1

Validacin Manual y Semiautomtica de Series RR

en una Base de Datos Electrocardiogrfica de Prueba
de Esfuerzo
Juan Fajardo, Dario Sinchi
{jairo.armijosa, david.garcia}@ucuenca.ec
UNIVERSIDAD DE CUENCA
Escuela de Ingeniera Electrnica y Telecomunicaciones.

Resumen. Este artculo presenta el rendimiento de un

clasificador
semi-automtico
de
las
derivaciones
electrocardiogrficas tomadas de una base de datos Dicardia.
Para ello, primero utilizamos el detector Pan & Tompkins a
para obtener la serie RR de los 8 cables de cada registro y, a
continuacin utilizamos medidas estadsticas para evaluar la
calidad de los canales. Por ltimo, el rendimiento del
clasificador se prueba con diferentes parmetros de entrada.

propuesto por Martnez [4] para estudiar las

alteraciones del QRS de sujetos con el sndrome de
Brugada durante una prueba de esfuerzo [8],
mediante el anlisis de cambio de pendiente en el
QRS. Rodrguez propone un mtodo para la
extraccin automtica de ventanas estacionarias
durante una prueba de esfuerzo para el estudio de la
Variabilidad de la Frecuencia Cardaca [9].

Keywords intervalo RR, ECG, frecuencia

cardiaca, variabilidad de la frecuencia cardiaca,
desviacin estndar.

La obtencin de series de variabilidad cardaca

durante una prueba de esfuerzo sigue siendo
actualmente un problema abierto.

I. INTRODUCCIN
A pesar de la gran cantidad de algoritmos
desarrollados para la deteccin del complejo QRS,
desde el clsico, propuesto por Pan & Tompkins [1],
pasando por los algoritmos basados en ondaletas[2],
y
redes
neuronales[3],
y
de
sus
extensas validaciones, realizadas bajo diferentes
condiciones de ruidos y morfologas[4,5], no existen
validaciones de estos detectores sobre bases de
datos ECG durante una Prueba de Esfuerzo. Las
validaciones en condiciones de esfuerzo han sido
realizadas en su mayora usando la base de datos de
Noise
Stress
Test
Database[6], la
cual
est disponible para la comunidad cientfica en el
portal de Physionet[7] y a pesar de tener una gran
diversidad de ruidos no representa la gama de no
linealidades y los cambios de frecuencia cardaca
presentes durante una Prueba de Esfuerzo.

En un estudio reciente se usa el detector

Adicionalmente no existen bases de datos de

esfuerzo electrocardiogrficas anotadas para realizar
las validaciones. Recientemente se colocaron a la
disposicin de la comunidad cientfica tres bases de
datos de ECG durante pruebas de esfuerzo, de
estudios
para
isquemia
miocrdica,
precondicionamiento isqumico y neuropata cardiaca
diabtica [10]. Esta ltima, llamada Dicardia, contiene
8-derivaciones ECG de 51 sujetos diabticos con
complicaciones cardiacas, 3 diabticos sin
complicaciones sin complicaciones cardiacas y 11
sujetos de control[11], y dispone de otras
informaciones como qumica sangunea y el reporte
del cardilogo sobre la prueba de esfuerzo. Tambin
dispone de informacin en formato ecgML[12] y
anotaciones automticas no validadas las cuales han
sido de poca utilidad para los usuarios de
Dicardia[9].
Dicardia
es
una
Base
de
datos
electrocardiogrfica disponible para la comunidad
cientfica que cuenta adicionalmente con

Las seales se digitalizaron a una velocidad de

muestreo de 500 Hz, 12 bits de resolucin, y un
rango dinmico de 5 mV.
B. Clasificacin Manual
Debido a que la base de datos DICARDIA no
tiene anotaciones mdicas se utiliza una anotacin
manual para escoger el mejor canal. El primer paso
consisti en obtener una seal de referencia, el

404
405
406
407
tiempo [segundos]

ECG1723 CANAL: 2

408

409

RR

0
401

402

403

404
405
406
407
tiempo [segundos]

ECG1723 CANAL: 3

100

408

409

-200
400

RR
401

402

403

404
405
406
407
tiempo [segundos]

ECG1723 CANAL: 4

100

408

409

-200
400

401

402

403

404
405
406
407
tiempo [segundos]

408

409

500

1000
1500
tiempo [segundos]

2000

2500

RR vs. Tiempo
500

500

1000
1500
tiempo [segundos]

2000

2500

ECG1723 RR CANAL: 4
RR vs. Tiempo

500
0
0

410

3000

ECG1723 RR CANAL: 3

1000

-100

2500

RR vs. Tiempo

0
0

410

Channel 4 of the signal

Detection Signal

1500
2000
tiempo [segundos]

ECG1723 RR CANAL: 2

1000

-100

1000

500
0
0

410

Channel 3 of the signal

Detection Signal

500

1000
RR

200

RR vs. Tiempo
500
0
0

410

Channel 2 of the signal

Detection Signal

RR

Amplitud
Amplitud

403

500

1000
1500
tiempo [segundos]

2000

2500

Figura 1. Derivaciones ECG canales: DI, DII, V1,

V2.
ECG1723 CANAL: 5

Channel 5 of the signal

Detection Signal

0
-200
400

401

402

403

404
405
406
407
tiempo [segundos]

ECG1723 CANAL: 6

400

408

409

401

402

403

404
405
406
407
tiempo [segundos]

ECG1723 CANAL: 7

400

408

409

401

402

403

404
405
406
407
tiempo [segundos]

ECG1723 CANAL: 8

400

408

409

200
0
-200
400

401

402

403

404
405
406
407
tiempo [segundos]

408

409

410

2000

2500

RR vs. Tiempo

500

1000
1500
tiempo [segundos]

2000

2500

ECG1723 RR CANAL: 7
RR vs. Tiempo

500
0

410

Channel 8 of the signal

Detection Signal

1000
1500
tiempo [segundos]

ECG1723 RR CANAL: 6

1000

0
-200
400

500

5000
0

410

Channel 7 of the signal

Detection Signal

200

10000

0
-200
400

RR vs. Tiempo
500
0

410

Channel 6 of the signal

Detection Signal

200

ECG1723 RR CANAL: 5

1000
RR

200

RR

402

RR

Diabticos con Complicaciones Cardiacas: 51

Sujetos de 5710 aos de edad y peso 7315
Kg.
Diabticos sin Complicaciones Cardiacas: 3
Sujetos de 4912 aos de edad y peso 798 Kg.
Grupo Control: 11 Sujetos de 506 aos de
edad y peso 8120 Kg.

401

400

ECG1723 RR CANAL: 1

1000

500

1000
1500
tiempo [segundos]

2000

2500

ECG1723 RR CANAL: 8

1000
RR

Channel 1 of the signal

Detection Signal

100

-200
400

Amplitud

La base de datos Dicardia contiene 65 registros de

diferentes sujetos que estn divididos en tres
subgrupos:

ECG1723 CANAL: 1

200

-100
400

Amplitud

A. Base de Datos DICARDIA

MEJOR CANAL
CANAL BUENO
CANAL MALO
CANAL INSERVIBLE

En la siguiente imagen se observa la deteccin

del complejo RR usando PAN & TOMPKINS de los
8 canales del registro ECG1723, las respectivas
secuencias RR y su correspondiente clasificacin
manual en la tabla 1:

Amplitud

II. METODOLOGIA

1
2
3
4

Amplitud

Usando el detector de Pan & Tompkins se

obtienen las series RR para las 8 derivaciones de
cada registro de Dicardia. Se realiza una
clasificacin manual de cada serie. Luego a partir
de medidas estadsticas se determinan los puntos
fuera se establece una correlacin entre el mtodo
automtico y las clasificaciones manuales
realizadas.

TABLE I
ESCALA DE CLASIFICACIN MANUAL

Amplitud

El objetivo principal de este trabajo es obtener y

validar las series RR de Dicardia. Esperando que
estas series RR puedan servir de base para otros
estudios y que la metodologa propuesta en este
trabajo permita validar y obtener series RR de otras
Bases de datos de esfuerzo.

proceso se realizo de forma manual para cada

registro, tomando en cuenta la cantidad de ruido
observado y la cantidad de artefactos presente en
cada canal, la seleccin del mejor canal se anot
como 1. El resto de las derivaciones de la ECG son
clasificadas como buenas, malas e inservibles
mediante una escala numrica del 2 al 4, como se
muestra en la tabla 1.

Amplitud

informacin multi-paramtrica, lo cual puede ser

muy valioso para realizar diferentes tipos de
estudios. Sin embargo amerita de anotaciones
validadas que permitan una mejor explotacin de la
base de datos.

RR vs. Tiempo
500
0

500

1000
1500
tiempo [segundos]

2000

Figura 2. Derivaciones ECG canales: V3, V4, V5,

V6.

2500

50%

CLASIFICACIN

D. ndice de Coincidencia
La mtrica que usamos para evaluar el algoritmo
de anotaciones automticas es el ndice de
coincidencia (ecuacin 1).
n

1, si i , j i , j

j 1 i 1

0,

otro caso

En donde C es el ndice, n representa el nmero

de registros (pacientes), m el nmero de canales, M
y A son las matrices de anotaciones manuales y
automticas respectivamente, cuyas columnas
contienen los canales y cuyas filas contienen los
registros. Lo que busca este ndice es evidenciar el
canal de un registro que ha sido clasificado con la
misma clase tanto en las anotaciones manuales
como automticas.
III.RESULTADOS
En la tabla 4 se encuentran las anotaciones que se
realizaron de manera manual mientras que en la
tabla 5 se encuentran las anotaciones que se
realizaron de manera automtica. En las tablas se

S1488
7
S1038
5
S1499
0
S1501
6
S1513
9

CANAL 8

CANAL 7

CANAL 6

CANAL 5

CANAL 4

CANAL 3

BASE DE
DATOS

MEJOR CANAL
CANAL BUENO
CANAL MALO
CANAL
INSERVIBLE

TABLE IV
ANOTACIONES MANUALES

PACIENTE

PORCENTAJE DE
VENTANAS
<30%
<40%
<50%

Las anotaciones automticas se obtuvieron

usando dos parmetros de entrada: el tamao de la
ventana (10,15 y 20) y el umbral de la desviacin
estndar (10 y 15%). Las derivaciones de las
seales ECG se clasificaron en dos, tres y cuatro
clases (para las anotaciones manuales se utilizaron
cuatro clases, como se menciona en la seccin 2.2).
Las secciones 3.1, 3.2 y 3.3 detallan la comparacin
usando diferentes nmeros de clases.

CANAL 2

TABLE III
ESCALA DE CLASIFICACIN SEMIAUTOMTICA

presentan nicamente los registros representativos

de la base de datos.

CANAL 1

C. Clasificacin Semiautomtica
El mtodo consiste en dividir la seal en
ventanas, luego se obtiene la desviacin estndar de
cada ventana. Se aplica un umbral de mxima
desviacin estndar aceptable (10 y 15%) para cada
ventana (10, 15, 20) para tener una seal limpia, y
se realiza un conteo de las ventanas en las cuales no
se cumple el umbral establecido. La clasificacin se
realiza mediante el porcentaje de ventanas que
sobrepasan el umbral establecido segn la tabla 3.

ECG15

ECG462

ECG176
1
ECG180
3
ECG202
9

A. Comparacin usando Cuatro Clases

Los resultados devueltos por el algoritmo se
encuentran en la matriz (A). Cada elemento de la
matriz puede tomar un valor entre uno y cuatro
como
se
muestra
en
la
Tabla
1.
Analizando los resultados presentados en la Tabla
4, podemos observar que los resultados en general
del ndice utilizando una jerarquizacin con cuatro
clases son malos, ya que este ndice es menor al
50%.
Mientras mayor sea el tamao de la ventana, el
ndice de coincidencia se reduce.
TABLE V
COMPARACIONES ENTRE ANOTACIONES MANUALES Y AUTOMTICAS USANDO
CUATRO CLASES
CLASES
REF.
BUENO MALO NO SIRVE

10-15

55.58%

15

10-15

57.31%

20

10

53.27%

20
20

10-15
15

62.12%
66.15%

10.19
%
11.54%
10.58
%
7.50%
7.31%

7.88%

26.35%

39.42%

4.81%

26.35%

37.12%

5.77%

30.38%

39.62%

20

10-15

8.65%
7.31%

21.73%
19.23%

35.19%
31.35%

20

15

10-15

15

10-15

20

10

COINCIDENCIANDICE DE

10

AUTOMTICO

10

UMBRAL

24.42%
COINCIDENCIANDICE DE

UMBRAL

AUTOMTICO

65.77
%
68.85
%
63.85
%
69.62
%
73.46
%

7.88%

26.35%

4.81%

26.35%

5.77%

30.38%

8.65%

21.73%

7.31%

19.23%

73.08
%
73.08
%
72.50
%
71.92
%
68.27
%

C. Comparacin usando Dos Clases

B. Comparacin usando Tres Clases

En la clasificacin de tres estados se tom en
cuenta que entre el estado 1 (Mejor canal) y el
estado 2 (Canal Bueno), no haba mayor diferencia.
Por lo tanto, la comparacin entre las anotaciones
manuales y automticas se realiza usando la tabla 6.

En la clasificacin de dos estados se tom en

cuenta dos estados, estado 1 (canal bueno) y el
estado 2 (Canal malo). Por lo tanto, la comparacin
entre las anotaciones manuales y automticas se
realiza usando la tabla 8.

TABLE VI
ESCALA DE CLASIFICACIN AUTOMTICA DE TRES ESTADOS

TABLE VIII
ESCALA DE CLASIFICACIN AUTOMTICA DE TRES ESTADOS

1
2
3

MEJOR CANAL Y CANAL BUENO

CANAL MALO
CANAL INSERVIBLE

Los resultados obtenidos se observan en la

siguiente tabla.

1
2

CANAL BUENO
CANAL MALO

Y en la tabla 9 se observan los resultados

obtenidos usando nicamente dos clases para el
clasificador.
TABLE IX
COMPARACIONES ENTRE ANOTACIONES MANUALES Y AUTOMTICAS USANDO
CUATRO CLASES
CLASES
BUENO
MALO
MANUAL

49.23
%

26.35%

24.42%

10
15
20
20
20

10-15
10-15
10
10-15
15

51.79%

AUTOMTICO

65.77%
68.85%
63.85%
69.62%
73.46%

34.23%
31.15%
36.15%
30.38%
26.54%

NDICE DE
COINCIDENCIA
(C)

TABLE VII
COMPARACIONES ENTRE ANOTACIONES MANUALES Y AUTOMTICAS USANDO
TRES CLASES
CLASES
BUENO
MALO
INSERVIBLE
MANUAL

UMBRAL

48.21%
VENTANA

VENTANA

11.92%

MANUAL
37.31
26.35
%
%

VENTANA

80.77%
78.85%
80.77%
77.69%
74.62%

Finalmente, en la tabla 10 se muestran los ndices

de coincidencia con sus respectivos porcentajes para
cada uno de los mtodos de clasificacin
anteriormente vistos.
TABLE X
VALORES OBTENIDOS PARA EL NDICE DE COINCIDENCIA EN FUNCIN DEL
NUMERO DE CLASES.
NDICE DE COINCIDENCIA
UMBRA
2
3
4
VENTANA
L
CLASES
CLASES
CLASES

10
15
20
20
20

10-15
10-15
10
10-15
15

80.77%
78.85%
80.77%
77.69%
74.62%

73.08%
73.08%
71.92%
72.50%
68.27%

39.42%
37.12%
35.19%
39.62%
31.35%

En la tabla se observa claramente que con

nicamente un clasificador de dos clases los
porcentajes de ndice de coincidencia mejoran
sustancialmente con respecto a los de 3 y 4 clases.
Adems, se puede observar que se obtienen mejores
resultados con dos tcnicas: 1) 10 ventanas y 2
umbrales de 10-15, y 2) con 20 ventanas y un
umbral de 10. Ambas tcnicas presentan el mismo
porcentaje de ndice de coincidencia de 80.77%.
IV. CONCLUSIONES
La base de datos DICARDIA es muy extensa, por
lo que realizar una anotacin visual de la base de
datos es un proceso tedioso y largo. Por este motivo
es necesaria una forma automtica de obtener el
canal de referencia.
En las primeras etapas de la diabetes, el
comportamiento particular de los sistemas nerviosos
autnomos (aumento del tono simptico y
disminucin del tono parasimptico) observa a
travs de variabilidad de la frecuencia (HRV), esto
se ha relacionado con algunos trastornos
cardiovasculares.
Se obtuvo las secuencias RR de cada una de las
derivaciones ECG para cada paciente de la base de
datos DICARDIA.
Se utilizaron medidas estadsticas, para en un
principio tener informacin de todos los canales, y
determinar el canal ms limpio o con mejores
detecciones, para de esta manera clasificar las

dems derivaciones en canales que pueden ser

filtrados, para tener mejores detecciones y canales
que tienen demasiado ruido y por lo tanto son
inservibles.
Finalmente, se compar cada derivacin con
respecto a la mejor derivacin obtenida del ECG.
REFERENCIAS

[1] J. Pan and W. J. Tompkins, A real-time qrs detection

algorithm, Biomedical Engineering, IEEE Transactions
on (3), pp. 230236, 1985.
[2] C. Li, C. Zheng, and C. Tai, Detection of ecg
characteristic points using wavelet transforms,
Biomedical Engineering, IEEE Transactions on 42(1), pp.
2128, 1995.H. Poor, An Introduction to Signal Detection
and Estimation. New York: Springer-Verlag, 1985, ch. 4.
[3] Z. Dokur, T. Olmez, E. Yazgan, and O. K. Ersoy,
Detection of ecg waveforms by neural networks,
Medical engineering & physics 19(8), pp. 738741, 1997.
[4] J. P. Martinez, R. Almeida, S. Olmos, A. P. Rocha, and P.
Laguna, A wavelet-based ecg delineator: evaluation on
standard databases, Biomedical Engineering, IEEE
Transactions on 51(4), pp. 570581, 2004.
[5] J. Dumont, A. I. Hernandez, and G. Carrault, Improving
ecg beats delineation with an evolutionary optimization
process, Biomedical Engineering, IEEE Transactions on
57(3), pp. 607615, 2010.
[6] G. B. Moody and R. G. Mark, The mit-bih arrhythmia
database on cd-rom and software for use with it, in
Computers in Cardiology 1990, Proceedings., pp. 185
188, IEEE, 1990.
[7] A. L. Goldberger, L. A. Amaral, L. Glass, J. M.
Hausdorff, P. C. Ivanov, R. G. Mark, J. E. Mietus, G. B.
Moody, C.-K. Peng, and H. E. Stanley, Physiobank,
physiotoolkit, and physionet components of a new
research resource for complex physiologic signals,
Circulation 101(23), pp. e215e220, 2000.
[8] D. Romero, N. Behard, A. Martin-Yebra, J. P. Martinez, P.
Laguna, E. Pueyo, G. Carrault, P. Mabo, and A.
Hernndez, Analysis of qrs alterations during stress test
recordings on patients with brugada syndrome, in
Computing in Cardiology Conference (CinC), 2014, pp.
137140, IEEE, 2014.
[9] M. G. Rodrguez, C. A. Ledezma, G. Perpin, S. Wong,
and M. Altuve, Extracting stationary segments from nonstationary synthetic and cardiac signals, in Tenth
International Symposium on Medical Information
Processing and Analysis, pp. 92870B92870B,
International Society for Optics and Photonics, 2015.
[10] C. Ledezma, E. Severeyn, G. Perpinan, M. Altuve, S.
Wong, et al., A new on-line electrocardiographic records
database and computer routines for data analysis, in
Engineering in Medicine and Biology Society (EMBC),
2014 36th Annual International Conference of the IEEE,
pp. 27382741, IEEE, 2014.

6
[11] L. Quintero, S. Wong, R. Parra, J. Cruz, N. Ante para, D.
Almeida, F. Ng, and G. Passariello, Stress ecg and
laboratory database for the assessment of diabetic
cardiovascular autonomic neuropathy, in Engineering in
Medicine and Biology Society, 2007. EMBS 2007. 29th
Annual International Conference of the IEEE, pp. 4339
4342, 2007

[12] H. Wang, F. Azuaje, B. Jung, and N. Black, A markup

language for electrocardiogram data acquisition and
analysis (ecgml), BMC Medical Informatics and
Decision Making 3(1), p. 4, 2003.