 16 bits por muestra, 100 muestras por
segundo y un formato de 200 unidades analógicas por
milivoltio.
• Cada registro incluye anotaciones de apnea, que indican la
presencia o ausencia de apnea en cada minuto. Además, se
proporcionan anotaciones QRS generadas por máquina,
aunque se advierte que pueden contener errores y necesitar
correcciones.
• Dada la diversidad de duración de los registros, se espera
una variabilidad en la duración de los complejos QRS,
permitiendo un análisis comprehensivo de las
características de la actividad eléctrica ventricula.
 1003235799 2

III. ANÁLISIS EXPLORATORIO DE LA SEÑAL

El análisis exploratorio tiene como objetivo examinar las
características estadísticas de señales electrocardiográficas
(ECG) obtenidas de diferentes registros. Se cargaron 10 • Señal #4
registros de pacientes para evaluar la variabilidad y
comportamiento de la señal durante segmentos de 10 segundos.
A continuación, se presenta una representación visual de
algunas señales de ECG de 10 segundos, destacando la
diversidad de formas de onda y patrones observados.

• Señal #1:

• Señal #5

• Señal #2

• Señal #6
• Señal #3
 1003235799 3

• Señal #7 • Señal #10

Ilustraciones: Graficas Propias del autor desde Matlab

• Señal #8
A continuación se presentan las medidas estadísticas clave para
la señal de ECG de cada sujeto después de realizar el ajuste del
nivel de offset, centrando así la señal alrededor de cero.

• Señal #9

Los resultados indican que, después de ajustar el offset, la señal

de ECG de cada sujeto está centrada alrededor de cero, lo que
facilita la comparación y el análisis. Las medidas estadísticas,
como la media, mediana, desviación estándar y otras,
proporcionan información valiosa sobre la tendencia central, la
dispersión y la forma de la distribución de cada señal. Aunque
en la otra tabla (con offset) las variaciones son mínimas, es decir
que centrar la señal en este caso no generara cambios
significativos.
.
 1003235799 4

IV. ALGORITMO PAN-TOMPKIN PARA LA DETECCIÓN DE VI. REFERENCIAS

COMPLEJOS QRS.
[1] Goldberger, A., Amaral, L., Glass, L., Hausdorff, J.,
El algoritmo Pan-Tompkins, ampliamente utilizado en la Ivanov, P. C., Mark, R., ... y Stanley, H. E. (2000).
detección automática de complejos QRS en señales de PhysioBank, PhysioToolkit y PhysioNet: Componentes de un
electrocardiograma (ECG), sigue una serie de pasos para lograr nuevo recurso de investigación para señales fisiológicas
su eficacia. Primero, se realiza un preprocesamiento que complejas. Circulación [en línea]. 101 (23), págs. E215-E220.
incluye la aplicación de un filtro pasa banda para resaltar las
frecuencias relevantes, el cálculo de la derivada para destacar [2] N. V. Thakor, J. G. Webster, and W. J. Tompkins,
las pendientes asociadas con los complejos QRS y la elevación "Design, im plementation, and evaluation of a
al cuadrado para enfatizar características específicas. microcomputer-based portable arrhythmia monitor," Med.
Luego, se procede a la umbralización, utilizando un umbral Biol. Eng. Comput., vol. 22, pp. 151- 159, 1984.
adaptativo basado en la amplitud local para identificar regiones
potenciales de complejos QRS. Se implementa un paso
adicional para la detección y reducción de ruido, minimizando
falsos positivos. La identificación de picos es crucial, lograda
mediante la búsqueda de picos que superan el umbral adaptativo
y técnicas específicas para ubicarlos con precisión.
Posteriormente, se lleva a cabo un refinamiento temporal para
ajustar la ubicación de los picos y mejorar la precisión temporal
del algoritmo. Finalmente, en el postprocesamiento, se eliminan
detecciones redundantes, se fusionan complejos QRS cercanos
y se verifica la consistencia temporal, eliminando detecciones
improbables.

Las ventajas clave del algoritmo Pan-Tompkins incluyen su

adaptabilidad robusta a variaciones en la morfología de la señal
ECG, su eficiencia y precisión en la detección con bajos falsos
positivos, así como su implementación sencilla y amplia
aplicabilidad clínica. En conjunto, este algoritmo proporciona
una herramienta confiable para la identificación automática de
complejos QRS, contribuyendo significativamente a la
interpretación clínica de señales de electrocardiograma.

V. CONCLUSIÓN

Durante la exploración de señales de electrocardiograma (ECG)

en la base de datos de PhysioNet, se aplicó un enfoque que se
centró en la manipulación del nivel de offset sin recurrir a la
normalización. Este ajuste permitió comparaciones
significativas entre diferentes sujetos, resaltando variaciones
sustanciales en medidas estadísticas clave como media,
mediana, desviación estándar, entre otras. La gestión del offset
proporcionó una perspectiva clara de las características
distintivas en la actividad cardíaca individual, subrayando la
relevancia de enfoques personalizados en el análisis de señales
biomédicas. Estos hallazgos tienen implicaciones importantes
para futuras investigaciones clínicas y la identificación de
patrones específicos en la actividad cardíaca de pacientes.