Resumen

La detección de picos R es crucial en el análisis de señales de electrocardiograma (ECG). Este estudio propone un algoritmo de detección de picos R adaptativo y eficiente en el tiempo para el procesamiento de ECG. En primer lugar, se aplicó un análisis de multiresolución de ondículas para mejorar la representación de la señal de ECG. A continuación, se reflejó el ECG para convertir los picos R negativos grandes en positivos. A continuación, se calcularon los máximos locales mediante el enfoque diferencial directo de primer orden y se truncaron mediante los umbrales de amplitud e intervalo de tiempo para localizar los picos R. Las prestaciones del algoritmo, incluida la precisión de la detección y el consumo de tiempo, se probaron en la base de datos de arritmias MIT-BIH y en la base de datos QT. Los resultados experimentales mostraron que el algoritmo propuesto alcanzó una sensibilidad media del 99,39%, una predictividad positiva del 99,49% y una precisión del 98,89% en la base de datos de arritmias MIT-BIH y del 99,83%, 99,90% y 99,73%, respectivamente, en la base de datos QT. Al procesar un registro de ECG, los consumos medios de tiempo fueron de 0,872 s y 0,763 s para la base de datos de arritmias MIT-BIH y la base de datos QT, respectivamente, lo que supone un 30,6 y 32,9% de reducción de tiempo en comparación con el método tradicional Pan-Tompkins.

• Materias:Algoritmos de aprendizaje Transductores de ultrasonido Ingeniería de atención Estudio biomecánico Ortesis progresivas estáticas
• Subjects:Learning algorithms Ultrasound transducers Care engineering Biomechanical study Static progressive orthoses
• Palabras claves:Base de datos de arritmias BIH, base de datos QT, MIT, representación de señales ECG, enfoque diferencial hacia delante, R negativa grande, consumos medios de tiempo, algoritmo de detección de picos, umbrales de intervalos de tiempo, análisis de multiresolución wavelet.
• Keywords:BIH arrhythmia database, QT database, MIT, ECG signal representation, forward differential approach, large negative R, mean time consumptions, peak detection algorithm, time interval thresholds, wavelet multiresolution analysis