This thesis presents a research project to design a system based on harmonic analysis of electrocardiogram (ECG) signals for the diagnosis of cardiac pathologies. The designed system consists of three main stages: ECG signal reception, harmonic content acquisition, and finally, classification for diagnosis. To obtain the harmonic content of the ECG signals, the trigonometric Fourier series is used, which is converted into a state-space representation for the subsequent design of an optimal state observer based on the Kalman-Bucy filter. The harmonic content is then processed and analyzed by a supervised learning classification algorithm called K-Nearest Neighbors, where the algorithm shows an effectiveness greater than 92% in classifying and diagnosing a person as healthy or with one of the following cardiac diseases: arrhythmia, heart attack, or heart failure. This effectiveness is determined based on the evaluation metrics used in this work. This research provides an automated diagnostic alternative beyond the common visual medical assessment or interpretation of the ECG, where the latter may not always be effective or may depend on experience to provide an assertive diagnosis. For this reason, having a computational tool that can assist both physicians and some inexperienced individuals in interpreting ECG signals represents a great support for improving diagnoses and also for obtaining results more quickly. The ECG signals used in this thesis were obtained from the open-access PhysioNet database [Goldberger et al., 2000], which contains a large number of biomedical signal databases.
En esta tesis se presenta un trabajo de investigación para diseñar un sistema basado en el análisis armónico de señales de electrocardiograma (ECG), para la determinación de patologías cardiacas. El sistema diseñado está conformado por tres etapas principales: la recepción de la señal ECG, obtención del contenido armónico, y finalmente la clasificación para el diagnóstico. Para obtener el contenido armónico de las señales ECG se utiliza la serie trigonométrica de Fourier, misma que es convertida en una representación en espacio de estados para el posterior diseño de un observador de estado óptimo basado en el filtro de Kalman-Bucy; entonces el contenido armónico es procesado y analizado por un algoritmo de clasificación de aprendizaje supervisado llamado K-Vecinos más cercanos o K-Nearest Neighbors en inglés, donde el algoritmo muestra una efectividad superior al 92% para clasificar y diagnosticar a una persona como sana o con alguna de las siguientes enfermedades cardiacas: arritmia, infarto al corazón o insuficiencia cardiaca. Esta efectividad se determina con base en las métricas de evaluación utilizadas en este trabajo. Esta investigación aporta una alternativa automatizada de diagnóstico más allá de la común apreciación o interpretación médica de tipo visual del ECG, donde esta última puede no siempre ser efectiva o que dependa de la experiencia para brindar un diagnóstico asertivo. Por esta razón, contar con una herramienta computacional que logre asistir tanto a los médicos como a algunas personas inexperiencia en la interpretación de las señales ECG representa un gran apoyo para mejorarlos diagnósticos y también para obtener los resultados de una manera más rápida. Las señales de ECG utilizadas en esta tesis fueron obtenidas de las bases de datos de PhysioNet [Goldberger etal.,2000], de acceso libre, que contiene una gran cantidad de bases de datos de señales biomédicas.
