ANÁLISIS DE LA SEÑAL ECG (ELECTROCARDIOGRAMA), RECONOCIENDO LAS ONDAS P Y T Y EL COMPLEJO QRS USANDO LA TRANSFORMADA WAVELET Autor:

Rodríguez Gómez, Alberto.

Directora: Jiménez Casas, Ángela. Entidad Colaboradora: ICAI – Universidad Pontificia Comillas.

RESUMEN DEL PROYECTO I. Introducción y Objetivos En los últimos años, la señal de Electrocardiográfica –ECG– desempeña un papel importante en el diagnóstico, pronóstico y en el análisis de las enfermedades del corazón. La electrocardiografía ha tenido una profunda influencia en la práctica de la Medicina. El electrocardiograma (ECG) es una herramienta de diagnóstico que mide y registra la actividad eléctrica del corazón con exquisito detalle. La interpretación de estos detalles permite el diagnóstico de una amplia gama de anomalías del corazón. La extracción automática de las características del ECG es importante para el diagnóstico de las enfermedades cardíacas. Las características más significativas de la señal de ECG incluyen la onda P, el complejo QRS, y la onda T. La Transformada Wavelet ha surgido en los últimos años como un método de análsis tiempo–frecuencia poderoso y una herramienta de codificación preferida para el estudio y análisis de señales no estacionarias complejas. Se discute en detalle el papel emergente de la Transformada Wavelet en el análisis de la ECG, donde se consideran por separado la Transformada Wavelet Continua (CWT) como la Transformada Wavelet Discreta (DWT). Se proponen varios métodos de la aplicación de la Transformada Wavelet a las señales ECG que constituyen los resultados más relevantes del Proyecto. A saber: 1. Análisis Wavelet de señales ECG con ritmo sinusal normal empleando la CWT y la Wavelet Morlet. 2. Identificación de las singularidades y/o características de varias arritmias ventriculares y supraventriculares mediante la observación de los escalogramas de energías Wavelet tras aplicar la CWT, así como el análisis de las mismas con la descomposición Multirresolución (MRA) en señales detalle y de aproximación. Se emplea la CWT con dos familias Wavelet: a) la Waletet Morlet y b) la Wavelet Gaussian de orden N = 2 (Wavelet Sombrero Mexicano). En el análisis Multirresolución se utiliza la Wavelet Daubechies (Db8) con 8 niveles de descomposición. 3. Determinación de los mejores estimadores para la eliminación del ruido en las señales ECG, empleando métodos de umbralización Wavelet (Wavelet thresholding). Se aplica el algoritmo de descomposición (MRA) utilizando diferentes familias Wavelet. Las Wavelets Daubechies (Db8 y Db4), Symlet (Sym6), Coiflet (Coif5) y la Wavelet Meyer y Haar. Los resultados experimentales muestran que la Wavelet

Análisis de la Señal ECG usando la Transformada Wavelet Alberto Rodríguez Gómez

1

Resumen — Abstract

Wavelet Meyer y Haar. Los resultados experimentales muestran que la Wavelet Daubechies (Db8) con la estructura de ruido blanco escalado (scaled white noise) y el método SURE (Soft) proporciona los mejores resultados en comparación con los de otras familias Wavelet. 4. Diseño de un algoritmo que detecte en las señales ECG con ritmo sinusal normal, el complejo QRS y las ondas P y T mediante las técnicas basadas en el MRA. La detección del complejo QRS se basa en el máximo módulo de la Transformada Wavelet, usando la descomposición MRA y Wavelet Daubechies Db8. Identificados los complejos QRS se identifican las ondas P y T en cada intervalo R–R, que delimita una ventana relativa, buscando los máximos locales de la señal d4 . Las señales ECG son previamente procesadas y filtradas través de un filtro paso banda y se elimina el ruido con el método de umbralización Wavelet (Wavelet thresholding) utilizando la estructura del ruido “scaled white noise” y el método SURE (Soft). La precisión lograda en la detección de los complejos QRS con la Wavelet Daubechies Db8 y método de umbralización SURE (Soft) en la eliminación de ruido de ECG ha sido del 98%. Keywords: Señal ECG, Complejo QRS, Electrocardiograma (ECG), Transformada Wavelet, análisis Multirresolución, método Thresholding, y Wavelet Denoising.

II. Metodología Con el fin de extraer información de la señal de ECG, previamente la señal ECG original debe ser procesada. El procesamiento de la señal del ECG se pueden dividir en dos etapas funcionales: etapa de Preprocesamiento (obtención de las señales ECG, eliminación de la deriva de la línea base y eliminación del ruido), y de Extracción de Características (Transformada Wavelet Continua (CWT) y análisis Wavelet, Descomposición Multirresolución (MRA), umbralización y reconstrucción de la señal, detección del complejo QRS y de la onda R, detección de las ondas P y T), como se muestra en la Figura 1. La etapa de preprocesamiento elimina o suprime el ruido de la señal ECG original. La extracción de características se realiza para conformar las características distintivas y personalizadas de cada paciente.

2

Resumen — Abstract

Figura 1. Métodos de la aplicación de la Transformada Wavelet a las señales ECG (1, 2, y 3). (4) Algoritmo del proceso de identificación del complejo QRS, y ondas P y T.

III. Resultados A la hora de establecer los diferentes resultados obtenidos se categorizan, de acuerdo a los cuatro métodos empleados en este Proyecto aplicando la Transformada Wavelet. 1. Señales ECG con ritmo sinusal normal

Análisis de la Señal ECG usando la Transformada Wavelet Alberto Rodríguez Gómez

3

Resumen — Abstract

El análisis se ha realizado sobre un total de 1.519 latidos procedentes de 18 pacientes distintos, con ritmo sinusal normal procesadas mediante la Transformada Wavelet Continua (CWT) aplicando la Wavelet Morlet con el algoritmo cwtft de MATLAB.

a. La Transformada Wavelet Continua de las señal ECG con ritmo sinusal normal presentan el complejo QRS como una estructura cónica, donde los coeficientes de mayor energía se corresponden con las frecuencias más altas del espectro, convergiendo en la componente de alta frecuencia del tramo RS. Véase la Figura 2. b. Las ondas P y T aparecen en los intervalos de frecuencias próximas a los 3 Hz, de 2 Hz a 5 Hz, con coeficientes Wavelets de menor energía que en el complejo QRS. c. En el escalograma de energías 2 D aparece una banda continua en el intervalo de frecuencias que van desde 1 Hz hasta la 1.75 Hz, correspondiente a la frecuencia de los latidos del corazón con una frecuencia cardíada de aproximadamente de los 60 lpm hasta los 105 lpm. d. Los complejos QRS son unas estructuras puntiaguadas en las escalas más bajas, frecuencias más altas, en los escalogramas de energía Wavelet 3 D, siendo su máximo componente de alta frecuencia en el tramo RS. ECG: Señal nsrdb/16272m

CWT (Wavelet Morlet) de ECG: Señal nsrdb/16272m

1.5

1.1

ECG1 [mV]

1

81.7 48.6

0.9

28.9

0.8

17.2

0.7

0

-1 120

120.5

121

121.5

122

122.5 Tiempo-t [s]

123

123.5

124

124.5

125

ECG: Señal nsrdb/16272m filtrada 1.5 1

Frecuencia-f [Hz]

-0.5

ECG1 [mV]

1

0.5

0.6

10.2

0.5

6.1

0.4 3.6 0.3

0.5

2.1 0.2

0

1.3

0.1

-0.5 -1 120

0.8 120 120.5

121

121.5

122

122.5 Tiempo-t [s]

123

123.5

124

124.5

125

121

122 123 Tiempo-t [s]

124

125

Figura 2. CWT de una señal ECG con ritmo sinusal normal.

2. Señales ECG con arritmias ventriculares y supraventriculares Se han analizado 88 episodios de Taquicardia Ventricular (VT), 13 de Fibrilación Ventricular (VF), 28 de Flutter Ventricular (VFL), 111 de Taquicardia Supraventricular (SVTA) y 31 episodios de Fibrilación Auricular (AF). Como ejemplo se muestra la VF:

a. Fibrilación Ventricular (VF) i. Las ondas P que inician el complejo QRS no son identificables. En el escalograma de energías 2 D (Figura 3) no presenta la estructura cónica del complejo QRS, pero sí la presencia de un ritmo cardíaco acelerado con frecuencias de 3 Hz a 4 Hz.

4

Resumen — Abstract

CWT (Wavelet Morlet) de ECG: Señal vfdb/422m

Coeficientes Ca,b (Wavelet Morlet). ECG Señal vfdb/422m

79.8

4.5

47.5

4

28.2

3.5

16.8

3

6

4 5 2

10

2.5

COEFS

Frecuencia-f [Hz]

5

0 0

5.9

2

-5

3.5

1.5

2.1

1

1.2

0.5

61 57 53 49 45 41 37 33 29 25 21 17 13 9 5 Escala-a 1

-2

0.7 1535

1536

1537 1538 Tiempo-t [s]

1539

1540

-4 1539 1538.2 1537.4 1536.6 1535.8 Tiempo-b [s]

1539.8 -6

Figura 3. Escalogramas de energía Wavelet del ECG vfdb/422m con episodios de VF.

ii. Existe la presencia de varias ondulaciones dentro de la banda de 10 Hz del escalograma 3 D siendo transitoria. Los episodios de VF son identificables por la alta frecuencia en las escalas 24 , 25 y 26 mostrando variación de la frecuencia sin patrón en la escala 24 en el análisis MRA. Véase la Figura 4.

Figura 4. Descomposición MRA de la señal ECG vfdb/426m con un episodio de VF.

3. Eliminación del ruido en señales ECG mediante los métodos Wavelet thresholding a. Al comparar los parámetros estadísticos como son la desviación estándar y las normas de los residuos, eliminando el ruido mediante el análisis MRA con diferentes familias de Wavelet, se comprueba que los mejores resultados se obtienen al recomponer la señal descompuesta con la Wavelet Daubechies de orden N = 8 empleando el método de umbralización SURE (Soft). 4. Algoritmo de detección de los complejos QRS y las ondas P y T Con el algoritmo de detección del complejo QRS propuesto se han evaluado 13 señales ECG procedentes de la base de datos MIT-BIH Normal Sinus Rhythm Database (nsrdb) [1] con una duración de 3600 segundos cada registro electrocardiográfico, con el fin de evaluar su eficacia. Véanse la Figura 5 y Figura 6.

Análisis de la Señal ECG usando la Transformada Wavelet Alberto Rodríguez Gómez

5

Resumen — Abstract

ECG1: Señal nsrdb/16773m. Complejos QRS 3.5

Señal ECG Onda R Onda Q Onda S

3 2.5 2

ECG [mV]

1.5 1 0.5 0 -0.5 -1 -1.5 180

181

182

183 Tiempo-t [s]

184

185

186

Figura 5. Detección del complejo QRS en una señal ECG. ECG1: Señal nsrdb/16773m. Ondas P y T 3.5 Señal ECG Onda P Onda T

3 2.5

ECG [mV]

2 1.5 1 0.5 0 -0.5 -1 -1.5 180

181

182

183 Tiempo-t [s]

184

185

186

Figura 6. Identificación de las ondas P y T en una señal ECG.

a. Se muestran en la Tabla 1 los resultados obtenidos en la identificación de los complejos QRS de diferentes pacientes con señales ECG con diferentes morfologías. Nº

Señal ECG

1

nsrdb ê 16 265 m

Nº Complejos QRS QRS Detectados Porcentaje 5281

5267

99.73

2

nsrdb ê 16 272 m

3736

3461

92.64

3

nsrdb ê 16 273 m

4976

4941

99.30

4

nsrdb ê 16 420 m

5907

5565

94.21

5

nsrdb ê 16 483 m

5481

5441

99.27

6

nsrdb ê 16 539 m

5247

5134

97.85

7

nsrdb ê 16 773 m

4424

4412

99.73

8

nsrdb ê 16 786 m

4406

4405

99.98

9

nsrdb ê 16 795 m

4112

4066

98.88

10

nsrdb ê 17 052 m

4463

4455

99.82

11

nsrdb ê 17 453 m

4963

4894

98.61

12

nsrdb ê 18 177 m

5832

5458

93.59

13

nsrdb ê 18 184 m

5208

5191

99.67

Total QRS

64 036

62 690

98 %

Tabla 1. Complejos QRS identificados con el Algoritmo HDWTL.

b. La precisión lograda con este algoritmo DWT es del 98 % con un coste computacional muy bajo.

6

Resumen — Abstract

IV. Conclusiones 1. El análisis Wavelet realizado en la señales ECG con ritmo sinusal normal con la CWT y la Wavelet Morlet ha permitido identificar gráficamente (escalogramas de energía Wavelet en 2 D y 3 D) las características de los latidos cardíacos: complejos QRS, ondas P y T, así como la frecuencia cardíaca. 2. Las arritmias ventriculares y supraventriculares estudiadas con la CWT mediante la Wavelet Morlet, y con el análisis Multirresolución (MRA) empleando la Wavelet Daubechies Db8 han permitido establecer unos patrones en cuanto al ritmo regular, ausencia de la onda P, ritmos cardíacos acelerados, ondulaciones en la banda de 10 Hz, y presencia de potenciales en ausencia de la onda P. 3. Se han empleado las técnicas de eliminación de ruido en señales ECG con Wavelet (Wavelet thresholding) descomponiendo señales con y sin ruido añadido con el algoritmo de descomposición (MRA) empleando diferentes familias Wavelet, y aplicando los umbrales SURE (soft), el umbral universal (soft) y el método minimax (soft) con la estructura de ruido blanco escalado (scaled white noise). Se comprueba experimentalmente que los mejores resultados se obtienen al recomponer la señal descompuesta con la Wavelet Daubechies de orden N = 8 con el umbral SURE (Soft). 4. El algoritmo diseñado en este Proyecto, basado en la Tranformada Wavelet (WT), para la detección del complejo QRS, y las ondas P y T, utilizando la descomposición Multirresolución (MRA) de la señal ECG mediante la Wavelet Daubechies ortogonal de orden 8 generando 8 escalas en los coeficientes de detalle ha ofrecido una precisión del 98 % con un coste computacional muy bajo, valor superior en comparación con la lograda por otros métodos DWT (95.74%) y del 92.55% obtenida con el método “So and Chan”.

V. Futuras líneas de investigación Se reseñan algunas futuras y posibles líneas de investigación: 1. Extensión de la Transformada Wavelet a la supervisión de otras señales biomédicas: las señales electromiográficas (EMG), señales electroencefalográficas (EEG), sonidos clínicos, patrones respiratorios, tendencias de la presión de la sangre y las secuencias de ácido desoxirribonucleico (ADN). 2. Clasificación y extracción de características en las numerosos tipos de arritmias cardíacas en el campo de la Cardiología. 3. Empleo de otro tipo de Wavelet, como los Spline Wavelets, en la caracterización de las señales ECG. 4. Utilización de la señal ECG como herramienta biométrica para la identificación y verificación de personas, dado que es distintiva de cada individuo.

Análisis de la Señal ECG usando la Transformada Wavelet Alberto Rodríguez Gómez

7

Resumen — Abstract

ANALYSIS OF THE ECG SIGNAL RECOGNIZING THE QRS COMPLEX AND P ANT T WAVES, USING WAVELET TRANSFORM Abstract

I. Introduction and Objectives Over the past few years, ECG signal plays an important role in the primary diagnosis, prognosis and survival analysis of heart diseases. Electrocardiography has had a profound influence on the practice of Medicine. The electrocardiogram (ECG) is a diagnostic tool that measures and records the electrical activity of the heart with exceptional attention to detail. Interpretation of these details allows diagnosis of a wide range of heart anomalies. Automatic extraction ECG features is important for cardiac disease diagnosis. Significant features of the ECG signal include the P wave, the QRS complex, and the T wave. The Wavelet Transform has emerged in recent years as a powerful analysis method of time–frequency and preferred encoding tool for the study and analysis of complex nonstationary signals. It is discussed in detail the emerging role of the Wavelet Transform in the analysis of the ECG, which are considered separately Continuous Wavelet Transform (CWT) as Discrete Wavelet Transform (DWT). Various relevant results methods of applying the Wavelet Transform to the ECG signals are proposed: 1. Wavelet Analysis of ECG signals with normal sinus rhythm using the CWT and Morlet Wavelet. 2. Identification of the various ventricular and supraventricular arrhythmias by observing the Wavelet energy scalograms after applying the CWT and the Multiresolution decomposition (MRA) analysis. CWT has been employed with two Wavelet families: a) Morlet Wavelet b) Gaussian Wavelet of order N = 2 (Mexican Hat Wavelet). In Multiresolution analysis the Daubechies Wavelet (Db8) has been applied with 8 levels of decomposition. 3. Determining the best estimators for removing noise ECG signals using Wavelet thresholding methods. The decomposition algorithm (MRA) has been applied using different Wavelet families: Daubechies Wavelet (Db8 and Db4) Symlet (Sym6) Coiflet (Coif5), and Meyer and Haar Wavelet. Experimental results showed that Daubechies (Db8) family for scaled white noise structure and the SURE method (soft) provided the best results as compared with to other wavelet families. 4. Designing an algorithm to detect ECG signals in sinus rhythm normal QRS complex and the P and T waves using MRA based techniques. The detection of the QRS com8

Resumen — Abstract

and the P and T waves using MRA based techniques. The detection of the QRS complex was based on modulus maxima of the Wavelet Transform, using the MRA decomposition and Daubechies Wavelet Db8. QRS complexes identified the P and T waves in each R–R interval was delimited looking in a window on the local maxima of the d4 signal. The ECG signals were previously processed and filtered through a bandpass filter and the noise removed with Wavelet thresholding method, using the “scaled white noise” structure and the SURE method (Soft). Accuracy achieved in the detection of QRS complex with Daubechies Db8 and SURE thresholding method (Soft) in the ECG noise removal has been 98%. Keywords: ECG signal, QRS complex, Electrocardiogram (ECG), Wavelets Transform, Multiresolution, Threshold method, and Wavelet Denoising.

II. Methodology In order to extract information from the ECG signal, the raw ECG signal should be processed. ECG signal processing can be roughly divided into two stages by functionality: Preprocessing (getting the ECG signals, baseline drift removal and de-noising, noise removal) and Feature Extraction (continuous Wavelet Transform (CWT) and Wavelet analysis, Multiresolution decomposition (MRA), thresholding and reconstruction, QRS complex detection and R wave and detection of P and T waves) as shown in Figure 1. Preprocessing stage removes or suppresses noise from the raw ECG signal. Feature extraction is performed to form distinctive personalized signatures for every subject.

Análisis de la Señal ECG usando la Transformada Wavelet Alberto Rodríguez Gómez

9

Resumen — Abstract

Figure 1. Methods of applying the Wavelet Transform to the ECG signals (1, 2, and 3). (4) Algorithm of the identification processes of the QRS complex, and P and T waves.

III. Results Research outcomes are categorized according to the four methods used in this project by applying the Wavelet Transform. 1. ECG signals with normal sinus rhythm The analysis was performed on a total of 1519 beats from 18 different patients with

10

Resumen — Abstract

The analysis was performed on a total of 1519 beats from 18 different patients with normal sinus rhythm, processed through Continuous Wavelet Transform (CWT) and using the Morlet wavelet with cwtft MATLAB algorithm. a. The CWT of the ECG signal with normal sinus rhythm presented QRS complex as a conical structure, where the coefficients of higher energy correspond to the higher frequencies of the spectrum, converging on the high frequency component of the RS section. See Figure 2. b. P and T waves appear at intervals of frequencies around 3 Hz, 2 Hz to 5 Hz, showing lower energy Wavelets coefficients in the QRS complex c. In 2 D energy scalogram, continuous band appears in the range of frequencies ranging from 1 Hz to the 1.75 Hz, which corresponds to the frequency of a heartbeat from 60 bpm to the 105 bpm. d. The QRS complexes are conical structures in the lowest scales, highest frequencies, in 3 D wavelet energy scalograms, being its highest frequency component in the RS section. ECG: Señal nsrdb/16272m

CWT (Wavelet Morlet) de ECG: Señal nsrdb/16272m

1.5

1.1

ECG1 [mV]

1

81.7 48.6

0.9

28.9

0.8

17.2

0.7

0

-1 120

120.5

121

121.5

122

122.5 Tiempo-t [s]

123

123.5

124

124.5

Frecuencia-f [Hz]

-0.5

125

ECG: Señal nsrdb/16272m filtrada 1.5 1 ECG1 [mV]

1

0.5

0.6

10.2

0.5

6.1

0.4 3.6 0.3

0.5

2.1 0.2

0

1.3

0.1

-0.5

0.8 120

-1 120

120.5

121

121.5

122

122.5 Tiempo-t [s]

123

123.5

124

124.5

121

125

122 123 Tiempo-t [s]

124

125

Figure 2. CWT of ECG signal with normal sinus rhythm.

2. ECG signals with supraventriculares ventriculares and arrhythmias We analyzed 88 episodes of Ventricular Tachycardia (VT), 13 Ventricular Fibrillation (VF), 28 Ventricular Flutter (VFL), 111 Supraventricular Tachycardia (SVTA) and 31 episodes of ventricular fibrillation. As example, it shows VF. a. Ventricular Fibrillation (VF) i. P waves initiating QRS complex are not identifiable. On the 2 D energy scalogram (Figure 3) it does not present the conical structure of the QRS complex, but the presence of heartbeat frequencies from 3 Hz to 4 Hz. CWT (Wavelet Morlet) de ECG: Señal vfdb/422m

Coeficientes Ca,b (Wavelet Morlet). ECG Señal vfdb/422m

79.8

4.5

47.5

4

28.2

3.5

16.8

3

6

4 5 2

10

2.5

COEFS

Frecuencia-f [Hz]

5

0 0

5.9

2

-5

3.5

1.5

2.1

1

1.2

0.5

61 57 53 49 45 41 37 33 29 25 21 17 13 9 5 Escala-a 1

-2

0.7 1535

1536

1537 1538 Tiempo-t [s]

1539

1540

-4 1539 1538.2 1537.4 1536.6 1535.8 Tiempo-b [s]

1539.8 -6

Figure 3. ECG vfdb/422m Wavelet energy scalograms with episodes of VF.

Análisis de la Señal ECG usando la Transformada Wavelet Alberto Rodríguez Gómez

11

Resumen — Abstract

ii. There is the temporary presence of several undulations within the 10 Hz band on 3 D scalogram. VF episodes are identifiable by the high frequency scales 24 , 25 and 26 showing no frequency variation on the scale pattern 24 in the MRA analysis. See Figure 4.

Figure 4. MRA decomposition of ECG signal vfdb/426m with an episode of VF.

3. Noise removal in ECG signals using the wavelet thresholding methods a. When comparing the statistical parameters, such as standard deviation and residues norms, and by removing noise by the MRA analysis with different Wavelet families. The best results were obtained by reconstructing the decomposed signal with Wavelet Daubechies of order N = 8 using the SURE (Soft) thresholding method. 4. Detection Algorithm of QRS complexes and P and T waves With the QRS complex proposed detection algorithm 13 ECG signals from the database MIT-BIH Normal Sinus Rhythm Database (nsrdb) [1], [2], [3] were evaluated with a duration of 3600 seconds each ECG recording, in order to evaluate its effectiveness. See Figure 5 and Figure 6. ECG1: Señal nsrdb/16773m. Complejos QRS 3.5

Señal ECG Onda R Onda Q Onda S

3 2.5 2

ECG [mV]

1.5 1 0.5 0 -0.5 -1 -1.5 180

181

182

183 Tiempo-t [s]

184

185

Figura 5. Detection of QRS complex in an ECG signal.

12

186

Resumen — Abstract

ECG1: Señal nsrdb/16773m. Ondas P y T 3.5 Señal ECG Onda P Onda T

3 2.5

ECG [mV]

2 1.5 1 0.5 0 -0.5 -1 -1.5 180

181

182

183 Tiempo-t [s]

184

185

186

Figura 6. Identification of the P and T waves in an ECG signal.

a. The results of identification of the QRS complexes of ECG signals with different patients with different morphologies are shown in Table 1. Nº ECG Signal No. QRS Complexes Detected QRS

%

1

nsrdb ê 16 265 m

5281

5267

99.73

2

nsrdb ê 16 272 m

3736

3461

92.64

3

nsrdb ê 16 273 m

4976

4941

99.30

4

nsrdb ê 16 420 m

5907

5565

94.21

5

nsrdb ê 16 483 m

5481

5441

99.27

6

nsrdb ê 16 539 m

5247

5134

97.85

7

nsrdb ê 16 773 m

4424

4412

99.73

8

nsrdb ê 16 786 m

4406

4405

99.98

9

nsrdb ê 16 795 m

4112

4066

98.88

10

nsrdb ê 17 052 m

4463

4455

99.82

11

nsrdb ê 17 453 m

4963

4894

98.61

12

nsrdb ê 18 177 m

5832

5458

93.59

13

nsrdb ê 18 184 m

5208

5191

99.67

Total QRS

64 036

62 690

98 %

Table 1. QRS complexes identified by the algorithm HDWTL.

b. Accuracy achieved with this DWT algorithm is 98 % with a very low computational cost.

IV. Conclusion 1. Wavelet analysis performed in the ECG signals with normal sinus rhythm with CWT and Morlet Wavelet has enabled to graphically identify (scalograms energy Wavelet 2D and 3D) characteristics of the heartbeat: QRS complex, P and T waves and heart rate. 2. Ventricular and supraventricular arrhythmias studied by the CWT Morlet Wavelet, and the Multiresolution (MRA) Wavelet analyses using Daubechies Db8 have established patterns in terms of regular rhythm, absence of the P wave, fast heart rhythms, ripples in 10 Hz band, and presence of potential in the absence of P wave. 3. Techniques have been used to remove noise in ECG signals with wavelet (Wavelet thresholding) decomposing signals without noise added to the decomposition algoAnálisis de la Señal ECG usando la Transformada Wavelet Alberto Rodríguez Gómez

13

Resumen — Abstract

thresholding) decomposing signals without noise added to the decomposition algorithm (MRA) using different Wavelet families and applying SURE (soft), universal (soft) and minimax (soft) threshold methods with the structure of scaled white noise. It is experimentally verified that the best results are obtained by recomposing the decomposed Daubechies Wavelet signal of order N = 8 with the SURE threshold (Soft). 4. The algorithm designed in this project, based on Wavelet Transform (WT) for detecting the QRS complex and P and T waves, using Multiresolution (MRA) decomposition of ECG signal through orthogonal Daubechies Wavelet of order 8 generated 8 scales in the coefficients of detail has offered 98% accuracy rate at very low computational cost. A higher value if compared to what has been achieved by other DWT methods, (95.74%) and 92.55% obtained with the “So and Chan” method.

V. Future Scope Some prospective research directions are outlined: 1. Extension of the Wavelet Transform to the supervision of other biomedical signals: electromyographic (EMG) and electroencephalographic (EEG) signals, clinical sounds, breathing patterns, trends of blood pressure and sequences of deoxyribonucleic acid (DNA). 2. Classification and feature extraction in many types of cardiac arrhythmias in the field of Cardiology. 3. Using other Wavelet methods, as the Spline Wavelets, in the characterization of the ECG signals. 4. Using ECG signal as feature biometric tool for identification and verification of people, as is distinctive for each individual.

References [1] MIT/BIH ECG database: http://www.physionet.org/physiobank/database/mitdb/ [2] PHYSIONET: http://www.physionet.org/ [3] MIT-BIH Database Distribution: Harvard-MIT Division of Health Sciences and Technology. http://ecg.mit.edu [4] [ADDI05] ADDISON, Paul S. Wavelet Transforms and the ECG: a review. Physiological measurement, 2005, vol. 26, no 5, p. R155. [5] [ALME03] ALMEIDA, R., et al. Automatic Delineation of T and P Waves using a Wavelet-based Multiscale Approach. En 1st International Congress on Computational Bioengineering, pages. 2003. p. 219-224. [6] [BEHB11] BEHBAHANI, Soroor; DABANLOO, Nader Jafarnia. Detection of QRS Complexes in the ECG Signal using Multiresolution Wavelet and Thresholding Method. En Computing in Cardiology, 2011. IEEE, 2011. p. 805-808. [7] [DEWA13] DEWANGAN, Naveen Kumar; KOWAR, Manoj K. ECG Signal Denoising and QRS comples Detection using Multiresolution Sub-Band Filter and Thresholding Technique. Global J. of Mod. Biol. & Tech, 2013, vol. 3, no 1, p. 1.

14

Resumen — Abstract

[8] [DINH01] DINH, H. A. N., et al. Wavelets for QRS Detection. En Engineering in Medicine and Biology Society, 2001. Proceedings of the 23rd Annual International Conference of the IEEE. IEEE, 2001. p. 1883-1887. [9] [FRIE90] FRIESEN, Gary M., et al. A Comparison of the Noise Sensitivity of Nine QRS Detection Algorithms. Biomedical Engineering, IEEE Transactions on, 1990, vol. 37, no 1, p. 85-98. [10] [GEOR13] GEORGIEVA-TSANEVA, Galya; TCHESHMEDJIEV, Krassimir. Denoising of Electrocardiogram Data with Methods of Wavelet Transform. International Conference on Computer Systems and Technologies -CompSysTech’13, 2013. [11] [GUYT11] GUYTON, Arthur C.; HALL, John E. Tratado de Fisiología Médica. 12ª Edición. ELSEVIER España, S.A., 2011. [12] [HALL11] HALL, John E.; Guyton Arthur C. Textbook of Medical Physiology. Twelfth Edition. Saunders ELSEVIER, Philadelphia, 2011. [13] [JASW12] JASWAL, Gaurav; PARMAR, Rajan; KAUL, Amit. QRS Detection Using Wavelet Transform. International Journal of Engineering and Advanced Technology (IJEAT), 2012, vol. 1. [14] [JOHN04] JOHNEFF, Vladimir. Complex Valued Wavelet Analysis for QRS Detection in ECG Signals. En Proc. 23rd Leeds Annual Statistical Research Workshop. 2004. p. 134-36. [15] [LUO_12] Guomin LUO and Daming ZHANG. Wavelet Denoising, Advances in Wavelet Theory and Their Applications in Engineering, Physics and Technology. Dr. Dumitru Baleanu (Ed.), ISBN: 978-953-51-0494-0, InTech. [16] [MALL91] MALLAT, Stephane. Zero-crossings of a Wavelet Transform. Information Theory, IEEE Transactions on, 1991, vol. 37, no 4, p. 1019-1033. [17] [NAGE11] NAGENDRA, H.; MUKHERJEE, S. Application of Wavelet Techniques in ECG Signal Processing: An Overview. Int. J. Engg. Sci. Tech, 2011, vol. 3, p. 7432-7443. [18] [NARA11] NARAYANA, K. V. L.; RAO, A. Bhujanga. Wavelet Based QRS Detection in ECG using MATLAB. Innovative Systems Design and Engineering, 2011, vol. 2, no 7, p. 60-69 [19] [RAI_12] RAI, Hari Mohan; TRIVEDI, Anurag. De-noising of ECG Waveforms based on Multiresolution Wavelet Transform. International Journal of Computer Applications, 2012, vol. 45. [20] [SARI08] SARITHA, C.; SUKANYA, V.; MURTHY, Y. Narasimha. ECG Signal Analysis Using Wavelet Transforms. Bulg. J. Phys, 2008, vol. 35, no 1, p. 68-77. [21] [SASI11] SASIKALA, P.; WAHIDABANU, R. S. D. Extraction of P wave and T wave in Electrocardiogram using Wavelet Transform. International Journal of Computer Science and Information Technologies, 2011, vol. 2, no 1, p. 489-493. [22] [SHYU04] SHYU, Liang-Yu; WU, Ying-Hsuan; HU, Weichih. Using Wavelet Transform and Fuzzy Neural Network for VPC Detection from the Holter ECG. Biomedical Engineering, IEEE Transactions on, 2004, vol. 51, no 7, p. 1269-1273.

Análisis de la Señal ECG usando la Transformada Wavelet Alberto Rodríguez Gómez

15