Calidad en la Compresin de Electrocardiogramas Evaluando la Medicin de sus Intervalos Caractersticos *

Luis ngel Corrales Rodrguez, Ins Fernando Vega Lpez Universidad Autnoma de Sinaloa l.i.luisangel@gmail.com, ifvega@uas.uasnet.mx Resumen
En este documento proponemos una nueva perspectiva para la evaluacin en la calidad de compresin de electrocardiogramas, enfocndose en la conservacin de la informacin til para el diagnstico mdico y no en una medida de semejanza entre la seal original y la seal comprimida. Para evaluar la calidad de la seal utilizaremos un algoritmo para medir los intervalos caractersticos de los electrocardiogramas de forma automtica, basado en los Modelos Ocultos de Markov. Este proyecto se encuentra en las etapas iniciales y en este documento se presentan los primeros resultados de los algoritmos que se han implementado hasta el momento.

1. Introduccin
Las enfermedades del corazn son un grave problema de salud pblica en nuestro pas y en el mundo entero. Segn datos de la Organizacin Mundial de la Salud (OMS) la cuarta parte de las defunciones ocurridas durante el ao 2005 se debieron a enfermedades del corazn [1]. Existen muchos estudios diagnsticos que permiten detectar la presencia de enfermedades cardacas como el electrocardiograma, el ecocardiograma, el cateterismo isqumico, la cinecoronariografa, entre otros. Uno de los estudios ms utilizados es el Electrocardiograma (ECG). El Electrocardiograma es un estudio rpido, sencillo, no invasivo, indoloro y relativamente barato, que permite registrar la actividad elctrica del corazn. La funcin del corazn es asegurar la circulacin de la sangre en el organismo. Para esto el corazn genera de forma continua impulsos elctricos que provocan una serie de eventos rtmicamente ordenados. El impulso elctrico viaja a travs de las vas de conduccin del corazn, estimulando las aurculas, se detiene por un brevsimo instante en el nodo atrioventricular, para posteriormente continuar su camino a travs del haz de his y estimular los ventrculos, con esto se completa un ciclo cardaco, es decir, una latido. Las series de tiempo representan la medicin de un fenmeno en un perodo de tiempo. La conformacin y anlisis de bases de datos de series de tiempo en medicina ha crecido en los ltimos aos. Una vertiente de estas bases de datos se especializa en el estudio de electrocardiogramas. Las bases de datos de electrocardiogramas se utilizan como herramientas para la investigacin y como auxiliares en el diagnstico. Una de las problemticas de estas bases de datos, y en general de la mayora de aquellas donde se involucran series de tiempo, es que cada registro es de gran tamao, lo cual entorpece su almacenamiento, transmisin y/o procesamiento. Para optimizar estas tareas se han desarrollado algoritmos de compresin que permiten una manipulacin ms eficiente de la informacin. Al aplicar algoritmos de compresin se pueden seguir dos estrategias: compresin sin prdidas y compresin con prdidas. Esta ltima nos ofrece una manipulacin
*

Este trabajo fue parcialmente financiado por la Universidad Autnoma de Sinaloa a travs del Programa de Fomento y Apoyo a Proyectos de Investigacin. Tambin fue financiado en parte por el Consejo Estatal de Ciencia y Tecnologa del estado de Sinaloa.

Karinne Ramrez Amaro, Erik Vladimir Ortega Gonzlez, Francisco Hiram Calvo Castro (Eds.); E2C2 2007: Memorias del Primer Encuentro de Estudiantes en Ciencias de la Computacin; (c) Centro de Investigacin en Computacin del Instituto Politcnico Nacional, Mxico, 2007.

ms eficiente de los registros, pero por otro lado, puede ocasionar que la seal pierda informacin valiosa para el diagnstico mdico. Tradicionalmente la calidad de la seal comprimida se evala mediante una medida de semejanza como la distancia euclidiana o el PRD (Porcent Root-mean square Difference). En este trabajo proponemos evaluar la calidad de la seal comprimida mediante la medicin de sus intervalos caractersticos a travs de los Modelos Ocultos de Markov. El objetivo de este trabajo es encontrar cual es algoritmo de compresin de series de tiempo que mejor resguarde la calidad diagnstica de la seal. El resto de este documento se organiza de la siguiente forma. En la segunda seccin se describen las caractersticas de un electrocardiograma. En la tercera seccin se describe el proceso de medicin automtica de los intervalos del electrocardiograma mediante los Modelos Ocultos de Markov. En la cuarta seccin se describen diferentes algoritmos de compresin de series de tiempo. En la quinta seccin se menciona la metodologa a seguir en este proyecto y se describe la base de datos que se utilizar. En la sexta seccin se muestran los primeros avances de este proyecto. Finalmente, en la ltima seccin se comentan las impresiones y conclusiones de los primeros resultados.

2. Caractersticas de un electrocardiograma
El electrocardiograma es un estudio que permite medir la actividad elctrica del corazn. Esta actividad elctrica hace que las cavidades del corazn de contraigan y enven la sangre hacia el cuerpo a travs de las arterias. Este evento es lo que conocemos comnmente como un latido. Cada latido del corazn esta compuesto por distintos estados cardiolgicos, los cuales representan la despolarizacin (descarga elctrica) o repolarizacin (carga elctrica) de clulas en regiones particulares del corazn. Los estados cardiolgicos, grficamente, se traducen en diferentes caractersticas en el trazado de un electrocardiograma. Estas caractersticas se componen de una serie de ondas que se repiten cclicamente con cada latido. Estas ondas son: P, Q, R, S, T y ocasionalmente U, al conjunto de las ondas Q, R y S se les denomina Complejo QRS. En la Figura 1 se muestra el trazado del electrocardiograma. Clnicamente el mdico evala el trazado del electrocardiograma para emitir un diagnstico. Lo que el mdico observa en el trazado es que se presenten todas las ondas, su amplitud y eje elctrico, y adems realiza la medicin de ciertos intervalos y segmentos que se obtienen a partir de las ondas antes mencionadas. De estos se pueden mencionar el intervalo PR, el que comprende desde el final de la onda P hasta el inicio del Complejo QRS. El intervalo QT, que comprende desde el inicio del Complejo QRS hasta el final de la onda T. En la Figura 1 se observan los segmentos e intervalos obtenidos a partir del trazado un electrocardiograma. La medicin del intervalo QT tiene una importancia muy relevante ya que constituye el estndar de oro en la evaluacin de los efectos de los medicamentos en la repolarizacin ventricular [2].

Figura 1. Trazado de un Electrocardiograma y sus caractersticas [3].

Karinne Ramrez Amaro, Erik Vladimir Ortega Gonzlez, Francisco Hiram Calvo Castro (Eds.); E2C2 2007: Memorias del Primer Encuentro de Estudiantes en Ciencias de la Computacin; (c) Centro de Investigacin en Computacin del Instituto Politcnico Nacional, Mxico, 2007.

3. Medicin automtica de un electrocardiograma

La medicin de los intervalos de un electrocardiograma es una tarea tpicamente realizada por un mdico especialista en cardiologa de forma manual. Este proceso consume demasiado tiempo y es susceptible a errores, adems, en algunos casos como los estudios Holter de 12 o 24 horas resulta casi imposible de realizar de esta manera la medicin de los intervalos. Debido a esto, se han realizado diferentes esfuerzos en el desarrollo de algoritmos para la medicin automtica de los intervalos del electrocardiograma. La mayora de los algoritmos para el anlisis automtico de electrocardiogramas estn basados en mtodos de umbrales. Los mtodos de umbrales tienen la desventaja de que los valores cercanos al umbral pueden ser clasificados errneamente, adems, son programa extensos y difciles de modificar [4]. Ms recientemente, se han utilizado Modelos Ocultos de Markov para este propsito, obteniendo resultados superiores a los de los mtodos de umbrales [4], [5], [6]. 3.1. Modelos Ocultos de Markov La deteccin y clasificacin de seales tiene su dificultad en que las seales del mundo real proveen informacin incierta e imprecisa, por lo que la aplicacin de modelos matemticos para representar estas seales es muy complicada [7]. Cuando la seal es no estacionaria y vara a travs del tiempo se puede utilizar un modelo probabilstico para obtener la informacin de la seal. En el modelo probabilstico la seal se constituye como una serie de estados, donde cada estado tiene diferentes propiedades probabilsticas. Un Modelo que ha logrado tratar con estas propiedades es el Modelo de Markov [4]. En el Modelo de Markov cada estado se define por una o ms variables aleatorias discretas y los valores que estas variables pueden tomar son los estados por los que est compuesta la seal que se est representando. En cada instante de tiempo el modelo asume estar en un estado y al recibir las observaciones permanece o cambia de estado segn su matriz de transicin. Los Modelos Ocultos de Markov (HMM) son aquellos donde los estados no son observables, es decir, los estados no son discretos y se representan por una funcin probabilstica de estado. El Modelo Oculto de Markov se define de la siguiente manera:

HMM = ( , A, B )

donde, es el vector de distribucin del estado inicial, A es la matriz de transicin de estados y B es la matriz de distribucin de salida. 3.2 Modelado del Electrocardiograma a travs de un HMM El trazado del electrocardiograma forma una serie de caractersticas que se repiten cclicamente. Los estados del Modelo Oculto de Markov se establecen a partir de estas caractersticas. Para nuestro trabajo utilizaremos la secuencia de estados definida en Hughes et al[6], la cual se constituye por los estados P, B1(Lnea base 1), QRS, T, U y B2 (Lnea base 2). El estado lnea base 1 constituye el perodo del final de la onda P hasta el inicio del complejo QRS y donde no se presenta actividad elctrica. El estado lnea base 2 se presenta desde el final de la onda T o la onda U (cuando exista) hasta el inicio de la onda P, en este estado tampoco hay actividad elctrica. El Modelo propuesto por Hughes et al [6] se ilustra en la Figura 2.

Karinne Ramrez Amaro, Erik Vladimir Ortega Gonzlez, Francisco Hiram Calvo Castro (Eds.); E2C2 2007: Memorias del Primer Encuentro de Estudiantes en Ciencias de la Computacin; (c) Centro de Investigacin en Computacin del Instituto Politcnico Nacional, Mxico, 2007.

Figura 2. Composicin del HMM para un electrocardiograma propuesto por Hughes et al [4].

4. Compresin de electrocardiogramas
El almacenamiento y la transmisin de seales biomdicas adquiere una mayor relevancia en los hospitales. Aunque el almacenamiento digital ya no es tan caro como lo era hace unos aos y el poder de cmputo se ha incrementado, la compresin de seales aun es muy atractiva. Las principales razones de esto son que adems de incrementar nuestra capacidad de almacenamiento, la compresin de series de tiempo permite el desarrollo de mejores algoritmos para la construccin y el manejo de bases de datos de series de tiempo. Otros factores son, el incremento del uso de dispositivos mviles con recursos de cmputo limitados y la transmisin de seales en tiempo real, Los algoritmos de compresin de series de tiempo se pueden clasificar en dos grupos: los algoritmos de compresin sin prdidas y los algoritmos de compresin con prdidas. Para efectos de este trabajo se utilizarn solo algoritmos de compresin con prdidas, porque satisfacen mejor nuestro objetivo de minimizar el almacenamiento y el tiempo de transmisin de los datos. 4.1 Evaluacin de la calidad de la compresin. Los trabajos de compresin de electrocardiogramas utilizan para evaluar la calidad de sus resultados una simple medida de distorsin. Tpicamente, se utiliza el PRD (Percent Root meant square Difference) como en [8][9][10] y [11]. Esta medida se define por la siguiente formula:

PRD =

( x(n) x' (n))

n =1

x
n =1

,
2

( n)

donde, N es el tamao de la serie, x es la serie original y x es la serie reconstruida. El rango de la Ecuacin 1 es [0,1], resultados que se aproximan a 0 representan mayor concordancia y resultados cercanos a 1 representan menos concordancia. Sin embargo, esta medida no necesariamente refleja que la seal comprimida resguarda la informacin importante para el diagnstico, por lo que este trabajo plantea la necesidad de evaluar la calidad e la compresin de electrocardiogramas analizado la informacin mdica de la seal, es decir sus ondas e intervalos. 4.2 Transformada Discreta de Fourier (DFT) La transformada de una seal es solo otra forma de representarla, no cambia la informacin que la misma contiene. Una transformada representa la seal como coeficientes de una funcin expandida en el espacio, compuestas por un conjunto de funciones bsicas [12]. La

Karinne Ramrez Amaro, Erik Vladimir Ortega Gonzlez, Francisco Hiram Calvo Castro (Eds.); E2C2 2007: Memorias del Primer Encuentro de Estudiantes en Ciencias de la Computacin; (c) Centro de Investigacin en Computacin del Instituto Politcnico Nacional, Mxico, 2007.

transformada de Fourier como muestra la Figura 3, divide una seal en una suma de funciones senoidales de diferentes frecuencias e identifica sus amplitudes respectivas. Mediante esta transformada se obtiene el espectro de frecuencias de una seal y se sabe que tanto hay de cada frecuencia en la misma. La transformada discreta de Fourier se aplica para secuencias de duracin finitas y potencia de 2, y se define por la siguiente expresin:

C( f ) =

f (t )exp n
t =1

2ift , n

donde f = 1,..., n e i = 1 , C ( f ) son nmeros complejos que representan la amplitud y traslacin en la descomposicin de la seal en funciones senoidales.

Figura 3. Descomposicin de una seal en una suma de funciones senoidales con diferentes frecuencias, despus de aplicarle la Transformada de Fourier [13]. La compresin de una seal mediante la Transformada de Fourier se da manteniendo solo las frecuencias que aportan mayor informacin. Regularmente, las primeras frecuencias que corresponden a los primeros coeficientes de la derivada de Fourier son las que mantienen la mayor informacin de la seal, esto es porque los primeros coeficientes representan la baja frecuencia y es ah donde la forma de la seal se conserva mayoritariamente [13]. Sin embargo, como lo demuestra Mrchen [12], existen mejores mtodos para obtener los coeficientes que preservan la mayor cantidad de energa de la seal. 4.3 Transformada Wavelet Discreta (DWT) La transformada Wavelet descompone la seal en una suma de ondas finitas llamadas Wavelets con diferente escala y translacin. Las Wavelets son ondas que se confinan en lugar especfico, que tienen su energa concentrada en el tiempo o el espacio. Entonces DWT se trata de la descomposicin de la seal como combinacin de un conjunto de funciones base, que son el resultado del escalado y translacin de una funcin Wavelet madre [14]. En la Figura 4 se muestra la descomposicin de una seal en componentes con escala y translacin diferente. Existe una amplia gama de Wavelets madre que pueden ser utilizadas para calcular DWT. A diferencia de DFT, la representacin de la seal con DWT no se da en el dominio de la frecuencia, sino en el dominio tiempo-frecuencia.

Figura 4. Descomposicin de una seal en una suma de funciones Wavelet con diferente escalado y translacin. La Wavelet es Haar [13].

Karinne Ramrez Amaro, Erik Vladimir Ortega Gonzlez, Francisco Hiram Calvo Castro (Eds.); E2C2 2007: Memorias del Primer Encuentro de Estudiantes en Ciencias de la Computacin; (c) Centro de Investigacin en Computacin del Instituto Politcnico Nacional, Mxico, 2007.

DWT es una tcnica lineal de procesamiento que al aplicarse a una seal representada

por un vector D, lo transforma en un vector D numricamente diferente conformado por coeficientes Wavelet, pero ambos vectores son del mismo tamao [15]. La compresin se realiza manteniendo, solo los coeficientes que aporten mayor informacin. Al igual que en DFT, la prctica comn es utilizar los primeros coeficientes. Una seal se expresa mediante DWT por la siguiente ecuacin:

f (t ) = C j ,k j ,k (t ) ,
donde es la Wavelet madre, f (t ) es la seal original, C i , j son los coeficientes DWT de

f (t ) , j y k indican la escala y translacin respectivamente y t es el tiempo.

4.5. Piecewise Aggregate Approximation (PAA). Este mtodo fue propuesto por Keogh et al. [16]. Un mtodo similar fue propuesto, de manera simultanea, por Yi y Faloutsos [12], llamado Segmented Means. La serie de tiempo es una secuencia de longitud N, PAA reduce esta secuencia a una longitud M, donde 1 < M < N . Esto lo hace dividiendo la secuencia en secciones de la misma longitud y quedndose con la media de esas secciones. El vector formado por los valores obtenidos compondr la nueva representacin de la serie de tiempo. En la Figura 5 se muestra una serie de tiempo y su representacin despus de aplicarle PAA. La siguiente frmula se utiliza para calcular cada valor de la representacin reducida.

N C ( j) = M

N j = ( i 1) +1 M

f (i)

M i N

donde C es la seal comprimida, f es la seal original, N es el tamao de la seal original, M es el tamao de la seal comprimida e i = 1,..., N . j = 1,..., M .

Figura 5. La lnea delgada es la serie de tiempo original y la lnea gruesa su representacin en PAA [12]. 4.6. Adaptive Piecewise Constant Approximation (APCA). Este mtodo de compresin de datos fue presentado por Keogh et al. [17]. Ellos plantean la reduccin de una serie de tiempo de tamao N a 2M. El mtodo consiste en dividir la serie de tiempo en M segmentos, y tomar de cada segmento su valor medio y el valor del tiempo final del segmento. Es decir, dada una serie de tiempo f = {c1,..,cn}, su representacin de la seal despus de aplicarle APCA sera:

C = { cv1 , cr1 ,..., cv M , crM

Karinne Ramrez Amaro, Erik Vladimir Ortega Gonzlez, Francisco Hiram Calvo Castro (Eds.); E2C2 2007: Memorias del Primer Encuentro de Estudiantes en Ciencias de la Computacin; (c) Centro de Investigacin en Computacin del Instituto Politcnico Nacional, Mxico, 2007.

donde, cvi es la media de los valores que componen el segmento i y cri es el valor del tiempo final del segmento i. El algoritmo APCA calcula el tamao de los segmentos adaptativamente a la forma de la seal. No es necesario almacenar el tamao de cada una de los segmentos, ya que se pueden calcular en base al valor del tiempo final del segmento anterior. En la Figura 6 se muestra una serie de tiempo f y su representacin C despus de aplicarle APCA.

Figura 6. Un serie de tiempo f y su representacin APCA C con valor de M = 4 [17]. 4.7. Self COntained Bit Encoding (SCoBE). Este mtodo fue presentado por Vega y Moon [18]. El mtodo propone que la compresin de series de tiempo puede realizarse tanto en la dimensin del tiempo, como en la dimensin del valor. SCoBE produce una representacin cuantificada de los datos relativa al rango de los valores encontrados en sus propios segmentos. Por cada segmento se almacenan los valores mnimos y mximos encontrados para determinar el rango. Cada segmento se divide en 2b celdas, donde b es el nmero de bits proporcionado por el usuario. Este mtodo primero divide la serie de tiempo en subsecuencias disjuntas, que pueden hacerse tanto en la dimensin del tiempo o en la dimensin del valor. La segmentacin en la dimensin del tiempo puede ser fija o variable. En la segmentacin fija solo es necesario conocer el tamao de un segmento, mientras que en la variable hay que mantener el tamao de cada segmento. La segmentacin de longitud fija divide una serie de tiempo de longitud N, en s segmentos de longitud e, donde la longitud del ltimo segmento es igual a (N mod e). La segmentacin de longitud variable, basa la segmentacin en la siguiente funcin de costo.

maxi mini Qa A (x ) = counti 2b i =1

s b

donde count i es el nmero de valores contenidos en el segmento i, max i y min i definen el rango de los datos y 2b es el nmero de particiones de cada segmento. Para la segmentacin de una serie de tiempo en la dimensin del valor, adicionalmente a los rangos y longitudes de los segmentos, hay que mantener un mapeo entre los segmentos y los valores. Para encontrar la segmentacin ptima en la dimensin del valor, primero se debe ordenar la serie de tiempo f , en orden creciente. En la lista ordenada C se buscarn los segmentos que minimicen la funcin de costo. Despus de encontrar los segmentos, se descarta C y se utiliza f . Cada segmento es particionado en 2b celdas y cada valor es codificado usando la cadena de bits correspondiente al segmento y la particin a la que el valor pertenezca. Por lo tanto, cada valor es mapeado a una cadena de bits de tamao Log2(N)+b, donde Log2(N) identifica el segmento que contiene el valor y b identifica la particin dentro del segmento.

Karinne Ramrez Amaro, Erik Vladimir Ortega Gonzlez, Francisco Hiram Calvo Castro (Eds.); E2C2 2007: Memorias del Primer Encuentro de Estudiantes en Ciencias de la Computacin; (c) Centro de Investigacin en Computacin del Instituto Politcnico Nacional, Mxico, 2007.

5. Metodologa
La base de datos que utilizaremos es la QT Database disponible a travs de Internet en www.physionet.org. Esta base de datos se describe en la subseccin siguiente. De cada registro de la base de datos QT trabajaremos con los primeros 512 valores. La estrategia a seguir para realizar este proyecto es la siguiente: primero implementaremos los diferentes algoritmos de compresin descritos en la seccin anterior, para luego comparar su calidad a travs de la medida de distorsin PRD. El siguiente paso es entrenar el Modelo de Markov, lo cual se har a partir de las mediciones que se anexan a la base de datos QT. Subsecuentemente hay que realizar la medicin de los intervalos sobre las seales comprimidas para posteriormente evaluarlas con las mediciones originales. Por ltimo, se presentar cual es la representacin comprimida de la seal que mejor mantenga la calidad diagnstica de un electrocardiograma. 5.1 Descripcin de la base de datos. La base de datos que se utilizar es la QT Database del Instituto Tecnolgico de Massachusetts (MIT), la cual est disponible a travs de Internet. Esta base de datos est diseada especialmente para la evaluacin de algoritmos que detectan los puntos significativos del ECG [19]. La base de datos consta de 105 registros de 15 minutos a 250 muestras por segundo realizadas con un ECG Holter. El tamao de los registros es de 657KB cada uno. Cada registro tiene entre 30 a 100 latidos con anotaciones de las ondas P, T, U y complejo QRT realizadas por expertos.

6. Resultados preeliminares.
Los primeros experimentos que se han llevado a cabo son la implementacin de la Derivada Discreta de Fourier, y el mtodo APCA. Como se mencion anteriormente para cada registro se utilizaron 512 valores de la serie original. Para DFT se restaur la seal a partir de los primeros coeficientes, hacindose en forma secuencial con 50, 100, 150, 200 y 250 coeficientes. Para APCA se utiliz M con la misma secuencia de valores, donde, M es el nmero de segmentos en los que se dividi la serie. Para cada registro y determinado nmero de coeficientes o segmentos utilizados para la reconstruccin se obtuvo la medida de distorsin PRD. Los primeros resultados muestran al mtodo APCA con un rendimiento notablemente superior y estable a DFT comparado mediante PRD. En la Figura 7 se muestra la grafica con el valor promedio de PRD para los 105 registros de la base de datos QT. En la Figura 8(a) se muestra una comparacin de la seal original y su reconstruccin con APCA con M igual a 50, 150 y 250 respectivamente, el orden de aparicin es de arriba hacia abajo. En Figura 8(b) se muestra una comparacin de la seal original y su reconstruccin con DFT con 50, 150 y 250 coeficientes respectivamente, en el mismo orden de aparicin que APCA.
0.35 0.3 0.25 0.2 0.15 0.1 0.05 0 50 100 150 200 250 Fourier APCA

Figura 7. Valores Promedio de PRD para los 105 registros de la base de datos QT, comparados con su reconstruccin a partir de los mtodos DFT y APCA respectivamente.

Karinne Ramrez Amaro, Erik Vladimir Ortega Gonzlez, Francisco Hiram Calvo Castro (Eds.); E2C2 2007: Memorias del Primer Encuentro de Estudiantes en Ciencias de la Computacin; (c) Centro de Investigacin en Computacin del Instituto Politcnico Nacional, Mxico, 2007.

Figura 8. a : en forma descendente seal original y seal reconstruida con APCA con M igual a 50,150 y 250 respectivamente. b : en forma descendente seal original y seal reconstruida con DFT con 50,150 y 250 coeficientes respectivamente.

7. Conclusiones.
Aunque este proyecto de investigacin esta aun en sus inicios, despus de realizar los primeros experimentos podemos concluir que mediante una comparacin a travs de PRD, el mtodo APCA es mejor para comprimir la seal que DFT con los primeros coeficientes. Sin embargo, el valor de PRD pudiese no ser relevante para la deteccin de los puntos significativos de la seal, es decir, su valor diagnstico. La evaluacin de cual entre estos dos algoritmos y los dems que se describen en este documento, es mejor para preservar la informacin diagnstica de un electrocardiograma se realizar mediante la implementacin de los Modelos Ocultos de Markov, lo cual corresponde a las etapas subsecuentes de esta investigacin, segn lo estipulado en la metodologa. Otra conclusin es que la estrategia de utilizar los primeros coeficientes con DFT no es la ms adecuada, porque el algoritmo mostr tener un mejor rendimiento con menos coeficientes. Por ello, se cambiar a una estrategia de encontrar los mejores coeficientes segn lo descrito por Mrchen [12].

Karinne Ramrez Amaro, Erik Vladimir Ortega Gonzlez, Francisco Hiram Calvo Castro (Eds.); E2C2 2007: Memorias del Primer Encuentro de Estudiantes en Ciencias de la Computacin; (c) Centro de Investigacin en Computacin del Instituto Politcnico Nacional, Mxico, 2007.

Referencias
[1] E. Casanova, Infarto Agudo al Miocardio: Situacin en Regin del Maule. Programa de Investigacin Factores de Riesgo de Enfermedades Cardiovasculares (PRIFRECV). Universidad de Talca, Chile. http://pifrecv.utalca.cl/archivos/i_publico/infarto_miocardio.pdf (Visitada abrir 2006). [2] N.P. Hughes, L. Tarassenko, Automated QT Interval Analysis with Confidence Measures, Computers in Cardiology, 2004, pp. 765-768. [3] L. Pea Acevedo. Importancia del Electrocardiograma en Toxicologa. Departamento de Farmacologa y Toxicologa de la Facultad de Medicina de la Universidad de Antioquia. http://www.laboratoriosamerica.com.co/web/congreso2001/Pdf/ImportanciaDelECG.pdf. (Visitada abril 2006). [4] M. Vaessen, An approach to ECG delineation using wavelet analysis and hidden Markov models, Maastricht University, Department of Mathematics and Maastricht Instruments, 28 september 2006. [5] S. Graja, J.M. Boucher, Multiscale Hidden Markov Model applied to ECG segmentation, Intelligent Signal Processing, 2003 IEEE International Symposium on, Francia, Sep 2006, pp. 105-109. [6] N.P. Hughes, L. Tarassenko, y S. Roberts. Markov Models for Automated ECG Interval Analysis. Department of Engineering Science, University of Oxford, Reino Unido, 2003. [7] N. Lipovetzky, Modelo probabilstico en CLAM. Reconocimiento musical mediante Modelos Ocultos de Markov, Universitat Pompeu Fabra, Espaa, 16 de diciembre de 2004. [8] Kao, T. Len-Jon Hwang, Yui-Han Lin, Tzong-Huei Lin, Chia-Hung Hsiao , Computer analysis of the electrocardiograms from ECG paper recordings, Engineering in Medicine and Biology Society, 2001. Proceedings of the 23rd Annual International Conference of the IEEE, pp. 3232- 3234. [9] B. S. Kim, Sun K. Yoo, M. H. Lee, maximum likelihood estimates, IEEE Transactions on Information Technology in Biomedicine, 2006, pp. 77-83. [10] A. Bilgin, M.W. Marcellin, M.I. Altbach, Compression of Electrocardiogram Signals using JPEG2000, Consumer Electronics, IEEE Transactions on, Nov. 2003, pp. 833-840. [11] J. Muoz Mar, Compresin del ECG en tiempo real con el DSP TMS320C25. Tesis de Licenciatura de la Universidad de Valencia, Espaa, 1997. [12] B-K. Yi y C. Faloutsos, Fast Time Sequence Indexing for Arbitrary Norms. Proc. 26th Int'l Conf. on Very Large Databases, Cairo, Egypt, 2000. [13] D. Sripathi, Efficient Implementations Of Discrete Wavelet Transforms Using FPGAs. Tesis de maestria de Florida State University College Of Engineering, USA, 2003. [14] L. Vincent, Mathematical Morphology in Image Processing. Marcel-Dekker Editor, New York, 1992, pp. 255 - 288. [15] P. Laguna, R. Jane, P. Caminal, Automatic detection of wave boundaries in multilead ECG signals: validations with the CSE database. Comput Biomed Res, 1994, pp. 45-60. [16] E. Keogh, K. Chakrabarti, M. Pasan, S. Mehrotra, Dimensionality Reduction for Fast Similarity Search in Large Time Series Databases 2000. [17] E. Keogh, K. Chakrabarti, S. Mehrotra, M. Pazzani, Locally Adaptive Dimensionality Reduction for Indexing Large Time Series Databases. Department of Information and Computer Science, University of California, USA, 2001. [18] I.F. Vega, B. Moon. A Quantization Approach for Efficient Similarity Search on Time Series Data. Proceedings of the International Conference on Internet Information Retrieval, Goyang, Korea, 2004, pp. 182 -189. [19] P. Laguna, R. Mark, A. Goldberger, G. Moody, George. A Database for Evaluation of Algorithms for Measurement of QT and other Waveform Intervals in the ECG. Computer in Cardiology, 1997, pp. 673-676.

Karinne Ramrez Amaro, Erik Vladimir Ortega Gonzlez, Francisco Hiram Calvo Castro (Eds.); E2C2 2007: Memorias del Primer Encuentro de Estudiantes en Ciencias de la Computacin; (c) Centro de Investigacin en Computacin del Instituto Politcnico Nacional, Mxico, 2007.