1
Detección del Complejo QRS de un Registro de
Electrocardiografía utilizando la Transformada
Wavelet Discreta
Manuel Alfaro-Aragón, Carlos Lozano-Ramos, David Chacón-Serrano, Francisco Milán-Angulo, Mauricio
Pohl-Alfaro
Resumen—En el presente trabajo se muestra la imple-
mentación de un algoritmo para la detección del complejo QRS,
una de las ondas principales presentes en un electrocardiograma
(ECG). El algoritmo utiliza la Transformada Wavelet Discreta
(DWT), de esta forma se obtiene la descomposición de la señal en
los diferentes niveles frecuenciales, se seleccionan las frecuencias
que pertenecen al complejo QRS y luego se reconstruye la
señal, utilizando la antitransformada Wavelet Discreta Inversa
(IDWT). Para evaluar los resultados de la implementación del
algoritmo se ha utilizado un sistema de adquisición digital de
electrocardiografía de una derivación, basado en el amplificador
de instrumentación y un sistema de conversión análogo-digital
(ADC, por sus siglas en ingles analog to digital converter),
utilizando la tarjeta de audio de un computador personal (como
convertidor) y amplificadores operacionales. Para el estudio se
utilizo la segunda derivación bipolar, o segunda derivación de
Einthoven. El sistema se desarrollo bajo la plataforma del lengua-
je imterpretado de MATLAB, demostrando así, la efectividad del
algoritmo en la detección de los complejos QRS inmersos dentro
de la señal de ECG.
Index Terms—DWT, DWTI, ECG, Matlab.
I. I NTRODUCCIÓN
N electrocardiograma (ECG) describe la actividad eléc-
U trica en el corazón registrado por electrodos posicionados
en la superficie del cuerpo. Las variaciones de voltaje medidas
por los electrodos son causados por las variaciones de los
potenciales de acción ocurridos durante el ciclo cardíaco. El
latido cardiaco resultante es registrado en el ECG y se ve
manifestado por una serie de de ondas cuya morfología y
tiempo de duración y aparición proveen información que es
utilizada para diagnosticar enfermedades que se ven reflejadas
por disturbios en la actividad eléctrica del corazón [1].
La disposición de los electrodos sobre el cuerpo del paciente
durante el registro de ECG es denominada derivación, un elec-
trocardiograma completo está compuesto por 12 derivaciones
que son clasificadas dependiendo de su posición en el cuerpo
y tipo de polaridad utilizada.
Las Derivaciones del plano frontal dentro de las cuales
se encuentran las derivaciones bipolares son las que se han
tomado como base en el estudio, con mayor énfasis en la
derivación II.
Derivaciones bipolares: cada una de ellas corresponde a dos
electrodos aproximadamente equidistantes al corazón.
Laboratorio de Investigación en Ingeniería Eléctrica (LIIE), Departamento
de Electrónica e Informática, Universidad Centroamericana “José Simeón
Cañas” UCA, San Salvador, El Salvador
Derivación II (DII): es la derivación bipolar que mide la
diferencia de potencia entre el brazo derecho (polo negativo)
y la pierna izquierda (polo positivo) y en el cual el eje de la
derivación es de 0°.
Como ya se mencionó anteriormente la actividad eléctrica
del corazón se ve plasmada en un ECG por medio de un
gráfico que contiene un grupo de ondas que reflejan diferentes
etapas del ciclo cardíaco; Dentro de las ondas más importantes
que se pueden observar en un electrocardiograma se pueden
mencionar las siguientes:
Onda P: Es la deflexión producida por la despolarización
auricular. Es una onda redondeada con una amplitud normal
no mayor de 0.25 mv y una duración entre 60 y 100 ms.
Complejo QRS: corresponde a la activación ventricular,
refleja la despolarización de los ventrículos izquierdo y dere-
cho. La rotulación de las deflexiones que corresponde a los
complejos QRS es arbitraria quedando establecida así:
Onda Q: deflexión negativa no precedida por deflexión
positiva Onda R: primera deflexión positiva del complejo.
Onda S: Primera deflexión negativa después de la primera
deflexión positiva.
Segmento ST: comprende desde el fin del complejo QRS
hasta el inicio de la onda T. Debido a que no hay
mayor cambio de potencial durante esta fase suele ser
isoeléctrico en los electrocardiogramas normales.
Onda T: corresponde con la repolarización ventricular y
aparece al final del segmento ST.
La presencia del complejo QRS y su tiempo de aparición es
información requerida en todos los tipos de procesamiento
de señales relativas a ECG, por lo que resulta de suma
importancia una correcta detección de cada complejo QRS
contenido en la señal. Se muestra mucho más problemático
el no detectar alguno de los complejos QRS que tener falsos
complejos generados por ruido, debido a que estos últimos
pueden ser tratados con diversos métodos que pueden aten-
uarlos o eliminarlos, a diferencia de los primeros que sería
una omisión de información y por lo tanto se trabajaría con
datos erróneos; algunos de los algoritmos utilizados para la
disminución del efecto de estos ruidos son los siguientes [2]:
Autocorrelación: se define como la relación cruzada de
la señal consigo misma tras un desfase η. Resulta de
gran utilidad para encontrar patrones repetitivos dentro de
una señal. Sin embargo para el caso del procesamiento
de señales como ECG que se ven afectadas por ruido

mioeléctrico y variaciones en la línea base, resulta muy
inapropiado.
Algoritmos basados en derivadas: son simples y rápidos,
derivan la señal y la comparan con un umbral, también
pueden llegar a usar un segundo umbral de decisión
obtenido de la señal original. Son bastante robustos frente
a ruidos debidos a contracciones musculares pero son
sensibles ante los cambios en la línea base no teniendo
un buen desempeño frente a señales que presentan ruido
de alta frecuencia. El mayor problema que presentan
estos algoritmos es el tener que escoger un umbral de
pendiente por ensayo y error, dependiendo de las carac-
terísticas de la señal sin tener un método de selección
del mismo.
Algoritmos basados en filtros digitales: este tipo de
algoritmos presenta dos etapas, una de preprocesamiento
de la señal para dar énfasis al complejo QRS y otra etapa
de decisión mediante el uso de umbrales u otros métodos
de detección descritos anteriormente.
Algoritmo de Tompkins: implementa un filtro pasa ba-
jos y un filtro pasa altas, para reducir el ruido. Un
derivador acentúa las altas frecuencias y atenúa las bajas.
Posteriormente se eleva al cuadrado la señal para que
todos los puntos sean positivos, por último se pasa una
ventana móvil de aproximadamente 150 ms y en cada
desplazamiento se integra la señal.
Aplicación de la transformada Wavelet: se selecciona una
Wavelet madre y se calculan los niveles de descomposi-
ción Wavelet de la señal; se identifican las bandas de
frecuencia que poseen ruido; Se aplica un umbral δ a los
coeficientes del nivel o niveles de descomposición del
ruido y por último se reconstruye la señal tomando como
base los coeficientes de aproximación y los coeficientes
modificados de los niveles de descomposición de detalles.
De la aplicación con Transformada Wavelet, existen tres tipos:
Wavelet continuo, Wavelet semidiscreto y Wavelet discreto;
siendo este último el que se toma como base para el algoritmo
desarrollado, por su capacidad de descomponer en bandas
de frecuencias normalizadas en función de la frecuencia de
muestreo (cada banda es la mitad de la frecuencia de la
banda anterior), su facilidad de interpretación y bajo costo
computacional, ya que sólo utiliza filtros digitales para la
separación de las bandas y la reconstrucción de la señal.
En la Sección II, se detalla la metodología utilizada para
el acondicionamiento de la señal y el algoritmo programa-
do. La Sección III muestra los resultados obtenidos en el
procesamiento de las señales, adquiridas por nuestro sistema.
Por último la Sección IV se discuten los resulatos que se
obtuvieron y se dan las conclusiones que ayudarán a futuros
trabajos de investigación.
II. M ETODOLOGÍA
Disminución de la Frecuencia de Muestreo (Decimación en
tiempo) de la Señal: El primer paso del sistema consiste en
disminuir el número de datos del sistema disminuyendo su
frecuencia de muestreo de 8000 Hz (frecuencia de muestreo
estándar de la tarjeta de audio), a una nueva frecuencia de
2
muestreo de 250 Hz (frecuencia de muestreo comúnmente
utilizada para la adquisición de ECG). La decimación se
realiza para disminuir la cantidad de memoria utilizada por
el computador al momento de realizar el procesamiento de
la señal, además que ayuda como un primer prefiltrado de la
señal, eliminando todas las frecuencias superiores a la mitad
de la nueva frecuencia de muestreo (125 Hz para nuestro caso).
Filtrado de la señal: Como segundo paso, se utiliza un
filtro pasabanda con respuesta infinita al impulso (IIR), cuyas
frecuencias de corte son 0.5 Hz y 50 Hz. Para evitar la
modificación en la fase de la señal se ha utilizado la técnica de
filtrado directo e inverso en el tiempo. Este tipo de filtrado da
la ventaja de los filtros de respuesta finita al impulso (FIR), de
mantener la fase lineal, pero, además, ofrecen un mejor filtrado
de la señal con un sistema de un menor orden, acelerando el
procesamiento de la señal [3].
Descomposición de la señal utilizando la DWT: Tras filtrar
la señal se usa la DWT, utilizando la función de Haar como
madre de la transformada, para descomponer la señal del ECG
en sus distintas componentes de frecuencia, enfocándonos en
los niveles entre 7.5 a 60 Hz, ya que entre esas frecuencias
se encuentra comprendido el complejo QRS. Se separa cada
nivel, dependiendo del componente del ECG que se desea
detectar y los demás niveles se hacen cero para trabajar
únicamente en el rango de frecuencias que nos interesa.
Cada nivel posee la mitad de frecuencias que el anterior, a
excepción de los últimos dos, que poseen el mismo rango de
frecuencias entre ellas, para complementar el espectro de la
señal. La forma de onda de la señal madre, utilizada para la
descomposición de la señal de ECG, se muestra en la Fig.1.
El flujograma que describe la descomposición, usando la
DWT, de la señal de ECG, en los diferentes niveles, se muestra
en la Fig.2 [4].
Figura 1. Señal madre utilizada para la descomposición de la señal en los
diferentes niveles, a través de DWT
Reconocimiento de los distintos componentes de la señal:
En base a los niveles de cada uno de los componentes del ECG
caracterizados en el paso anterior, se reconstruye la señal para
cada caso. Utilizando criterios de umbral, detección de valles
y picos, para reconocer cada uno de los distintos componentes
del ECG. A partir de estos parámetros se determina el com-
plejo QRS, y se identifica en la interfaz de usuario creada en
MATLAB.

Figura 2. Descomposición de la señal por medio de DWT
Detección de la Onda R: los picos de la onda R, dentro de
la señal de ECG, son los de mayor amplitud. Para la detección
de estos picos, los detalles de las descomposiciones del nivel
3 (para una señal muestreada a 250 Hz, contiene la banda de
frecuencia de 30 a 60 Hz) al nivel 5 (para la misma frecuencia
de muestreo, contiene la banda de frecuencias de 7.5 a 15
Hz) se conservan, haciendo cero los detalles de las demás
descomposiciones, ver las descomposiciones de la señal en
la Fig. 3. Este procedimiento remueve las bajas y las altas
frecuencias del ECG; entonces ahora, sólo las transiciones de
mayor amplitud se mantienen. Posteriormente, se determina
la distancia entre las transiciones encontradas y se compara
contra 150 ms, si la distancia de las transiciones es menor, de
este tiempo, dichas transiciones se eliminan, por lo que, sólo
se conservan aquellas que pertenecen a las ondas R [4].
Figura 3. Descomposición de la señal de ECG en ocho nivel por la DWT ,
obtenida a través de WAVELET-Toolbox
Detección de la Onda Q y la Onda S: estas ondas, por
lo regular, ocurren en un rango menor a 0.1 segundos de la
onda R, ya que se ha reportado que la duración estándar del
complejo QRS, para una persona adulta, es de esta duración.
Utilizando también las descomposiciones del nivel 3 al nivel
5, se determinan los mínimos absolutos, dentro de la ventana
temporal utilizada, siendo estos la onda Q, la que se detecta
antes, y la onda S, la que se identifica después, de la onda R.
A continuación, se muestran los resultados obtenidos, en la
detección de los complejos QRS, procesando señales adquiri-
3
das por el sistema de electrocardiografía, desarrollado en la
UCA.
III. R ESULTADOS
III-A. Implementación de sistema para adquisición de ECG
Se muestrea la señal a una frecuencia de 8000 Hz, utilizando
la tarjeta de audio como medio de obtención de la señal de
ECG.
El software para el sistema de adquisición se desarrollo
en MATLAB, utilizando el Data Acquistion Toolbox, por
medio del cual se establecen los parámetros de frecuencia
de muestreo y tiempo de adquisición de la señal. Se diseño,
además, una interfaz gráfica, donde se muestra la señal de
electrocardiografía submuestreada a una frecuencia de 250 Hz
junto a esta misma señal, pero, con la interferencia de la red
de 60 Hz removida.
Figura 4. Interfaz gráfica de usuario del programa de adquisición de señales,
creada en Matlab
Algoritmo de detección de complejo QRS
Se analizaron muestras del cinco minutos a distintos pa-
cientes, adquiriendo los datos con el sistema previamente
descrito, para luego procesarlos utilizando el algoritmo que
fue explicado anteriormente.
Para la implementación del algoritmo se secciona la señal en
ventanas de 1250 muestras (cinco segundos), para mejorar la
detección de los complejos, ya que en cada ventana cambiaran
los umbrales de detección de los picos máximos, adaptándose
así a posibles cambios en la forma de las ondas que se pudiesen
presentar a lo largo de la adquisición, para así lograr una mejor
detección de la ondas R, y por consiguiente, de las ondas Q
y S.
En la figura a continuación podemos notar claramente la
coincidencia con una alta precisión entre los Q, R y S del
ECG original y la onda reconstruida tras la eliminación de
los coeficientes que no correspondían a los niveles 3 a 5
de la DWT de la señal original. Esto se logro detectando
los picos superiores de la onda reconstruida, en base a un
umbral basado en el máximo de la señal reconstruida dentro
de la ventana de análisis. Se observa un patrón característico
en la señal reconstruida, donde se identifica que existen tres

lóbulos positivos y dos negativos, intercalados, en la región
del complejo QRS.
Figura 5. Arriba se puede ver la señal original de ECG, abajo se aprecia la
descomposición. Los puntos son la localización de las ondas Q, R y S.
Para señales ECG con ritmo sinusoidal normal, la detección
de las ondas Q, R y S se da con una gran exactitud, con pe-
queños errores posicionales. Los mayores errores de ubicación
se observan en la detección de los puntos Q y S.
A continuación se muestra una señal con su complejo QRS
bien identificado respecto de las demás onda. Se observa la
detección de los puntos Q (puntos verdes), R (puntos negros)
y S (puntos rojos).
Figura 6. Detección de las ondas Q, R y S
En la siguiente figura observamos el error en la detección
de la ubicación de las ondas Q y S. Se denota perfectamente
que en la onda reconstruida por medio de la IDWT se detectan
exactamente los puntos correspondientes a los mínimos dentro
de la ventana de 100 ms establecida para la detección, pero,
hay un pequeño error (que oscila entre 1 y 5 muestras, que en
tiempo equivaldría a 4 ms y 20 ms respectivamente), respecto
a la ubicación real de estas ondas. Nuevamente se puede
aprecisar el patrón descrito previamente.
En el caso de ondas que no presentan un ritmo normal
sinusoidal, existe problema en la detección de los complejos.
Se observa que en estos casos la forma de la señal reconstruida
presenta una mayor cantidad de lóbulos respecto a la de una
onda con ritmo normal. Además, se observa que dichas señales
reconstruidas presentan una menor amplitud respecto de las
ondas con ritmo normal.
4
Figura 7. Se aprecia el desfase de la detección, con un máximo de 5 muestras.
En la siguiente figura se observan seis ondas con ritmo
sinusoidal normal, las cuyos puntos QRS son detectados bajo
los márgenes de error previamente mencionados. Al mismo
tiempo, existen tres complejos QRS seguidos por una onda T
invertida. En estos tres casos existe un error en la detección de
los puntos QRS. Observamos también en la señal reconstruida,
que en estos tres casos no observamos el patrón descrito en
los párrafos anteriores, mostrando en este caso mayor número
de ondulaciones, y de menor magnitud.
Figura 8. Error de detección en ondas sin ritmo sinusoidal normal
IV. D ISCUSIÓN Y C ONCLUSIONES
Existen diversos algoritmos para la caracterización del
complejo QRS en la literatura, donde los más populares son
aquellos que utilizan derivadas y transformaciones no lineales.
En este trabajo se decidió optar por la implementación de
un algoritmo basado en la descomposición de sistemas en
subbandas de frecuencia, utilizando el análisis multiresolución,
aplicando la DWT por las razones previamente mencionadas.
Se observo una alta precisión en la detección de los distintos
puntos característicos del complejo QRS, observando como
mayor virtud de este algoritmo la detección inmediata de la
ubicación del punto R, como se puede observar en las figuras
2, 3 y 4 de los resultados; en comparación con los algoritmos
descritos en [5] y [6]. Esto facilita en gran medida la obtención
de la distancia entre los puntos R, información muy importante
en la obtención de la variabilidad del ritmo cardíaco.
 5

El mayor problema observado en este algoritmo se da

cuando la onda no presenta la forma normal de un ECG,
como se observa en la figura 5 de los resultados. Puede notarse
que esto se debe a que las componentes frecuenciales se ven
alteradas respecto a las componentes de las ondas con forma
normal (se observa una onda reconstruida con una distinta
forma respecto al patrón descrito en los resultados).
La implementación de este algoritmo puede resultar muy
útil, junto al sistema de adquisición de ECG de bajo costo,
como una herramienta de diagnóstico al alcanza de la mayoría
de personas con acceso a hospitales de la red pública de El
Salvador, enfocado primordialmente al sector de más escasos
recursos de nuestro país, ya que lo único necesario es un
computador con Windows y entrada de micrófono.

R EFERENCIAS
[1] R. Acharya, J. A. E. Spaan, J. Suri, S. M. Krishnan. Advances in Cardiac
Signal Processing. Springer-Verlag, Berlin Heidelberg, pp. 1-53, 2007.
[2] Andrade Mora, Sandra Marcela y Navarrete Mejía, Miguel Gonzalo.
Análisis y tratamiento de la señal electrocardiográfica para la detección
de parámetros de normalidad bajo la plataforma Labview “ADPAN-
ECG”. Trabajo de grado para optar al título de ingeniero eléctrico.
Bucaramanga, Colombia, Universidad Pontificia Bolivariana, pp. 32-46,
2006.
[3] L. P. Sörnmo. Bioelectrical Signal Processing in Cardiac and Neurolog-
ical Applications. Elsevier Academic Press, Londres, pp. 453-485, 2005.
[4] S. Z. Mahmoodabadi, A. Ahmadian, M. D. Abolhasani, ECG Feature
Extraction using Daubechies Wavelets. Visualization, Imaging and Images
Processing, Proceedings of Fifth IASTED International Conference, 343-
348, 2005.
[5] S. Suppappola, Y. Sun. Nonlinear transforms of ECG Signal for Digital
QRS Detection: A Quantitative Analysis. IEEE Transactions on Biomed-
ical Engineering, Vol. 41, 397-400, 1994.
[6] P. S. Hamilton, W. J. Tompkins. Quantitative Investigation of QRS De-
tection Rules Using the NIT/BIH Arrythmia Database. IEEE Transactions
on Biomedical Engineering, Vol. BME-33, NO. 12, 1157-1165, 1994