Disponible en línea en www.sciencedirect.

com
Reseña del artículo
Monitoreo y Análisis en Línea de Señales Bioeléctricas
Conferencia Internacional sobre Robot PRIDE 2013-2014 – Robótica e Instrumentación Médica y de rehabilitación, ConfPRIDE 2013-2014
Anas MN*, AN Norali, W. Jun
Laboratorio de Bioinstrumentación, Escuela de Ingeniería Mecatrónica, Universiti Malaysia Perlis, Arau, 02600, Malasia

Introducción
Señal bioeléctrica, en concreto; electrocardiograma (ECG), electromiograma (EMG), electroencefalograma (EEG),
electrooculograma (EOG), electrorretinograma (ERG) son las señales de medición típicas que se aplican no solo en la
aplicación clínica, sino también en el campo de la investigación. Estas señales pueden ser monitoreadas y registradas, la
actividad eléctrica de los potenciales cardíaco, muscular, cerebral y ocular, respectivamente, utilizando instrumentos o
dispositivos dedicados [1]. El documento muestra un sistema de instrumentación que pueda ser utilizado para el monitoreo y
análisis en línea de señales bioeléctricas, ECG, EMG de superficie y EEG. Se recomienda el análisis en línea para brindar una
mejor comprensión y una menor complejidad de interpretación de la información sobre el resultado de la medición en
comparación con ciertos instrumentos o dispositivos convencionales. El sistema prototipo desarrollado consta de un hardware
y un software que se explicarán con más detalle a continuación.

Métodos y Materiales
Circuito de biopotencial
Las señales bioeléctricas se amplifican utilizando una configuración de amplificador de instrumentación que a veces se
reconoce como bioamplificador. Se seleccionó el amplificador AD620 de Analog Device porque es adecuado para
instrumentación médica. Este circuito de acondicionamiento de señal se usa para amplificar la pequeña señal generada y
también para limitar el voltaje de salida a un cierto nivel que puede interactuar con el dispositivo de adquisición de datos. Se
seleccionan los valores de 300, 200 y 400 de amplificación de ganancia para ECG, EMG y EEG respectivamente. El circuito
de diseño se simula primero usando el software NI Multisim y el resultado muestra que la simulación del rendimiento del
circuito bioamplificador diseñado es bien aceptada para el propósito de esta aplicación.

Adquisición de datos y electrodos

El modelo de dispositivo de adquisición de datos (DAQ) PCI-6251 de National Instrument se utiliza para convertir la señal
analógica del circuito desarrollado en datos digitales para el uso de PC para el procesamiento posterior de la señal. Las
bioseñales se muestrean a 6000 muestras por segundo (6000 S/s) y los datos se transmiten a la computadora a través de una
conexión de interfaz de PC paralela.

Software e interfaz
El software LabVIEW se utilizo en el desarrollo de procesamiento de señales, análisis y algoritmos con interfaz de usuario. En
la sección de filtrado de señales, la frecuencia de interés para cada ECG, EMG y EEG es diferente. La frecuencia de filtrado
de ECG está en el rango de 0,05 Hz a 150 Hz, EMG está en el rango de 20-2000 Hz y EEG es de 13-30 Hz (solo frecuencia
beta). Se selecciona el filtro Butterworth IIR de tercer orden debido a su respuesta rápida y adecuado para la aplicación de
señales bioeléctricas. En este sistema también se implementa un filtro IIR con promedio móvil para suavizar la señal adicional
después de la primera etapa del filtrado de paso de banda.
Para la señal de ECG, características tales como amplitud, intervalo de tiempo de onda y también posición de tiempo de onda,
se muestran en el diagrama de bloques del algoritmo [2-4]. Fig. 1 desarrollado y utilizado para la medición de ECG.

Fig. 1. Diagrama de bloques del algoritmo de medición de señal de ECG

Existen muchas técnicas de análisis de extracción y análisis de características EMG, como en el dominio del tiempo, el dominio
de la frecuencia y también el dominio del tiempo-frecuencia. La figura 2 muestra el diagrama de bloques del algoritmo
desarrollado que calcula la frecuencia de potencia media (MNF) y la frecuencia de potencia mediana (MDF).

Fig. 2. Diagrama de bloques general del algoritmo de características EMG

La medición de la señal EEG es diferente de EMG o ECG. Muchos investigadores están interesados en la banda de frecuencia
de EEG y analizan la señal utilizando inteligencia artificial para el método de clasificación de señales [13]. La amplitud y la
frecuencia se calculan utilizando la transformada rápida de Fourier y también la densidad espectral de potencia (PSD).
Normalmente, en el análisis de EEG, los métodos de clasificación siempre se seleccionan para relacionar la actividad cerebral
con una determinada condición [5,6]. Fig. 3 muestra el algoritmo de diagrama de bloques para medir amplitud, frecuencia y
PSD de señales EEG.

Fig. 3. Diagrama de bloques general del algoritmo de características EEG

Simulación de señales bioeléctricas

Para replicar las señales bioeléctricas del ser humano se usa un simulador de hardware y software, la señal de simulación
ECG usará un hardware de simulación de señales EMG y EEG , estas señales serán simuladas usando un generador de
bioseñales. La señal digital será convertida a análoga usando el PCI-5269 y la salida del dispositivo será conectada al EMG y
EEG. La GUI esta diseñada para mostrar la medición y el análisis de la señal bioelectrica en la pantalla del PC, todos los datos
que sean tomados podrán almacenarse en el PC para su posterior análisis.

Fig. 4. El diagrama de bloques general del sistema desarrollado y las pruebas.

Evaluación del sistema

La señal simulada de frecuencia cardíaca se calcula alrededor de 78.66bpm con características de QRS, la amplitud media
ha sido identificada en menos de 6mV mientras tanto el calculado es alrededor de los 0.156s. Para las señales PR y QT el
intervalo es de 0.1s y 0.4s respectivamente.
En las siguientes figuras se muestran las interfaces graficas el usuario obtenidas para las señales ECG, EMG y EEG
respectivamente

Fig. 5. GUI de la ECG. Fig. 6. Señal EMG con espectrograma y características. Fig. 7. GUI de la señal EEG.

Discusiones
El rendimiento general del sistema de medición es adecuado utilizando el simulador de bioseñales. En la medición de la señal
de ECG, las características extraídas con el algoritmo desarrollado demuestran que este sistema es capaz no solo de
monitorear la señal, sino también de procesar las características en línea, proporcionando un resultado rápido en comparación
con el instrumento clínico convencional.

Conclusiones
Hay varios factores que afectan el rendimiento del sistema de medición desarrollado, como el circuito de acondicionamiento
de señales, la conversión de analógico a digital y de digital a analógico mediante el dispositivo DAQ y también el algoritmo
desarrollado para el análisis de señales en línea. El circuito y el acondicionamiento de la señal del bioamplificador de hardware
podrían mejorarse empleando componentes de mayor rendimiento, incluidos los componentes activos y pasivos incluidos en
el circuito.
Referencias

[1] Webster, JG (1973). Instrumentación médica. Aplicación y Diseño, Houghton Mifflin Company, Boston. 197 y g
[2] De Chazal, P., O'Dwyer, M. y Reilly, RB (2004). Clasificación automática de los latidos del corazón utilizando la
morfología de ECG y las funciones de intervalo de latidos. Ingeniería biomédica, IEEE Transactions on, 51 (7), 1196-1206.
[3] Israel, SA, Irvine, JM, Cheng, A., Wiederhold, MD y Wiederhold, BK (2005). ECG para identificar individuos.
Reconocimiento de patrones, 38 (1),133-142.
[4] Bazán, V., Bala, R., García, FC, Sussman, JS, Gerstenfeld, EP, Dixit, S., Callans DJ, Zado E, Marchlinski, FE (2006).
Características del ECG de doce derivaciones para identificar la taquicardia ventricular que surge del ventrículo derecho
epicárdico. Ritmo cardíaco, 3 (10), 1132-1139.
[5] De Chazal, P., O'Dwyer, M. y Reilly, RB (2004). Clasificación automática de los latidos del corazón utilizando la
morfología de ECG y las funciones de intervalo de latidos. Ingeniería biomédica, IEEE Transactions on, 51 (7), 1196-1206.
[6] Subha, DP, Joseph, PK, Acharya, R. y Lim, CM (2010). Análisis de señales EEG: una encuesta. Revista de sistemas
médicos, 34 (2), 195-212.