Este documento describe el desarrollo de herramientas de software para evaluar la efectividad de la terapia de resincronización cardíaca (CRT) mediante el análisis automático del electrocardiograma (ECG). El objetivo principal fue desarrollar herramientas en Matlab para medir automáticamente parámetros del ECG relacionados con la CRT, como la duración del complejo QRS, el intervalo QT y el ángulo QRS-T. Los métodos incluyeron el acondicionamiento de las señales, la detección

1. Terapia de Resincronización
Cardı́aca:
Desarrollo de una herramienta software
para evaluar su efectividad a partir del
análisis automático del ECG
Mas Cabo J., Micó Beneyto J., León Jordán J., Foppoli L., Yagüe-
Mayans J.
Procesado de Bioseñales
Máster Interuniversitario en Ingeniería Biomédica
Universitat Politècnica de València – Universitat de València
Curso 2015-2016

2. Contenido
1. Introducción.......................................................................................................................... 3
2. Objetivos ............................................................................................................................... 5
3. Métodos ................................................................................................................................ 6
a. Descripción de los registros .............................................................................................. 6
a. Acondicionamiento de las señales.................................................................................... 6
b. Detección de los QRS ........................................................................................................ 8
c. Extracción de puntos fiduciales......................................................................................... 9
i. Inicio y fin del complejo QRS......................................................................................... 9
ii. Onda T y final de la onda T............................................................................................ 9
iii. Etiquetado automático de las ondas del QRS............................................................. 10
d. Extracción de patrones promedio................................................................................... 10
e. Obtención del VCG y medida del ángulo QRS-T.............................................................. 10
f. Definición de los parámetros QRSdur, QT y QTc............................................................. 11
4. Resultados........................................................................................................................... 11
a. Pre-procesado ................................................................................................................. 11
b. Detección de los complejos QRS..................................................................................... 12
c. Detección puntos fiduciales ............................................................................................ 13
i. Inicio y fin del QRS (QRSini y QRSfin) .......................................................................... 13
ii. Etiquetado de las ondas del QRS................................................................................. 15
iii. Final de la onda T (Tend)............................................................................................. 15
d. Análisis de QRSdur y QTc................................................................................................. 16
e. Obtención del VCG y cálculo del ángulo QRS-T............................................................... 16
5. Discusión ............................................................................................................................. 18
6. Conclusión........................................................................................................................... 20
7. Bibliografía: ......................................................................................................................... 20

3. 1. Introducción
A mediados de la década de los 90, investigadores europeos empezaron a barajar la posibilidad
de que estimulando simultáneamente ambos ventrículos se pudiese mejorar la función
cardíaca y los síntomas clínicos en pacientes con insuficiencia cardíaca y movimiento
descoordinado de la pared del corazón debido a retardos de la conducción. Fue el primer
tratamiento no farmacológico sometido a un ensayo clínico a gran escala con controles
placebo, y hoy en día ya forma parte del arsenal terapéutico para el tratamiento de la
insuficiencia cardíaca [Kass-2005]. De hecho, la terapia de resincronización cardíaca, o
estimulación biventricular, se ha convertido en un estándar terapéutico en pacientes con
insuficiencia cardíaca sintomática, función ventricular izquierda disminuida o asincronía
eléctrica [Chatterjee-2015].
La CRT consiste en la implantación de un dispositivo tipo marcapasos con 3 sondas (cables),
que es capaz de detectar anomalías en la conducción eléctrica del corazón y de aplicar los
estímulos necesarios para recuperar la sincronía en la contracción. El dispositivo se implanta
generalmente en el espacio subclavicular izquierdo y se hace llegar las sondas hasta la aurícula
derecha a través de la vena subclavia. Una de las sondas se ancla en la misma aurícula derecha
para sensar la actividad del nodo sinusal. Una segunda sonda se fija en ventrículo derecho,
cerca del ápex y el septo, atravesando para ello la válvula tricúspide. La tercera sonda se hace
llegar a la parte externa de la pared del ventrículo izquierdo a través del árbol coronario. Estas
dos sondas son capaces tanto de sensar la actividad eléctrica como de aplicar estímulos.
Figura 1: Esquema de la implantación de un dispositivo de CRT y del emplazamiento de las sondas.
En cuanto a la fisiopatología de los trastornos que conducen a la implantación de un
dispositivo de CRT, existen diversos motivos que pueden conducir a un desfase entre las
contracciones de ambos ventrículos pero en todos los casos existe un fallo de la conducción
subyacente que provoca que los ventrículos se contraigan de manera asíncrona. El trastorno
de la conducción más habitual son los bloqueos de rama, aunque después de un accidente
isquémico también pueden aparecer alteraciones en los patrones de conducción. La
consecuencia de que los ventrículos se contraigan de manera asíncrona es una disminución en
la efectividad en el bombeo de la sangre, tanto porque no todo el músculo contribuye al
mismo de manera simultánea, como porque parte del esfuerzo muscular se utiliza en “estirar”

4. de las regiones que aún se encuentran relajadas [Abraham-2012]. Por tanto, la recuperación
de la sincronía eléctrica mediante la estimulación biventricular debería en principio llevar
asociada también una recuperación de la sincronía mecánica y por tanto una mejora de la
función cardíaca.
Sin embargo, hoy en día la tasa de respuesta a esta terapia no es del 100% y además existe
variabilidad entre pacientes en cuanto a la efectividad de la técnica. Además no están claros
los motivos que determinan si un paciente responderá o no a la misma y en qué grado lo hará.
Por ello, sigue siendo necesario trabajar en la identificación de los factores de éxito de la
técnica, en el diseño de nuevos protocolos de estimulación y en el posicionamiento de las
sondas para lograr que esta terapia sea más efectiva en un mayor número de pacientes.
Actualmente, en la práctica clínica existen maneras de identificar a posibles pacientes
candidatos para la CRT, a partir del estudio del ECG. Por ejemplo, un tercio de los pacientes
con insuficiencia cardíaca sistólica presentan complejos QRS ensanchados por encima de
120ms [Abraham-2012]. Además, los retrasos en la conducción pueden dar lugar a otras
alteraciones en el ECG como son la aparición de melladuras en las ondas de los complejos QRS,
alteraciones en las duraciones y/o dispersión inter-derivación de los intervalos TDI (Tiempo
Deflexión Intrensicoide), QT y RS o elevación del segmento S-T. Algunos de estos fenómenos se
pueden observar en la figura 2, donde aparece un ejemplo de registro ECG con bloqueo
completo de rama izquierda.
También a partir del ECG se puede obtener una reconstrucción del VCG, del cual también se
pueden extraer parámetros relacionados con la CRT y su efectividad como el ángulo QRS-T.
Figura 2: Ejemplo de ECG con bloqueo completo de rama izquierda. Se observan QRS ensanzados (QRSdur>0.12s)
en varias derivaciones (I, II, III…), melladura de la onda R (aVL), elevaciones del ST (V1, V2, V3…)
En el presente trabajo se ha desarrollado un conjunto de herramientas software para el
procesado automático de las señales de ECG capaz de extraer parámetros de interés para la

5. evaluación de la efectividad de la CRT. El objetivo de estas herramientas es agilizar la
realización de estudios retrospectivos con grandes bases de datos que permitan identificar los
parámetros del ECG más relevantes en CRT y realizar comparaciones entre diferentes
protocolos de estimulación y/o posicionamientos de las sondas.
2. Objetivos
Para evaluar la eficacia de los distintos protocolos de estimulación en CRT, los diferentes
esquemas de posicionamiento de las sondas e identificar los parámetros del ECG más
relevantes en la CRT es necesario realizar estudios que incluyan a un gran número de
pacientes. Además es probable que se tenga más de un registro por paciente y que sea
necesario medir al menos uno, si no varios, de los parámetros del ECG mencionados con
anterioridad. La realización manual de estas medidas puede llegar a suponer una gran carga de
trabajo para el investigador. Con esta problemática en mente, en este trabajo se ha tratado de
automatizar la medida de algunos de los parámetros anteriormente mencionados para agilizar
el análisis de grandes bases de datos. Para llevar esta tarea a cabo se han definido el siguiente
objetivo principal y los objetivos parciales necesarios para su consecución.
OBJETIVO PRINCIPAL:
• Desarrollar en Matlab las herramientas de post-procesado software necesarias para
realizar medidas automáticas de parámetros del ECG relacionados con la CRT y su
efectividad.
OBJETIVOS PARCIALES:
• Familiarización y apertura desde Matlab de los registros ofrecidos por la casa Phillips
en formato XML.
• Acondicionamiento de las señales: ajuste de la amplitud, filtrado del ruido de alta
frecuencia y de las oscilaciones de la línea base…
• Detección robusta de los complejos QRS.
• Obtención de los patrones QRS asociados a cada derivación mediante el promediado
de complejos.
• Detección de los siguiente puntos fiduciales sobre las señales completas y sobre los
patrones:
o Inicio y fin del complejo QRS.
o Inicio y fin de la onda T.
o Etiquetado de las ondas del complejo QRS.
• Cálculo de los siguientes parámetros a partir de los puntos fiduciales detectados:
duración del QRS (QRSdur), duración del QT y del QT corregido (QTc) según la fórmula
de Bazzet.

6. 3. Métodos
a. Descripción de los registros
Se ha utilizado una base de datos compuesta por 24 registros de ECG estándar de 12
derivaciones correspondientes a 8 pacientes distintos (3 registros por paciente). Cada paciente
fue registrado con el resincronizador desconectado y con dos protocolos de estimulación
distintos. No se conoce a que situación corresponde cada registro, aunque es posible distinguir
los registros estimulados del basal (resincronizador desconectado) ya que los estímulos se
encuentran presentes en las señales. La frecuencia de muestreo utilizada fue de 500Hz, la
duración de los registros de 10 s y las amplitudes se encuentran codificadas en variables en
coma flotante. En la figura 3 se puede ver dos ejemplos de señales de dos de los registros tras
el acondicionamiento de las mismas, uno en situación basal y el otro con el dispositivo de CRT
funcionando. Además se presentan en un formato similar al ECG en papel al que están
acostumbrados los clínicos para lo cual se ha creado una función de Matlab propia.
a. Acondicionamiento de las señales
Los registros en xml ofrecidos por Phillips únicamente contienen las señales en crudo, sin
ningún tipo de procesado. Por ello, en primer lugar fue necesario pre-procesar la señal para
mejorar su calidad y facilitar el posterior análisis. El pre-procesado propuesto consta de varios
pasos que aparecen reflejados en la figura 4 y que se detallan a continuación:
Eliminación del pulso de calibración  El primer paso consistió en eliminar la parte final de las
señales, que contenian el pulso de calibración. Este paso fue tan sencillo como eliminar las
muestras finales de cada una de las derivaciones, pero fue necesario almacenar la amplitud del
pulso para poder llevar a cabo el siguiente paso.
Ajuste de amplitud  Las amplitudes de las señales no se encuentran expresadas en ninguna
magnitud real en los registros en crudo. Sin embargo, dado que conocemos la amplitud del
pulso de calibración y sabemos que dicha amplitud corresponde con 1mV es posible
normalizar las amplitudes y expresarlas en mV utilizando la ecuación (1).
𝐸𝐶𝐺 𝑚𝑉 = 𝐸𝐶𝐺𝑟𝑎𝑤/𝐴 𝑝𝑢𝑙𝑠𝑒 (1)
Donde ECGmV es la señal con las amplitudes expresadas en mV, ECGraw es la señal en crudo y
Apulse la amplitud del pulso de calibración.
Filtrado Paso Banda  Con la frecuencia de muestreo utilizada y teniendo en cuenta el
teorema de Nyquist los registros podían conterner componentes de señal de hasta 250Hz. Sin
embargo, se sabe que el ECG apenas contiene información a estas frecuencias. Por tanto, era
posible reducir el ruido de alta frecuencia presente en las señales por medio de un filtrado
paso bajo. Este filtrado se llevó a cabo utilizando un filtro IIR con respuesta tipo Butterworth y
con una frecuencia de corte de 40 Hz, un rizado máximo en la banda de paso de 3dB y una
atenuación mínima en la banda atenuada de 60dB.
Además, para minimizar las oscilaciones de la línea base se llevó a cabo un filtrado paso alto,
también con un filtro IIR tipo Butterworth y en este caso con una frecuencia de corte de 0.5Hz
y las mismas características en cuanto a rizado y atenuación. Estos dos filtros en conjunto

7. conforman un filtro paso banda capaz de reducir tanto el ruido de alta frecuencia como las
oscilaciones de la línea base sin distorsionar la morfología de la señal de ECG.
Figura 3: Ejemplos de registro basal (arriba) y con estimulación (abajo). En el segundo caso se observa la gran
magnitud del estímulo en muchas de las derivaciones.
Eliminación de los estímulos  Una peculiaridad de los registros en los que el resincronizador
se encuentra funcionando es que el estímulo aparece en la señal y, pese a que el estímulo
presenta variaciones temporales más rápidas que el QRS, el filtrado anterior no es capaz de
eliminarlos por completo. Dado que estos estímulos constituían una fuente de confusión a la
hora de detectar tanto los complejos QRS como el resto de puntos fiduciales fue necesario
buscar una manera de eliminarlos.
Figura 4: Flujo de procesado para el acondicionamiento de las señales.

8. Para ello se empezó realizando una búsqueda bibliográfica con el objetivo de identificar
técnicas utilizadas previamente con éxito a la hora de abordar esta problemática. Sin
embargo, dicha búsqueda no generó ningún resultado. Por ello, se optó por desarrollar una
solución propia.
La técnica escogida para la eliminación de los estímulos fue el filtrado wavelet, dado que el
estímulo y los complejos QRS presentaban escalas temporales diferentes y que existen
wavelets madre con morfología similar tanto al estímulo como a los complejos. EL wavelet
madre y los niveles de reconstrucción a utilizar se definieron mediante ensayo y error e
inspección visual de los resultados. Las funciones wavelet consideradas fueron Daubechies2,
Daubechies4, Haar, symlet2 y coiflet4. Se realizó una descomposición en 5 niveles y se probó
a realizar la reconstrucción descartando, los dos/tres/cuatro primeros niveles de detalle.
A partir de la inspección visual de las descomposiciones se escogió db2 como wavelet madre y
se determinó que el estímulo se encontraba presente principalmente en los 3 primeros niveles
de detalle, tal y como se puede ver en la figura 5. Por tanto el filtrado aplicado consistió en
realizar la reconstrucción de la señal sin tener en cuenta dichos niveles.
Figura 5: Ejemplo de descomposición wavelet en un registro de ECG con presencia del estímulo de CRT.
b. Detección de los QRS
La estrategia seguida para llevar a cabo la detección de los complejos QRS consta de dos pasos
principales. En primer lugar, se aplicó un detector de QRS a cada una de las derivaciones. A
continuación y a partir de las marcas obtenidas para las distintas derivaciones se aplicó el
algoritmo de decisión multiderivación descrito en [Laguna-1994] para mejorar los resultados
de la detección.

9. El detector de QRS monoderivación utilizado se basa en el análisis wavelet multirresolución. En
primer lugar se realizó la descomposición de la señal en 4 niveles utilizando para ello la
wavelet madre haar y se lleva a cabo la reconstrucción utilizando únicamente los coeficientes
de detalle del tercer y cuarto nivel, que son los que contienen la mayor parte de la información
relativa al QRS. A continuación se calculó el valor absoluto de la reconstrucción y se suavizó
dicha reconstrucción con un filtro de media móvil de 25 muestras.
La posición de los complejos QRS se obtuvo aplicando un umbral a la señal anterior, utilizando
como umbral el percentil 80 de la propia señal. A continuación se detectaron los cruces por
umbral diferenciando la señal umbralizada y localizando las posiciones en que la derivada valía
1. A partir de cada una de esas posiciones se abrió una ventana de 120ms y se escogió como
posición del QRS la posición del máximo en valor absoluto de la señal de ECG en dicha ventana.
En la figura 6 aparece ilustrado todo el proceso.
Dado que este algoritmo de detección es muy sencillo no presenta una gran robustez. En lugar
de complicar el algoritmo incluyendo pasos adicionales como la vuelta atrás para detectar
complejos perdidos, se decidió aprovechar el hecho de que se disponía de las 12 derivaciones
para refinar los resultados. Como se ha dicho, para ello se utilizó el algoritmo descrito en
[Laguna-1994] que pese a su sencillez y bajo coste computacional es capaz de eliminar todos
los errores de detección del algoritmo de detección planteado, al menos con la base de datos
utilizada. El algoritmo se basa en la hipótesis de que el complejo debe estar presente en las 12
derivaciones y que las posiciones de detección para todas ellas deben encontrarse en una
ventana de 90ms. En base a esta hipótesis, utilizando las detecciones del algoritmo
monoderivación y reglas de decisión muy sencillas el algoritmo es capaz de detectar y corregir
tanto los falsos positivos como los falsos negativos.
c. Extracción de puntos fiduciales
i. Inicio y fin del complejo QRS
Estos son probablemente los puntos fiduciales más importantes tanto porque a partir de ellos
se pueden definir varios de los parámetros de interés (QRSdur, QT…) como porque delimitan el
complejo facilitando la detección de los puntos fiduciales de mismo.
Pese a la importancia de estas marcas, conseguir una detección robusta de las mismas no
resulta sencillo dada la variabilidad en las características de las señales tanto entre pacientes
como intra-sujeto en función de si el CRT se encuentra funcionando o no. Por ello se optó por
reproducir hasta 3 métodos presentes en la literatura, uno basado en derivadas y umbrales
(DYU) [Laguna-1994], otro en la descomposición de modo empírico (EMD) [Arafat-2009] y uno
basado en la transformada curva-longitud (CLT) [Tekeste-2005], esperando que al menos uno
de ellos tuviese un comportamiento robusto con la base de datos utilizada.
ii. Onda T y final de la onda T
Las posiciones del pico de la onda T y su final se obtuvieron del siguiente modo. En primer
lugar se consideró una ventana temporal desde el final del complejo QRS hasta 250ms tras el
el mismo, teniendo en cuenta los límites fisiológicos para el intervalo QT más un margen de
seguridad. Esta ventana se sometió a un filtrado digital paso bajo utilizando para ello un filtro
FIR con frecuencia de corte de 8Hz. Se tomó como posición del pico de la onda la posición del

10. máximo de la señal filtrada en valor absoluto entre el máximo y el mínimo de la derivada de la
señal. El final de la onda T se definió como la última muestra en que el valor absoluto de la
derivada de la señal filtrada era superior a un umbral. Dicho umbral se definió como el 5% del
máximo de la derivada de la señal en la ventana en valor absoluto.
iii. Etiquetado automático de las ondas del QRS
Para el etiquetado de las ondas del complejo QRS se definieron 3 criterios de decisión
sencillos:
o Las posiciones de las ondas deben corresponder con posiciones de extremos relativos
de la señal.
o Las ondas deben tener una amplitud mínima, positiva o negativa, superior al 15% de la
excursión de la señal.
o No pueden existir dos ondas con igual polaridad sin que exista una de signo contrario
entre ellas. Si no existe dicha onda intermedia se considera que lo que se tiene es una
única onda mellada.
Los extremos relativos de la señal entre las marcas de inicio y final de QRS se realizó
detectando los cambios de signo de la derivada de la señal, y la aplicación de los otros dos
criterios resulta inmediata.
d. Extracción de patrones promedio
Otra de las técnicas aplicadas a los registros para reducir el ruido y así facilitar las medidas o
incluso el marcado manual de las señales ha sido el promediado. De cada derivación se obtiene
el patrón QRS promedio utilizando el siguiente algoritmo.
En primer lugar, para cada una de las posiciones de complejos QRS detectadas se toma una
ventana de 200ms (100 antes y 100 después). Seguidamente se alinean dichas ventanas
utilizando la maximización del coeficiente de correlación como criterio de alineamiento y se
descartan aquellas ventanas que no alcanzan un coeficiente de correlación mínimo de 0.9.
Dicho umbral se define para evitar promediar complejos con morfologías muy dispares.
Finalmente se promedian las ventanas no descartadas.
e. Obtención del VCG y medida del ángulo QRS-T
El VCG se ha calculado a partir de los patrones recién descritos. Para ello se ha empleado la
transformada inversa de Dower. Aplicando este procedimiento sobre las derivaciones
precordiales, y dos principales [V1 V2 V3 V4 V5 V6 I II] se ha obtenido la representación en 3D
del vectocardiograma. Para llevar a cabo este proceso se ha recurrido a una librería, en la que
se incluye el material necesario para aplicar la transformada inversa de Dower, disponible en la
página web de la Universidad de Oxford publicada por el profesor Gari D. Clifford.
Una vez representado el vectocardiograma se han representado sobre el mismo los vectores
que representan el eje del QRS y la onda T. Para ello se ha tomado como origen el punto del
VCG más cercano al origen real y como extremos los puntos de los lazos del QRS y de la T más
distantes al origen. Además el ángulo formado por ambos se calcula utilizando la ecuación (2).
cos 𝛼 =
𝑢 𝑄𝑅𝑆∗𝑈 𝑇
�𝑢 𝑄𝑅𝑆�∗|𝑈 𝑇|
(2)

11. Figura 6: Esquema de conversión de ECG a VCG y viceversa mediante la transformada de Dower.
f. Definición de los parámetros QRSdur, QT y QTc
El parámetro QRSdur hace referencia a la duración del complejo QRS y se define como la
diferencia temporal entre las marcas de final e inicio del mismo. El intervalo QT por otra parte
se define como la distancia temporal entre el inicio de la onda Q, o del complejo QRS en caso
de no existir onda Q, y el final de la onda T. Dado que este parámetro tiene una fuerte
dependencia con la frecuencia cardiaca es necesario normalizar de alguna las medidas para
eliminar dicha dependencia. En este caso se ha utilizado para ello la fórmula de Bazzet (3). El
intervalo RR se obtuvo a partir de las detecciones de los complejos QRS.
𝑄𝑇𝑐 = 𝑄𝑇 ∗ �𝑅𝑅[𝑠] (3)
4. Resultados
a. Pre-procesado
En la figura 7 aparecen ejemplificados los efectos del pre-procesado sobre una señal de baja
amplitud y en la que el estímulo presenta una amplitud considerable. En la fig 7-A podemos
ver la señal en crudo con su pulso de calibración. Se observa como la escala de amplitudes no
responde a ninguna magnitud real, las amplitudes simplemente se encuentran codificadas en
enteros de 8 bits. En B se muestra la señal tras la eliminación del pulso y la normalización de la
amplitud para que aparezca en mV. En C se puede observar como el filtrado paso banda digital
aplicado es capaz de reducir el ruido de alta frecuencia y los estímulos aunque sin llegar a
eliminarlos por completo. Además se observa una recuperación de la línea base, aunque esta
no es del todo perfecta. Finalmente, en D se muestra las señal tras el filtrado wavelet. Se
observa como no solo los estímulos prácticamente desaparecen sino que también se reduce el
ruido de alta frecuencia sin afectar significativamente a la morfología de la señal.
Se ha escogido esta señal como ejemplo debido a que se trata de un caso complicado, dada su
baja amplitud y la presencia de estímulos. Los resultados con el resto de las señales de la base
de datos son equivalentes a los mostrados, facilitando el análisis posterior de los registros. Sin
embargo, cabe mencionar que se han observado errores en la recuperación de la línea base,
como por ejemplo en la figura 9 en V3.
I
II
II
V1
V2
V3
V4
ECG
x
y
z
VCG
Transformada
Inversa de Dower
Transformada de
Dower
ECG VCG

12. Figura 7: Ejemplo de los efectos del pre-procesado sobre una señal de baja amplitud. A) Señal en crudo. B) Señal
tras la eliminación del pulso de calibración y el ajuste amplitud. C) Señal tras el filtrado digital paso banda. D)
Señal tras el filtrado wavelet para la eliminación de los estímulos.
b. Detección de los complejos QRS
En la figura 8 aparecen ilustrados los distintos pasos del algoritmo de detección de complejos
QRS propuesto. En A aparecen las señales originales. En B las señales tras el filtrado wavelet y
el cálculo del valor absoluto, que como se puede observar que tienen su energía concentrada
en torno a las posiciones de los complejos QRS. En C aparecen las señales tras el suavizado con
el filtro de media móvil, además aparece en rojo el umbral. Finalmente en D se muestran como
unos las posiciones asignadas a los complejos.
Se puede observar como en I el detector comete 2 errores, un falso positivo y un falso positivo,
mientras que en aVF el detector detecta correctamente todos los complejos. Los errores
cometidos en I no suponen un problema gracias al algoritmo de decisión multiderivación
indicado en el apartado de métodos, cuyos resultados se pueden observar en la figura 9. En
dicha figura se muestran varias de las derivaciones del mismo registro utilizado en la figura 8.

13. En azul aparecen indicadas las posiciones de los complejos QRS detectadas por el algoritmo
mono-derivación, mientras que en rojo las posiciones tras la aplicación del algoritmo multi-
derivación. Con círculos verdes aparecen indicados los errores cometidos por el primero de los
algoritmos y que son subsanados por el segundo.
Figura 8: Funcionamiento del detector de QRS monoderivación en dos derivaciones de un mismo registro. En I se
observan algunos errores de detección mientras que en aVF todos los complejos son detectados correctamente.
Esta situación se repite para el resto de la base de datos, el algoritmo de detección basado en
wavelets puede cometer algún error en algunas de las derivaciones, pero el esquema de
decisión multi-derivación los solventa.
c. Detección puntos fiduciales
Mientras que la detección de los complejos QRS se pudo solucionar de manera relativamente
sencilla pese a la heterogeneidad de la base de datos, la detección de otros puntos fiduciales
no se pudo resolver de manera satisfactoria, incluso en aquellos casos en que se consideraron
varios métodos para la detección de un mismo punto.
i. Inicio y fin del QRS (QRSini y QRSfin)
En la figura 10 se pueden ver las detecciones proporcionadas por cada uno de los métodos.
Para la obtención de estos resultados se ajustaron los parámetros de los detectores para
maximizar su precisión en un subconjunto de la base de datos (3 registros). A continuación se
aplicaron sobre el registro de la figura obteniendo los resultados que se pueden observar.
Llama la atención como la precisión de los métodos varía en función de la derivación
considerada e incluso del complejo considerado, funcionando cada uno de ellos mejor en unos
casos y peor en otros. Pese a esto, cabe resaltar que en la mayoría de casos las marcas
obtenidas se encuentran en el entorno de la marca real por lo que es posible que mediante un
esquema de decisión similar al utilizado con los QRS fuese posible refinar los resultados
aumentando su precisión.

14. Figura 9: Resultados de la detección de complejos QRS en varias derivaciones de un mismo registro tras la
aplicación del detector basado en wavelets (azul) y tras el refinamiento de los resultados con el esquema de
decisión multiderivación.
Estos mismos algoritmos se aplicaron además sobre los patrones promedio. En este caso, la
menor presencia de ruido favoreció la obtención de resultados más precisos aunque todavía
por debajo de la precisión exigida. Además, como en el caso anterior, el método con mejores
prestaciones no era el mismo para todos los registros. En la figura 11 se pueden observar los
resultados de aplicar el método de Tekeste sobre los patrones promedio de uno de los
registros. Se observa la mencionada mayor precisión aunque cabe comentar que en este caso
el método fue optimizado para este caso concreto, pese a lo cual comete errores en alguna de
las derivaciones.

15. Figura 10: Resultados de la detección de los extremos del complejo QRS con cada uno de los métodos
considerados para uno de los registros de la base de datos.
ii. Etiquetado de las ondas del QRS
Asumiendo que se dispone de las marcas adecuadas para el inicio y fin del QRS, el etiquetado
de las ondas resulta muy sencillo utilizando el algoritmo descrito anteriormente. Los
resultados del etiquetado tanto sobre las señales como sobre los patrones promedios se
pueden observar en las figuras 12 y 11 respectivamente.
En dichas figuras se puede observar como las ondas son etiquetadas correctamente, aunque es
cierto que el criterio de amplitud debería revisarse a partir de la opinión de un clínico, ya que
se observan casos en que se detectan ondas Q de muy baja amplitud, o por el contrario se
ignoran por ser la amplitud del QRS muy grande en comparación.
Este etiquetado que a priori no parece aportar demasiado permite definir algunos parámetros
que pueden resultar de interés aunque no se han comentado, como son la presencia de onda
Q o el tipo de patrón (Q, RS, QRS, RR’S…) presente en cada una de las derivaciones.
iii. Final de la onda T (Tend)
El detector implementado para el final de la onda T presenta la misma problemática que los
detectores anteriores, esto es, una falta de robustez frente a determinadas características de
la señal. Por ejemplo, el detector implementado, al estar basado en umbrales de la derivada es
especialmente sensible a la relación señal a ruido. En la primera señal de la figura 12 se
observa una falta de estabilidad del detector debida a la baja SNR. En las dos señales
siguientes en cambio, el comportamiento si es estable aunque tiene tendencia a fijar la marca
antes del final real de la onda. Para mejorar la precisión sería necesario disminuir el umbral
pero esto tiene efectos pésimos sobre la estabilidad del método, haciéndolo aún más sensible
al ruido.

16. Figura 11: Resultados de la detección de los extremos del complejo QRS y del etiquetado de las ondas del mismo
a partir de los patrones promedio.
d. Análisis de QRSdur y QTc
Dado el mal comportamiento de los detectores, no ha sido posible obtener medidas realistas
de estos parámetros para poder analizar los efectos de la estimulación del CRT sobre los
mismos.
Sin embargo, se analizaron unos pocos registros a partir del marcado manual de los patrones
promedio, obteniendo resultados que parecen indicar que podría haber diferencias
significativas entre los registros basales y con estimulación. En la figura 13 se muestra un
gráfico de cajas con los valores de estos parámetros en cada una de las derivaciones y para los
tres registros correspondientes a un caso (basal, estimulación1, estimulación2). El hecho de
que las cajas no se superpongan es lo que indica que es probable que existan diferencias
significativas entre el registro basal y los estimulados.
e. Obtención del VCG y cálculo del ángulo QRS-T
Finalmente, en la figura 14 se pueden observar dos ejemplos de VCGs reconstruidos a partir de
registros de la base de datos. En A se muestra el VCG para una señal completa de 10 segundos
mientras que en B se muestra el VCG obtenido a partir de los patrones promedio. Se puede
ver como la utilización de los patrones mejora la calidad del VCG reconstruido, siendo
fácilmente identificables los 3 lazos.

17. Sin embargo, un error en los VCGs obtenidos es que, dado que la recuperación de la línea base
lograda por el pre-procesado no es perfecta, el origen del VCG no coincide con el origen real
de coordenadas. Para la obtención del ángulo QRS-T se tomó como origen el punto de la curva
del VCG más cercano al origen real y como extremos de los vectores QRS y T los puntos más
distantes al origen en el lazo correspondiente. Las medidas obtenidas presentan una gran
dispersión lo cual puede deberse a o bien a que en presencia de estimulación este parámetro
puede tomar un gran rango de valores o bien que nuestra definición de los vectores no es la
adecuada.
Figura 12: Resultados de la detección de todos los puntos fiduciales considerados en 3 derivaciones de un mismo
registro.

18. 5. Discusión
En este trabajo se ha abordado una problemática real, la automatización del análisis de las
señales de ECG para la evaluación de la efectividad de la CRT desde la perspectiva del
procesado de bioseñales. Este escenario ha servido de excusa para revisar varias de las
técnicas aprendidas en clase, como el filtrado digital, el promediado robusto o el análisis
wavelet, además de otras técnicas como la EMD.
Figura 13: Medidas obtenidas para estos parámetros en los tres registros de un caso (1. Basal 2. Estimulación1 3.
Estimulación2). Estas medidas se obtuvieron a partir del marcado manual de los patrones promedio.
A partir del uso de estas técnicas ha sido posible acondicionar las señales y realizar una
detección robusta de los complejos QRS. Sin embargo, no se ha logrado encontrar algoritmos
para la detección de los puntos fiduciales considerados que fuesen estables ante las
características variables de las señales que componen la base de datos utilizada. Debido a esta
falta de estabilidad no ha sido posible realizar un análisis realista de los parámetros
considerados (QRSdur, QT y QTc).
No obstante, esto no significa que el resto de etapas de análisis se encuentren exentas de
limitaciones. A continuación se analizan dichas limitaciones para cada una de las etapas y se
proponen mecanismos para solventarlas.
Acondicionamiento de las señales: el pre-procesado propuesto es capaz de reducir en gran
medida el ruido de alta frecuencia y los estímulos de CRT. Sin embargo se ha observado el
filtro paso alto utilizado no es capaz de recuperar por completo la línea isoeléctrica. Una
posible manera de estimar las oscilaciones de la línea base sería realizar una interpolación
mediante splines cúbicos de una versión diezmada de la señal, asegurándonos además de que

19. dicha versión diezmada únicamente contiene muestras con pequeña amplitud. Una vez
estimadas las oscilaciones de la línea base solo faltaría restárselas a la señal para recuperar de
este modo la línea isoeléctrica.
Detección de complejos QRS: si bien los resultados de la detección de complejos QRS indican
que el algoritmo propuesto es robusto, se ha de tener en cuenta que la mayor parte del mérito
corresponde al esquema de decisión multi-derivación. El algoritmo de detección mono-
derivación planteado sin embargo, presenta la ventaja de ser muy sencillo pero sería inviable
utilizarlo en situaciones en que no se disponga de las 12 derivaciones, dado que no resulta
muy robusto. Algunas de las mejoras que se podrían incluir en este detector se han visto en
clase, como son por ejemplo la utilización de umbrales adaptativos o la inclusión de criterios
de vuelta atrás para detectar complejos QRS perdidos.
Figura 14: Ejemplos de VCGs obtenidos a partir de señales completas (A) y de los patrones promedio (B).
Detectores puntos fiduciales: la gran variabilidad en la morfología y características de las
señales han hecho imposible ajustar ninguno de los métodos considerados para que
detectasen de manera precisa el inicio y final del QRS o el final de la T en todos los registros de

20. la base de datos. Sin embargo, del mismo modo que en la detección de complejos QRS se han
refinado los resultados a partir de las detecciones en las distintas derivaciones, creemos que se
podrían obtener detecciones más robustas a partir de la combinación de las detecciones de los
diferentes detectores aunque no se ha podido determinar una manera apropiada de
combinarlos.
VCG: la calidad de los vectocardiogramas obtenidos está condicionada por la calidad de los
patrones obtenidos y el algoritmo utilizado para su obtención. Ya se ha visto que sería posible
mejorar la calidad de las señales en lo que a recuperación de la línea base se refiere, pero
también cabría plantearse si otras transformadas que no fuesen la de Dower o la utilización de
otras técnicas como PCA pudiesen proporcionar VCGs de mayor calidad.
Análisis de la duración del QRS y del intervalo QT: realizar el análisis de las medidas obtenidas
para estos parámetros carecía de sentido pues se sabía de antemano que las medidas no eran
realistas.
6. Conclusión
Durante la realización de este trabajo se ha podido comprobar la complejidad del procesado
de bioseñales cuando nos situamos en un entorno realista. Además se ha visto como muchos
de los métodos publicados solo están validados para situaciones concretas siendo necesario
definir métodos ad-hoc para otras situaciones que presenten una casuística distinta.
Pese a las limitaciones del método desarrollado, abordar todo el proceso de análisis, desde el
acondicionamiento de las señales hasta la obtención de las medidas, nos ha permitido utilizar
multitud de las técnicas aprendidas en clase así como otras nuevas.
Además, consideramos que el método desarrollado puede servir como base para construir
nuevos algoritmos con mejores prestaciones y en este sentido se han propuesto diversas
mejoras.
7. Bibliografía:
[Abraham-2012] Abraham, W. T. (2012). Cardiac resynchronization therapy. Heart
Failure, 388.
[Arafat-2009] Arafat, M. A., & Hasan, M. K. (2009, April). Automatic detection of ECG
wave boundaries using empirical mode decomposition. In Acoustics,
Speech and Signal Processing, 2009. ICASSP 2009. IEEE International
Conference on (pp. 461-464). IEEE.
[Chatterjee-2015] Chatterjee, N. A., & Singh, J. P. (2015). Cardiac Resynchronization
Therapy: Past, Present, and Future. Heart failure clinics, 11(2), 287-
303.
[Kass-2005] Kass, D. A. (2005). Cardiac resynchronization therapy. Journal of
cardiovascular electrophysiology, 16(s1), S35-S41.

21. [Laguna-1994] Laguna, P., Jané, R., & Caminal, P. (1994). Automatic detection of
wave boundaries in multilead ECG signals: validation with the CSE
database.Computers and biomedical research, 27(1), 45-60.
[Tekeste-2015] Tekeste, T., Bayasi, N., Saleh, H., Khandoker, A., Mohammad, B., Al-
Qutayri, M., & Ismail, M. (2015, May). Adaptive ECG interval extraction.
In Circuits and Systems (ISCAS), 2015 IEEE International Symposium
on (pp. 998-1001). IEEE.