Aula 4 Artigo 1

U NIVERSIDADE F EDERAL DO R IO G RANDE DO N ORTE
C ENTRO DE T ECNOLOGIA
P ROGRAMA DE P ÓS -G RADUAÇÃO EM E NGENHARIA E LÉTRICA E
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE
DE C OMPUTAÇÃO
Sistema de Análise de Sinal Cardíaco para

Aplicação em Telecardiologia
Ernano Arrais Junior
Orientador: Prof. Dr. Ricardo Alexsandro de Medeiros Valentim
Co-orientador: Prof. Dr. Gláucio Bezerra Brandão
Tese de Doutorado apresentada ao Pro-

grama de Pós-Graduação em Engenharia
Elétrica e de Computação da UFRN (área de
concentração: Engenharia Biomédica) como
parte dos requisitos para obtenção do título
de Doutor em Ciências.
Número de ordem PPgEEC: D180

Natal, RN, 6 de Setembro de 2016
Catalogação da Publicação na Fonte
Universidade Federal do Rio Grande do Norte - Sistema de Bibliotecas
Biblioteca Central Zila Mamede / Setor de Informação e Referência
Arrais Junior, Ernano.

Sistema de Análise de Sinal Cardíaco para Aplicação em Telecardiologia /
Ernano Arrais Junior. - 2016.
156 f.: il.
Tese (doutorado) - Universidade Federal do Rio Grande do Norte. Centro de

Tecnologia. Programa de Pós-Graduação em Engenharia Elétrica e de Compu-
tação. Natal (RN), 2016.
Orientador: Prof. Dr. Ricardo Alexsandro de Medeiros Valentim.

Co-orientador: Prof. Dr. Gláucio Bezerra Brandão.
1. Arritmia - Tese. 2. Eletrocardiografia - Tese. 3. Telecardiologia - Tese. 4.

Transformada Wavelet - Tese. I. Valentim, Ricardo Alexsandro de Medeiros. II.
Brandão, Gláucio Bezerra. III. Título.
RN/UF/BCZM CDU 616.12-008.318

Sistema de Análise de Sinal Cardíaco para
Aplicação em Telecardiologia
Ernano Arrais Junior
Prof. Dr. Ricardo Alexsandro de Medeiros Valentim (Orientador) . . . . . . UFRN
Prof. Dr. Gláucio Bezerra Brandão (Co-Orientador) . . . . . . . . . . . . . . . . . . UFRN
Prof. Dr. Allan de Medeiros Martins . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . UFRN
Prof. Dr. Antônio Higor Freire de Morais . . . . . . . . . . . . . . . . . . . . . . . . . . . . IFRN
Prof. Dr. Custódio Leopoldino de Brito Guerra Neto . . . . . . . . . . . . . . . . . UFRN
Prof. Dr. Vinícius Samuel Valério de Souza . . . . . . . . . . . . . . . . . . . . . . . UFERSA

A Deus, aos meus pais Ernano
Arrais e Maria Antonieta Arrais, aos
meus irmãos pelo apoio e
especialmente à minha companheira
Gabrielle de Carvalho.
Agradecimentos
Agradeço a Deus, por me manter forte e confiante diante de tantas dificuldades para essa
grande conquista, um doutorado em Engenharia Elétrica.
Ao meu orientador, Ricardo Alexsandro de Medeiros Valentim, e ao Professor Gláucio

Bezerra Brandão pela dedicada orientação e ajuda ao longo dessa difícil jornada.
Aos meus pais, Ernano Arrais e Maria Antonieta Arrais que mesmo estando distantes,
ajudaram-me, dando forças nos momentos de dificuldades, sempre orientando e mos-
trando o caminho certo. Agradeço também aos meus irmãos e parentes mais próximos,
os quais sempre acreditaram nessa conquista.
À minha companheira Ana Gabrielle de Carvalho, pela compreensão e motivação durante

todo esse percurso.
Aos amigos, Denis Keuton Alves, Cecilio Martins de Sousa Neto, Rodrigo Prado de Me-
deiros, Sâmara de Cavalcante Paiva, Rodrigo Lopes Barreto, Franklin Hebert Silva do
Nascimento, Evandro de Freitas, João Paulo Oliveira, Frankelene Pinheiro, Thiago Al-
ves, Jonas Damasceno, Francisco Carlos Gurgel da Silva Segundo, Nathalee Cavalcanti
Lima, Rogério de Jesus Santos, Alex Feitosa, Brucy Kelly, Wesley Santos, Shirlene San-
tos Carmo, Rodrigo Soares Semente e Adelson Lima pela participação direta ou indireta
no desenvolvimento desse trabalho.
À Universidade Federal do Rio Grande do Norte (UFRN), em especial ao Laboratório de

Instrumentação Biomédica Racional e Aplicada (LIBRA) e ao Laboratório de Inovação
Tecnológica em Saúde (LAIS), pelo suporte físico e material.
À Universidade Federal Rural do Semi-Árido (UFERSA), pela colaboração em reduzir

minha carga horária para que eu pudesse me dedicar às minhas atividades doutorais.
Ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) pelo apoio

financeiro durante a execução do trabalho.
Resumo
Os problemas cardiovasculares estão entre as principais causas de mortandade no

mundo. Estima-se que cerca de 15 % da população mundial vem a óbito devido a pro-
blemas cardiovasculares. No Brasil esse número equivale a quase 30 % dos casos de
morte, sendo os homens os mais afetados por doenças cardiovasculares, apresentando um
percentual de aproximadamente 60 % das vítimas. Outro fator alarmante, é que o Brasil
está entre os 10 países com maior índice de morte por doenças cardiovasculares. Os pro-
blemas cardiovasculares são oriundos do mal funcionamento do coração e das artérias,
sendo os mais comuns o infarto, o acidente vascular cerebral (AVC), arritmias cardíacas
e isquemias. Assim, se faz necessário um bom acompanhamento das atividades cardía-
cas, a fim de evitar possíveis transtornos oriundos de problemas cardiovasculares. Nos
últimos anos, diversas soluções no âmbito da telecardiologia vêm sendo discutidas para a
redução destes números, além de propor um melhor acompanhamento de indivíduos (pa-
cientes) e auxílio às unidades básicas de saúde localizadas distantes dos grandes centros.
Neste trabalho, será apresentado um sistema para análise de sinais de eletrocardiograma
(ECG) aplicado à telecardiologia, objetivando a validação de dados clínicos cardiológi-
cos, especificamente arritmias cardíacas (bradicardia, taquicardia e contração ventricular
prematura). A ferramenta matemática utilizada para análise dos sinais ECG é a Trans-
formada Wavelet Discreta Redundante (TWDR), sendo implementada uma versão para
análise em tempo-real, e o método utilizado para a aferição das características é o método
baseado em thresholds. Então, de posse deste sistema de caracterização do sinal ECG,
pode-se validar laudos clínicos cardiológicos, ou melhor, trata-se de uma ferramenta para
auxílio na validação de diagnósticos médicos. Os resultados encontrados foram satisfató-
rios, o sistema apresentou Sensibilidade e Preditividade Positiva Superiores a 99 %. Será
apresentado também um estudo acerca das ferramentas wavelets que são mais indicadas
no tratamento de sinais de eletrocardiograma.
Palavras-chave: Telecardiologia, Eletrocardiografia, Arritmia, Transformada Wave-

let.
Abstract
Cardiovascular problems are among the leading causes of mortality in the World. It
is estimated that about 15 % of the world population has died due to cardiovascular pro-
blems. In Brazil this number represents almost 30 % of deaths, being the men the most
affected by cardiovascular disease, with a percentage of approximately 60 % of the vic-
tims. Another alarming factor is that Brazil is among the 10 countries with the highest
rate of death from cardiovascular disease. Cardiovascular diseases arise from malfunction
of the heart and arteries, the most common are infarction, stroke, cardiac arrhythmias and
ischemia. Thus, if a good monitoring cardiac activity is necessary in order to prevent
possible inconvenience arising from cardiovascular disorders. In recent years, several so-
lutions in the framework of Telecardiology have been discussed to reduce these numbers,
in addition to proposing a better monitoring of individuals (patients) and aid to basic he-
alth care units located far from major centers. In this work, It is proposed a system will for
ECG signal analysis applied to Telecardiology, aiming to validate cardiological clinical
data, specifically cardiac arrhythmias (bradycardia, tachycardia and premature ventricular
contraction). The mathematical tool used for analyzing ECG signals is Redundant Dis-
crete Wavelet Transform (RDWT), implemented a version for real-time analysis, and the
method used for measuring the ECG characteristics is the method based on thresholds.
Then, with this ECG signal characterization system it can validate cardiological clinical
reports, or rather, it is a tool to support of medical diagnostics validation. The results were
satisfactory, the system showed Sensitivity and Positive Predictivity above 99 %. It will
be presented also a study about mothers wavelet that are more appropriate in ECG signals
processing.
Keywords: Telecardiology, Electrocardiogram, Cardiac Arrhythmias, Wavelet Trans-

form.
Sumário
Sumário i
Lista de Figuras iii
Lista de Tabelas vi
Lista de Símbolos viii
Lista de Abreviaturas x
1 Introdução 1
1.1 Relevância do Tema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4 Contribuições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.6 Organização do Trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2 Estado da Arte 13
2.1 Sistemas de Detecção . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Sistemas de Detecção Baseados na Transformada Wavelet . . . . . . . . . 21
2.3 Resumo da Revisão Bibliográfica . . . . . . . . . . . . . . . . . . . . . . 23
3 A Eletrocardiografia 26
3.1 O Coração . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.1.1 Anatomia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.1.2 Eletrofisiologia das Células do Músculo Cardíaco . . . . . . . . . 29
3.2 Morfologia do ECG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.1 A Onda P . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.2.2 O Complexo QRS . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.2.3 A Onda T . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.2.4 A Onda U . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
i
3.2.5 O Intervalo PR . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2.6 O Segmento PR . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.2.7 O Intervalo QT . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.2.8 O Intervalo ST . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.2.9 O Segmento ST . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.3 Doenças Cardiovasculares . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.3.1 Análise Vetorial do Coração . . . . . . . . . . . . . . . . . . . . 48
3.3.2 Análise Rítmica do Coração . . . . . . . . . . . . . . . . . . . . 49
3.4 Ruídos e Artefatos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.5 Eletrodos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.6 Resumo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4 Fundamentos da Transformada Wavelet 62

4.1 Transformada Wavelet Discreta - TWD . . . . . . . . . . . . . . . . . . 62
4.1.1 Análise Multirresolução . . . . . . . . . . . . . . . . . . . . . . 63
4.1.2 Filtros Escala e Wavelet . . . . . . . . . . . . . . . . . . . . . . 69
4.2 Transformada Wavelet Discreta Redundante - TWDR . . . . . . . . . . . 70
4.2.1 Filtros Wavelet e Escala da TWDR . . . . . . . . . . . . . . . . . 75
4.2.2 Algoritmo Piramidal - Forma Matricial . . . . . . . . . . . . . . 76
4.2.3 Análise em Tempo Real . . . . . . . . . . . . . . . . . . . . . . 77
4.3 Energia dos Coeficientes de Aproximação e Wavelet . . . . . . . . . . . . 77
4.4 Resumo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5 Método Proposto 79
5.1 Sistema de Validação de Dados . . . . . . . . . . . . . . . . . . . . . . . 79
5.2 Banco de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.3 Análise da Wavelet Mãe . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.4 Detecção das Características do ECG . . . . . . . . . . . . . . . . . . . . 83
5.4.1 Detecção do Complexo QRS . . . . . . . . . . . . . . . . . . . . 85
5.4.2 Detecção das Ondas P e T . . . . . . . . . . . . . . . . . . . . . 89
5.5 Detecção de Patologias . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.5.1 Bradicardia e Taquicardia Supraventriculares . . . . . . . . . . . 90
5.5.2 Contração Prematura Ventricular - PVC . . . . . . . . . . . . . . 92
5.6 Resumo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
6 Resultados e Discussões 94
6.1 Análise do Sinal ECG . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
6.2 Análise de Patologias Cardíacas . . . . . . . . . . . . . . . . . . . . . . 108
6.2.1 Bradicardia e Taquicardia Supraventiculares . . . . . . . . . . . . 108
6.2.2 Contração Ventricular Prematura . . . . . . . . . . . . . . . . . . 110
6.3 Resumo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
7 Conclusões e Trabalhos Futuros 117

7.1 Conclusões Gerais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
7.2 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
Referências Bibliográficas 120
Índice Remissivo 135

Lista de Figuras
1.1 Principais causas de morte no mundo em 2015. . . . . . . . . . . . . . . 5

1.2 Projeção das causas de morte no mundo em 2030. . . . . . . . . . . . . . 5
1.3 Sistema telecárdio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.1 Visão geral da localização do coração. . . . . . . . . . . . . . . . . . . . 27

3.2 Anatomia do coração. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3 Eletrofisiologia das células do músculo cardíaco. . . . . . . . . . . . . . 30
3.4 Diagrama de blocos do processo de geração do potencial de ação. . . . . 31
3.5 Sistema de condução do coração. . . . . . . . . . . . . . . . . . . . . . . 32
3.6 Sistema de 10 derivações de Waller: BD - Braço Direito, BE - Braço
Esquerdo, PD - Pé Direito, PE - Pé Esquerdo, B - Boca. . . . . . . . . . . 33
3.7 Sistema de 3 derivações de Einthoven e triângulo de Einthoven: BD -
Braço Direito, BE - Braço Esquerdo,PE - Perna Esquerdo. . . . . . . . . 34
3.8 Sistema unipolar de derivação de Wilson: (a) Disposição do sistema no
corpo humano (b) Representação vetorial do sistema. . . . . . . . . . . . 36
3.9 Sistema de derivação de Goldberger (sistema unipolar aumentado): (a)
Disposição do sistema no corpo humano (b) Representação vetorial do
sistema. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.10 Sistema de derivação precordial. . . . . . . . . . . . . . . . . . . . . . . 38
3.11 Projeções vetoriais em coordenadas 3D para o sistema de medição do
ECG com 12 derivações. . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.12 Formas de onda geradas por cada conjunto de células dos sistema de con-
dução do coração para formação do sinal ECG. . . . . . . . . . . . . . . 41
3.13 Eletrocardiograma normal. . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.14 Espectro de potência do sinal ECG: ondas P, T e o complexo QRS. . . . . 43
3.15 Áreas de aplicação para diagnóstico utilizando ECG. . . . . . . . . . . . 48
3.16 Sinal ECG: bradicadia sinusal (a) Detalhe da posição do nó sinoatrial e
propagação do impulso (b) Sinal ECG normal, contudo com frequência
cardíaca menor que 60 bat/min. . . . . . . . . . . . . . . . . . . . . . . . 50
iv
3.17 Sinal ECG: taquicadia sinusal (a) Detalhe da posição do nó sinoatrial e
propagação do impulso (b) Sinal ECG normal, contudo com frequência
cardíaca maior que 100 bat/min. . . . . . . . . . . . . . . . . . . . . . . 51
3.18 Sinal ECG: arritmia sinusal (a) Comportamento normal do complexo QRS,
contudo a variação entre o ciclo cardíaco mais longo e o mais curto excede
0,16 s (b) Frequência cardíaca conforme o comportamento respiratório. . 52
3.19 Sinal ECG: marcapasso atrial migratório (a) Possíveis orientações de pro-
pagação do estímulo elétrico (b) O Sinal ECG pode apresentar variações
no contorno da onda P, nos intervalos PR, PP e RR. . . . . . . . . . . . . 53
3.20 Sinal ECG: flutter atrial (a) Possível orientação do estímulo, podendo
causar um bloqueio do nó AV (b) Resposta ventricular irregular com o
aparecimento de ondas flutter. . . . . . . . . . . . . . . . . . . . . . . . 54
3.21 Sinal ECG: fibrilação atrial (a) Possíveis localizações do estímulo de ati-
vação do átrio (b) Linha de base irregular, resposta ventricular irregular,
com o aparecimento de ondas flutter. . . . . . . . . . . . . . . . . . . . . 55
3.22 Sinal ECG: contração ventricular prematura (a) Possível orientação do
estímulo que gera o batimento ectópico extra (b) Ocorrência de um PVC. 56
3.23 Sinal ECG: taquicardia ventricular (a) Orientação do estímulo gerado no
ventrículo (b) Complexos QRS com morfologia semelhante à do PVC. . . 57
3.24 Sinal ECG: fibrilação ventricular (a) Possíveis origens dos estímulos para
ativação dos ventrículos (b) Ondulações irregulares de diferentes ampli-
tudes e morfologias e sem a presença do complexo QRS. . . . . . . . . . 58
3.25 Eletrodos de Ag/AgCl. . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.1 Diagrama de blocos para dois níveis de resolução da TWD. . . . . . . . . 64

4.2 Decomposição de um sinal ECG no primeiro nível de resolução da TWD:
(a) Sinal ECG original x0 (b) Coeficientes de aproximação (c) Coeficien-
tes wavelet. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.3 Decomposição de um sinal ECG no segundo nível de resolução da TWD:
tes wavelet. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.4 Diagrama de blocos para dois níveis de resolução da TWDR. . . . . . . . 71
4.5 Decomposição de um sinal ECG no primeiro nível de resolução da TWDR:
tes wavelet. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.6 Decomposição de um sinal ECG no segundo nível de resolução da TWDR:
tes wavelet. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
5.1 Diagrama de blocos do sistema para análise em tempo real de sinais car-
díacos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.2 Comparativo da intercorrelação entre a energia do sinal ECG original com
a energia dos coeficientes escala no primeiro nível de resolução para al-
guns filtros wavelet das famílias Daubechies, Coiflets e Symlets. . . . . . 82
5.3 Fluxograma do algoritmo implementado para detecção do pico da onda R. 87
5.4 Fluxograma do algoritmo implementado para análise da frequência cardíaca. 91
6.1 Análise wavelet do sinal ECG 100 do (MIT-BIH Arrhythmia Database):

(a) Sinal ECG e coeficientes escala (b) Coeficientes wavelet (c) Energia
dos coeficientes wavelet. . . . . . . . . . . . . . . . . . . . . . . . . . . 97
6.4 Resultado da detecção do complexo QRS e das ondas P e T utilizando a
TWDR para análise do sinal ECG 100. . . . . . . . . . . . . . . . . . . . 104
6.5 Sinal ECG 100 (MIT-BIH Arrhythmia Database): detalhe da ocorrência
de um PVC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
6.6 Coeficientes wavelet nos seis níveis de resolução do sinal ECG 100 (MIT-
BIH Arrhythmia Database): detalhe da ocorrência de um PVC. . . . . . . 111
6.7 Energia dos coeficientes wavelet nos seis níveis de resolução do sinal
ECG 100 (MIT-BIH Arrhythmia Database): detalhe da ocorrência de um
PVC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
6.8 Análise do sinal ECG 102 (MIT-BIH Arrhythmia Database): (a) Detalhe
da ocorrência de um PVC (b) Energia dos coeficientes wavelet nos seis
níveis de resolução. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
Lista de Tabelas
1.1 Taxa de mortalidade por doenças do aparelho circulatório para cada 100
mil habitantes. Brasil e grandes regiões: anos de 1990, 2000 e 2010. . . . 6
2.1 Resumo da revisão bibliográfica. . . . . . . . . . . . . . . . . . . . . . . 25
3.1 Relação entre a anatomia do coração e o sistema de 12 derivações. . . . . 40
5.1 Faixas de frequência para cada nível de resolução (escala) da TWDR para
os coeficientes wavelet. . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
6.1 Resultado da avaliação em tempo real do algoritmo de detecção das carac-

terísticas do sinal ECG utilizando a TWDR, wavelet mãe db(2), aplicada
ao banco de dados MIT-BIH Arrhythmia Database. . . . . . . . . . . . . 105
6.2 Resultado da avaliação em tempo real do algoritmo de detecção das carac-
terísticas do sinal ECG utilizando a TWDR, wavelet mãe db(4), aplicada
ao banco de dados MIT-BIH Arrhythmia Database. . . . . . . . . . . . . 107
6.3 Comparação do sistema proposto com trabalhos de aplicação semelhante . 108
6.4 Validação de gravações do banco de dados MIT-BIH Arrhythmia Data-
base, utilizando a TWDR, wavelet mãe db(2). . . . . . . . . . . . . . . . 109
6.5 Resultado da avaliação do algoritmo de validação de PVC, aplicado ao
banco de dados MIT-BIH Arrhythmia Database. . . . . . . . . . . . . . . 114
vii
Lista de Símbolos
VI Tensão na Derivação I (Einthoven)

VII Tensão na Derivação II (Einthoven)
VIII Tensão na Derivação III (Einthoven)
CI Vetor Associado à Derivação I
CII Vetor Associado à Derivação II
CIII Vetor Associado à Derivação III
VII Tensão na Derivação II
VIII Tensão na Derivação III
ΦD Potencial no Braço Direito
ΦE Potencial no Braço Esquerdo
ΦP Potencial na Perna Esquerda
CD Vetor associado ao BD, entre o TC e o ponto de derivação R
CE Vetor associado ao BE, entre o TC e o ponto de derivação L
CP Vetor associado à PE, entre o TC e o ponto de derivação F
VR Tensão na Derivação R (Wilson)
VL Tensão na Derivação L (Wilson)
VF Tensão na Derivação F (Wilson)
aVR Tensão na Derivação aumentada R (Goldberger)
aVL Tensão na Derivação aumentada L (Goldberger)
aVF Tensão na Derivação aumentada F (Goldberger)
V1 Derivação Precordial 1
bat/min batimentos por minuto
viii
Ag Prata (Elemento Químico)
AgCl Cloreto de Prata (Composto Químico)
Na Sódio (Elemento Químico)
K Potássio (Elemento Químico)
KCl Cloreto de Potássio (Composto Químico)
Se Sensibilidade
P+ Preditividade Positiva
TP Detecções Corretas (do inglês True Positive detections)
FN Falsos Negativos
FP Falsos Positivos
Lista de Abreviaturas
AAEL Ann Arbor Electrogram Libraries

AD Átrio Direito
AE Átrio Esquerdo
AHA American Heart Association
AM Análise Multirresolução
APC Atrial Premature Complexes)
AV Atrioventricular
AVC Acidente Vascular Cerebral
BD Braço Direito
BE Braço Esquerdo
BPN Back Propagation Network
CI Circuito Integrado
CMRR Common Mode Rejection Ratio
CSE Common Standards for Electrocardiography
DCV Doença Cardiovascular
DPOC Doença Pulmonar Obstrutiva Crônica
DSP Digital Signal Processor
ECG Eletrocardiograma
EPS Educação Permanente em Saúde
FFN Feed Forward Network
FIR Finite Impulse Response
HMM Hidden Markov Model
MAPA Monitorização Ambulatorial da Pressão Arterial
MGH/MF Massachusetts General Hospital/Marquette Foundation
MIT Massachusetts Institute of Technology
MLP Multilayer Perceptron
x
LVQ Learning Vector Quantization
OMS Organização Mundial de Saúde
PD Perna Direita
PDA Personal Digital Assistant
PE Perna Esquerda
PVC Premature Ventricular Contractions
RFB Radial Basis Function
RNA Rede Neural Artificial
SA Sinoatrial
SNR Signal-to-Noise Ratio
SoC System-on-Chip
SUS Sistema Único de Saúde
TC Terminal Central de Wilson
TW Transformada Wavelet
TWC Transformada Wavelet Contínua
TWD Transformada Wavelet Discreta
TWDR Transformada Wavelet Discreta Redundante
VD Ventrículo Direito
VE Ventrículo Esquerdo
WPM síndrome de Wolff-Parkinson-White
Capítulo 1
Introdução
1.1 Relevância do Tema

Segundo a Organização Mundial de Saúde (OMS), a telessaúde/telemedicina tem
como finalidade oferecer serviços de qualidade em saúde em regiões onde a distância
é um fator crítico, visando uma melhor assistência para essas unidades de saúde e suas
respectivas comunidades. Esses serviços são providos pelos próprios profissionais da área
da saúde, por meio de uma espécie de intercâmbio de conhecimentos e boas práticas en-
tre as unidades de saúde, fazendo uso de ferramentas de comunicação e tecnologias da
informação como uma forma de facilitar a integração entre essas unidades. Dessa forma,
haverá uma troca de informações que poderá melhorar a qualidade dos serviços prestados
às comunidades, bem como a qualidade do ambiente hospitalar, destacando-se dentre es-
tes serviços a prevenção de doenças, a validação de diagnóstico, o acompanhamento de
grupos de risco, a educação continuada para com os profissionais envolvidos, entre ou-
tras melhorias (ALGHAMDI; FOUCHAL, 2014), (HAMDI et al., 2014) (VALENTIM,
2015).
Nos últimos anos, o Brasil tem avançado bastante no conceito de Telessaúde. Em
2007, foi instituído o Programa Nacional Telessaúde Brasil, que tinha como objetivo
(principal) melhorar a qualidade do atendimento da Atenção Básica no Sistema Único
de Saúde (SUS), aumentando a oferta de Educação Permanente em Saúde (EPS), fazendo
uso de ferramentas da tecnologia da informação e comunicação para facilitar a integração
entre os sistemas de comunicação, de forma a propiciar fácil acesso à EPS (BR, 2015),
(VALENTIM, 2015). Esse Programa foi um projeto piloto na área da Telassaúde no Bra-
sil, sendo implantado em apenas alguns Estados da Federação. Somente em 2011 que
esse Programa foi ampliado, conforme portaria 2.546/2011, passando a ser denominado
de Telessaúde Brasil Redes (BRASIL, 2011). Esta nova concepção, além de fomentar
a EPS, visa aumentar, também, a potencialidade dos serviços de saúde, fortalecendo a
integração entre todas as unidade envolvidas.
CAPÍTULO 1. INTRODUÇÃO 2
O Telessaúde Brasil Redes é fundamentado em diversos núcleos de telessaúde espa-

lhados pelo país — atualmente, está presente em todos os Estados brasileiros, dispondo
de núcleos de abrangência estadual ou intermunicipal —, sendo estes formados por pro-
fissionais da saúde e áreas relacionadas, formando um corpo técnico-científico para a
organização e elaboração das atividades dos núcleos. As atividades principais desen-
volvidas pelos núcleos são: teleconsultorias, teleducação, segunda opinião formativa e
telediagnósticos. Todas as atividades desenvolvidas pelos núcleos podem ser registradas
e disponibilizadas em plataformas online, facilitando a integração entre os núcleos, além
de criar um ambiente de conhecimento mútuo acerca das atividades desenvolvidas pelos
núcleos (BRASIL, 2012), (MESSINA; FILHO; LOPES, 2014), (VALENTIM, 2015).
Um dos pontos chaves da telessaúde é a Atenção Básica, sendo esta uma ordenadora
da rede, onde se começa todo o princípio da telessaúde: as teleconsultorias são analisadas
primeiramente pelo médico da comunidade (ou da família) ou por profissionais com ex-
periência em Atenção Básica. os resultado obtidos com o Telessaúde Brasil Redes foram
bastante significativos, especialmente para com a qualificação de profissionais da área
da saúde que atuam em comunidades/municípios de difícil acesso (VALENTIM, 2015).
Em se tratando do Brasil, um país com uma vasta extensão territorial, as dificuldades
enfrentadas pelos sistemas de saúde são inúmeras. Logo, um sistema de informação e
comunicação, poderá aumentar a eficiência e conectividade entre os diversos setores da
administração e saúde, aumentando a interação e facilidade de qualificação de todos os
envolvidos.
O Programa Telessaúde Brasil Redes apresenta uma série de potencialidades, como
por exemplo: ampliação da capacidade de gestão, parcerias entre entidades públicas e
privadas, desenvolvimento de pesquisas em áreas estratégicas, entre outras. De uma forma
geral, o programa poderá aproximar os gestores públicos, sejam municipais, estaduais ou
federais, com o intuito de alcançar resultados mais satisfatórios com a Atenção Básica
de Saúde, uma vez que os interesses dos poderes públicos para com a saúde tendem a
se alinhar. Além do mais, essa interação entre instituições públicas (como universidades,
hospitais, etc) e instituições privadas poderão trazer diversas soluções de problemas para
áreas estratégicas da saúde, como desenvolvimento de pesquisas vinculadas ao SUS ou
direcionadas para o SUS (VALENTIM, 2015).
Todavia, muitos ainda são os obstáculos enfrentados pelo Programa: a baixa cobertura
de conectividade é um grande empecilho para a expansão do programa, uma vez que
para o sucesso deste se faz necessária uma excelente comunicação entre os núcleos, por
mais longínquo que estes estejam. Outro fator interessante, é que muitos gestores não
investem em tecnologias que propiciem a comunicação e beneficiem as unidades básicas
de saúde, tornando difícil a aproximação entre os núcleos, além da alta rotatividade entre
os gestores e profissionais de suas respectivas equipes de apoio, bem como a falta ou

pouco conhecimento acerca da telessaúde (VALENTIM, 2015). De uma forma geral,
o sucesso do Programa está relacionado com a atuação efetiva dos gestores para com a
saúde pública de seus municípios/estados.
O Programa Telessaúde Brasil Redes já se tornou uma importante ferramenta de re-
gulação, aumentando a eficácia dos sistemas de saúde, atuando na redução de encami-
nhamento para especialistas, reduzindo filas de espera, implicando em redução de custos
para a gestão. A telessaúde apresenta, basicamente, quatro ofertas de serviços: telecon-
sultoria, políticas de regulação, telediagnóstico e teleducação. A teleconsultoria, talvez,
seja a principal delas, uma vez que trata-se de uma ferramenta de interação entre os pro-
fissionais das unidades básicas de saúde e os especialistas (ou consultores) dos núcleos
de apoio para atuar diretamente na qualidade da atenção das comunidades envolvidas. A
teleconsultoria caminha junta com a teleducação e o telediagnóstico, com o intuito de
qualificar e reestruturar o processo de trabalho da equipe de saúde.
Logo, com essas ferramentas, existem uma tendência na melhoria da Atenção Básica,
podendo servir como uma ferramenta padrão para aplicação em políticas de regulação
voltadas para a área da saúde. Assim, pode-se existir uma integração do Telessaúde com
políticas de regulação, como por exemplo atuar junto à Regulação do SUS. Essa integra-
ção é um desafio para a consolidação do programa, uma vez que este passará a ser visto
como um serviço da rede de atenção à saúde e não apenas como um serviço educativo
voltado para a capacitação dos profissionais envolvidos. Contudo, é importante salien-
tar, que todo esse processo de integração deverá caminhar junto às centrais de regulação
municipais e estaduais, construindo, assim, uma estrutura adequada ao fluxo e processo
locais, levando em consideração a realidade da comunidade.
O mercado acerca da telessaúde tem inovado bastante, existindo diversas soluções em
andamento, aplicadas às mais variadas especialidades médicas: dermatologia, pediatria,
oftalmologia, pneumologia, radiologia, odontologia, cardiologia, entre outras (VALEN-
TIM, 2015). No Brasil, a cardiologia, ou melhor, a telecardiologia tem ganhado uma aten-
ção especial, motivada pelo aumento de casos de morte relacionados à problemas cardio-
vasculares, conforme Tabela 1.1. No âmbito da telecardiologia, diversas ferramentas têm
sido desenvolvidas para melhorar a qualidade do serviço médico, com o intuito de aumen-
tar a eficácia e a agilidade do atendimento, bem como prover as unidades com tecnologias
capazes de melhorar o acompanhamento do paciente. Nessa filosofia, muitas são as pro-
postas para melhorar a atenção básica dos pacientes, como sistemas para monitoramento,
sistemas de validação de dados, sistemas automáticos para análise de sinais/imagens, en-
tre outros (PANDIAN et al., 2008), (LEE; CHUNG, 2009), (DILLON; SZYMKIEWICZ;
KAIB, 2010), (OLMOS et al., 2014), (ALGHAMDI; FOUCHAL, 2014), (OLIVEIRA et
al., 2015), (VALENTIM, 2015).

As Doenças Cardiovasculares (DCV) estão entre as principais causas de morte no
mundo. Segundo a Organização Mundial de Saúde (OMS), cerca de 30 % das causas
de morte no mundo estão relacionadas a problemas cardiovasculares (ORGANIZATION,
2013). Estes afetam diretamente o coração e as artérias, podendo levar a infarto agudo
do miocárdio (ataque cardíaco), Acidente Vascular Cerebral (AVC), arrtimias cardíacas e
isquemias. A principal característica das doenças cardiovasculares é a presença de ateros-
clerose, causada pelo acúmulo de placas de gorduras nos vasos sanguíneos ao longo dos
anos, impedindo (dificultando) a passagem do sangue (SAúDE, 2014). As principais cau-
sas, além das de origem genética, para o aparecimento de aterosclerose estão ligadas ao
estilo de vida: sedentarismo, obesidade, colesterol alto, diabetes, tabagismo, hipertensão
e consumo excessivo de álcool (ORGANIZATION, 2013), (SAúDE, 2014).
As Figuras 1.1 e 1.2 apresentam as 10 (dez) principais causas de morte no mundo em
2015 e uma projeção para o ano de 2030, respectivamente. Pode-se observar que a isque-
mia ocupa a 1a posição nas causas de morte no mundo, representando 13 % das mortes,
tanto para o ano de 2015 quanto para uma projeção para o ano de 2030. Na segunda
posição tem-se o AVC, com 12 % das causas de morte, tanto no ano de 2015 quanto na
projeção para o ano de 2030. As causas de morte por hipertensão se destaca na 10a posi-
ção, representando 2 % dos casos para 2015 e 2030. Estes números são preocupantes, pois
mesmo com todos os avanços tecnológicos da medicina para com o acompanhamento de
pacientes dos grupos de risco, como por exemplo o telemonitoramento (telecardiologia),
eles se mantém os mesmos em um horizonte de 15 anos (HUANG et al., 2014), (DONG
et al., 2012), (VALENTIM, 2015).
Figura 1.1: Principais causas de morte no mundo em 2015.
13% Isquemia
AVC
Infecções do trato respiratório
12% Doença pulmonar obstrutiva crônica
Diarreias
48%
HIV/AIDS
6%
Câncer de traqueia, brônquios e pulmões
6%
Diabetes Mellitus
Acidentes de trânsito
3%
3% Hipertensão
3%
3% 3% 2%
Outros
Fonte: o Autor (2016).
Figura 1.2: Projeção das causas de morte no mundo em 2030.

13% Isquemia
AVC
Doença pulmonar obstrutiva crônica
12%
Infecções do trato respiratório
47% Diabetes Mellitus
Câncer de traqueia, brônquios e pulmões
7%
Acidentes de trânsito
HIV/AIDS
5%
Diarreias
4%
3% Hipertensão
3%
3% 2% 2%
Outros
No Brasil, cerca de 30 % das mortes no país são causadas por doenças cardiovas-
culares, sendo os homens os mais atingidos, representando cerca de 60 % das vítimas
(SAúDE, 2014). A idade média das vítimas é de 56 anos, porém jovens com idade en-
tre 20 e 40 anos vêm desenvolvendo também problemas cardiovasculares, e esse grupo
já representa 12 % do total (SAúDE, 2014). As principais causas para a ocorrência de
problemas cardiovasculares em jovens são o estresse, associado ao fumo e a outros fato-
res de risco, bem como obesidade e consumo excessivo de álcool (SAúDE, 2014). Estes
números colocam o Brasil entre os 10 países como maior índice de morte por doenças
cardiovasculares (SAúDE, 2014). A Tabela 1.1 apresenta a taxa de mortalidade específica
para doenças cardiovasculares no Brasil e regiões, para os anos de 1990, 2000 e 2010
(SAúDE/SVS, 2012): pode-se observar que vem ocorrendo um aumento considerado no
número de mortes por DCVs nas regiões Norte, Nordeste e Centro-Oeste.
Tabela 1.1: Taxa de mortalidade por doenças do aparelho circulatório para cada 100 mil
habitantes. Brasil e grandes regiões: anos de 1990, 2000 e 2010.
REGIÃO 1990 2000 2010
Norte 65 67 90
Nordeste 81 102 154
Sudeste 221 191 195
Sul 198 199 194
Centro-Oeste 109 129 145
Brasil 159 153 171
De uma forma geral, as DCVs têm causado um grande número de óbitos no mundo,
tanto em países desenvolvidos quanto em desenvolvimento. Estes números estão intima-
mente ligados ao estilo de vida da população e vêm crescendo à cada ano, gerando uma
maior preocupação por parte dos sistemas de saúde (ORGANIZATION, 2013), (SAúDE,
2014). Diante disso, programas de prevenção, diagnósticos e tratamentos estão sendo re-
alizados com uma maior periodicidade, de forma a reduzir a quantidade de óbitos e os
custos envolvidos com as medidas corretivas (BRAUNWALD et al., 2002). Um grande
avanço é a introdução da telecardiologia, que possibilita o telemonitoramento de paci-
entes, garantindo um acompanhamento contínuo dos sinais vitais, além de proporcionar
uma maior mobilidade e conforto para os pacientes (HUANG et al., 2014), (DONG et
al., 2012), (OLMOS et al., 2014), (LEE; CHUNG, 2009), (HAMDI et al., 2014), (VA-
LENTIM, 2015). A Figura 1.3 apresenta a descrição de um sistema telecárdio, no qual os
sinais de eletrocardiograma monitorados pelo dispositivo acoplado ao paciente pode ser
observado em um dispositivo móvel e esses dados são enviados para um hospital (ou uni-
dade básica de saúde) ou para um médico responsável pelo acompanhamento do paciente.
Figura 1.3: Sistema telecárdio.
+
A análise automática de sinais cardíacos (eletrocardiograma - ECG) vem sendo bas-

tante explorada nas últimas décadas por ser uma importante ferramenta para o diagnóstico
(validação) rápido de problemas cardíacos, contudo se faz necessário um sistema de detec-
ção confiável e preciso (QUERO et al., 2005), (KOHLER; HENNIG; ORGLMEISTER,
2002). Existem diversas técnicas propostas para a análise de sinais ECG, sendo mui-
tas delas utilizadas em sistemas de telecardiologia (KOHLER; HENNIG; ORGLMEIS-
TER, 2002),(MARTIS; ACHARYA; ADELI, 2014), (FRIESEN et al., 1990), (VALEN-
TIM, 2015). Os sistemas propostos vão desde dispositivos computadorizados a dispositi-
vos com componentes discretos (KOHLER; HENNIG; ORGLMEISTER, 2002),(MAR-
TIS; ACHARYA; ADELI, 2014), (FRIESEN et al., 1990). Quanto aos métodos de aná-
lise podem ser online (tempo real) ou offline (KOHLER; HENNIG; ORGLMEISTER,
2002),(MARTIS; ACHARYA; ADELI, 2014), (FRIESEN et al., 1990). Através da aná-
lise do sinal ECG podem-se obter diversos diagnósticos, entre eles destacam-se (MANN
et al., 2014), (NATALE, 2007):
• Detecção de arritmias cardíacas, como por exemplo bradicardia e taquicardia;

• Diagnóstico de doenças congênitas, como os bloqueios do nódulo átrio-ventricular
e defeitos nas válvulas cardíacas, por exemplo;
• Fibrilação ventricular e auricular;
• Contrações independentes e desordenadas das fibras musculares;
• Isquemia do miocárdio, constatação de um possível infarto.
Os primeiros trabalhos que abordaram a análise computadorizada de sinais ECG fo-

ram propostos por RIKLI et al. (1961), Young e Huggins (1964), Yasui, Whipple e Stark
(1964), NOMURA, TAKAKI e TOYAMA (1966), Mark et al. (1979), Patomaki et al.
(1981), Ligtenberg e Kunt (1983), Ahlstrom e Tompkins (1983), Pahlm e Sörnmo (1984),
Thakor, Webster e Tompkins (1984). No entanto, foram Pan e Tompkins (1985) que pu-
blicaram um dos principais algoritmos para detecção em tempo real das características
do sinal ECG. Este assunto é de extremo interesse e importância para sistemas automá-
ticos de análises cardíacas, uma vez que para diagnósticos precisos e confiáveis se faz
necessária um detecção precisa, robusta e confiável das características dos sinais de ele-
trocardiograma.
A partir de Pan e Tompkins (1985) diversos algoritmos de detecção tem sido apre-
sentados, tanto para análise offline quanto para análise em tempo real baseando-se nas
derivadas do sinal, filtros digitais, redes neurais, banco de filtros, filtros adaptativos,
Transformada de Hilbert, modelos de Markov, algoritmos genéticos, matemática morfo-
lógica, Transformada Wavelet, entre outras técnicas (KOHLER; HENNIG; ORGLMEIS-
TER, 2002),(MARTIS; ACHARYA; ADELI, 2014), (FRIESEN et al., 1990). No entanto,
ainda existe uma grande discussão acerca de qual algoritmo apresenta melhores resulta-
dos para implementação telecardiológica, uma vez que cada uma deles apresentam suas
características e peculiaridades com vantagens e desvantagens, dependendo do tipo da
aplicação para um diagnóstico específico.
Além do mais, grande parte desses algoritmos não dispõem de análises em tempo
real, o que limita bastante a eficácia do sistema automático de detecção, uma vez que
esse necessita de uma análise rápida para que se possa tomar providências o mais rápido
possível. Assim, nesse contexto, se destacam os algoritmos para análise em tempo real
que proporcionem precisão, robustez e confiabilidade. Outro ponto interessante que tem
gerado bastantes discussões é a implementação desses algoritmos em sistemas digitais
para aplicação móvel (QUERO et al., 2005), (OLMOS et al., 2014), (LEE; CHUNG,
2009), (HAMDI et al., 2014), (DONG et al., 2012), além de implementações a nível
de hardware (HUANG et al., 2014), (ZHANG; LIAN, 2014), (ZHANG; BAE, 2012),
(IEONG et al., 2012), (TENG; RIEGER; LIN, 2014).
Propõe-se nessa tese um sistema para análise e validação de sinais de eletrocardio-
grama baseando-se na Transformada Wavelet Discreta Redundante (TWDR), utilizando
uma abordagem em tempo real, e métodos thresholds, através do qual se possa extrair
as características comportamentais dos sinais cardíacos (eletrocardiogramas), de forma
a possibilitar a aferição (validação) de diagnósticos patológicos com precisão, robustez e
confiabilidade. A interpretação correta em tempo real dos sinais ECG é de suma importân-
cia para a implementação de sistemas automáticos para análise de doenças cardiovascula-
res. Contudo, não basta apresentar bom desempenho e confiabilidade no processamento
do sinal ECG, o sistema precisa ser de fácil implementação prática, de forma a garantir
baixo consumo de potência por parte do dispositivo de análise. Assim, o sistema proposto
apresenta uma nova técnica de análise, que apresenta um modelo matemático de mais
simples implementação prática, no intuito de viabilizar sua implementação em hardware
ou em sistemas embarcados.
1.2 Motivação
A telecardiologia proporciona um aumento na qualidade do atendimento e serviços
médicos prestados à comunidade. Segundo dados do DATASUS/SUS, as causas de inter-
nações hospitalares causadas por doenças do aparelho circulatório totalizam 10,24 % do
total de internações em todo o país, ocupando a terceira posição proporcional por grupos
de causa (BRASIL, 2009). Dentre as doenças cardiovasculares, a insuficiência cardíaca,
o infarto agudo do miocárdio e a hipertensão arterial estão entre as principais causas
de morte e internação hospitalar, e uma das soluções implementadas para reduzir estes
números foi o monitoramento remoto dos pacientes. Mediante a adoção dessa solução,
segundo dados da Cochrane, houve uma redução de 44 % no risco de morte e 21 % nas
internações, o que demonstra a eficácia da aplicação da telecardiologia (KLERSY et al.,
2009), (INGLIS, 2010), (VALENTIM, 2015).
Estudos mostram que o monitoramento de pacientes de grupos de risco e uma aná-
lise rápida do eletrocardiograma podem aumentar a eficácia do tratamento de um infarto
agudo do miocárdio, reduzindo o tempo decorrido entre o diagnóstico e uma possível
intervenção clínica (cateterismo ou agioplastia coronariana ou mesmo o uso de algum
fármaco trombolítico para desobstrução da artéria coronária). Todavia, são poucos os
hospitais que conseguem tratar o paciente, a contar da sua chegada à sala de emergên-
cia, no prazo ideal (tempo inferior à 90 minutos), sendo este prazo crucial para a eficácia
(êxito) do atendimento (SEJERSTEN et al., 2008), (OLIVEIRA et al., 2015), (VALEN-
TIM, 2015). Assim, a telecardiologia poderá melhorar o atendimento mesmo em lugares
distantes dos grande centros urbanos, onde na grande maioria dos casos, as unidades bá-
sicas de saúde não dispõem diariamente de médicos cardiologistas, e muitas vezes não
apresentam condições mínimas para determinados procedimentos cardíacos, como servi-
ços de hemodinâmica (cateterismo), por exemplo.
A análise do sinal ECG proporciona um rápido diagnóstico para diversos problemas
cardiovasculares, como ,por exemplo, arritmias, infarto, entre outros. A prevenção e o
acompanhamento regular das atividades do músculo cardíaco são sempre as melhores al-
ternativas para evitar futuros transtornos na saúde. Sistemas de detecção automática de
DCVs são uma excelente solução para o monitoramento de pacientes dos grupos de risco,
além de possibilitar uma maior mobilidade quanto ao uso do dispositivo por parte do
paciente. Tais sistemas precisam utilizar algoritmos rápidos para análise em tempo real
dos sinais de ECG, visando melhorar o desempenho dos sistemas de monitoramento au-
tomáticos (telecardiologia), proporcionando uma maior rapidez na detecção de eventuais
problemas. Além do mais, esses sistemas se aplicam a diversos grupos, como atletas por
exemplo, não se restringindo somente a indivíduos dos grupos de risco.
Dentro do contexto apresentado, a principal motivação deste trabalho é a necessidade
de um sistema para análise em tempo real de sinais ECG que apresente bom desem-
penho e robustez para com diversos tipos de sinais ECG, e que apresente um modelo
matemático de simples implementação prática, que possa ser utilizado na telecardiologia.
Esse sistema servirá como uma ferramenta para auxílio na validação de dados clínicos
relacionados à patologias cardíacas. Os sinais ECG apresentam diversas características
morfológicas diferentes, que nem sempre implicam em problemas cardiovasculares, en-
tão o sistema deve ser capaz de diferenciar esses comportamentos e atuar somente quando
necessário. Um modelo matemático de simples implementação, seja à nível de software
ou hardware, é necessário para que sua aplicação prática demande um baixo consumo de
potência e baixa complexidade na concepção, proporcionando melhores rendimentos de
energia para os dispositivos (plataformas).
1.3 Objetivos
O objetivo geral deste trabalho é a implementação de um sistema de análise de sinais
cardíacos para aplicação em telecardiologia, servindo como uma ferramenta para auxílio
na validação de dados clínicos ou mesmo no pré-diagnóstico (indicativo) de possíveis
patologias cardíacas, servindo como um indicativo, facilitando a triagem de pacientes.
Dentre os objetivos específicos deste trabalho destacam-se:
• Desenvolver, matematicamente, as equações para análise do sinal ECG utilizando

a Transformada Wavelet Discreta Redundante (TWDR), com uma abordagem em
tempo real, e métodos threshold.
• Efetuar um estudo acerca das ferramentas wavelet, a fim de encontrar a que apre-
senta as melhores características para o tratamento de sinais de eletrocardiograma.
• Avaliar experimentalmente o desempenho do método proposto.
• Comparar a análise do sinal ECG baseada nas wavelets, com técnicas convencio-
nais.
• Desenvolver um método para análise de arritmias: bradicardia, taquicardia e con-
tração ventricular prematura.
1.4 Contribuições
As principais contribuições deste trabalho são:
• Desenvolvimento de sistema para análise de sinais ECG em tempo real, aplicado à
telecardiologia;
• Algoritmo para validação das seguintes arritmias: bradicardia supraventricular, ta-
quicardia supraventricular e contração ventricular prematura;
• Metodologia matemática baseada na Transformada Wavelet que pode ser expandida
para validação de diversas patologias cardíacas.
1.5 Metodologia
Este trabalho foi realizado conforme a seguinte metodologia:
• Revisão bibliográfica das principais técnicas de análises de sinais de eletrocardio-
grama, dando-se ênfase às técnicas convencionais baseadas na Transformada Wa-
velet;
• Estudo da fundamentação teórica da morfologia do músculo cardíaco;
• Estudo da fundamentação teórica dos principais conceitos relacionados às doenças
cardiovasculares, enfatizando as arritmias cardíacas (bradicardia supraventricular,
taquicardia supraventricular e contração ventricular prematura);
• Estudo da fundamentação teórica da TW, com ênfase na versão TWDR;
• Analisar os efeitos das wavelets mães, enfatizando as seguintes famílias wavelet:
Daubechies, Coiflets e Symlets.
• Desenvolvimento matemático das equações e métodos para análise do sinal ECG,
baseando-se na TWDR, com uma abordagem em tempo real (recursiva), e métodos
de detecção baseados em thresholds.
• Validação do sistema proposto.
• Aplicação do sistema proposto para validação de dados clínicos relacionados com
arritmias cardíacas.
1.6 Organização do Trabalho

A tese está organizada em sete capítulos:
• O Capítulo 1 abordou os objetivos e as motivações para elaboração deste traba-
lho, assim como uma pequena introdução e contextualização referente aos sistemas
automáticos de detecção de DCVs.
• No Capítulo 2 será apresentado um levantamento do estado da arte, destacando-se

as várias propostas de análises do sinal ECG tanto no domínio do tempo quanto no
domínio da frequência.
• O Capítulo 3 traz a fundamentação teórica do músculo cardíaco, enfatizando algu-
mas doenças cardiovasculares, em especial os tipos de arritmias cardíacas.
• No Capítulo 4 será apresentada a fundamentação teórica da Transformada Wavelet,
destacando-se a versão discreta TWDR. Além disso, são abordados os algoritmos
baseado na análise em multiresolução e os cálculos dos coeficientes escala e wave-
let, bem como a energia dos coeficientes wavelet.
• No Capítulo 5 será apresentado o método proposto para análise do sinal ECG.
• No Capítulo 6 são apresentados os resultados de obtidos utilizando gravações reais
de sinais de eletrocardiograma.
• No Capítulo 7 são apresentadas as atividades desenvolvidas e discussões gerais
sobre o trabalho, bem como perspectivas futuras.
Capítulo 2
Estado da Arte
Com o avanço dos sistemas computacionais houve uma disseminação de algoritmos de

detecção do complexo QRS para aplicação em dispositivos de análise de sinais cardíacos,
sendo que nos últimos 30 anos os softwares de detecção têm substituído cada vez mais
os sistemas de detecção em hardware (KOHLER; HENNIG; ORGLMEISTER, 2002).
Apresenta-se neste capítulo um levantamento do estado da arte das principais técnicas
utilizadas na análise de sinais de eletrocardiograma, desde algoritmos para análise offline
quanto algoritmos para análise online (tempo real). Além disso, apresenta-se também o
estado da arte da Transformada Wavelet aplicada na análise de sinais ECG. Também é
apresentada uma revisão bibliográfica acerca dos primeiros trabalhos relacionados com
análise de sinais cardíacos.
2.1 Sistemas de Detecção

A análise automática do sinal ECG é uma importante ferramenta para o diagnóstico
rápido de problemas cardíacos, porém se faz necessário um sistema de detecção con-
fiável e preciso (KOHLER; HENNIG; ORGLMEISTER, 2002), (QUERO et al., 2005),
(MARTIS; ACHARYA; ADELI, 2014). A detecção do complexo QRS é a tarefa mais
importante em um sistema automatizado de processamento de sinais ECG, sendo impres-
cindível a sua exata detecção para alguns diagnósticos clínicos (FRIESEN et al., 1990),
(QUERO et al., 2005), (RODRIGUEZ; GOñI; ILLARRAMENDI, 2005). Existem diver-
sos algoritmos propostos para a análise de sinais cardíacos: baseando-se nas derivadas
do sinal, filtros digitais, redes neurais, banco de filtros, filtros adaptativos, Transformada
de Hilbert, modelos de Markov, algoritmos genéticos, matemática morfológica, Transfor-
mada Wavelet, entre outras técnicas (MACFARLANE, 1978), (AKAY, 2000), (KOHLER;
HENNIG; ORGLMEISTER, 2002), (MARTINEZ et al., 2004), (RAVIER et al., 2007),
(SASIKALA; WAHIDABANU, 2010), (CERUTTI; MARCHESI, 2011), (CATTANI et
al., 2012), (MARTIS; ACHARYA; ADELI, 2014). Os parâmetros, geralmente, utilizados
CAPÍTULO 2. ESTADO DA ARTE 14
para validação de desempenho desses algoritmos são a Sensibilidade (Se ) e a Preditivi-

dade Positiva (P+ ), bem como o número de detecções positivas efetuadas pelo algoritmo
— esses parâmetros serão melhor abordados no Capítulo 5.
Os primeiros estudos encontrados na literatura contendo informações sobre o uso de
computadores e sistemas inteligentes para a análise de sinais cardíacos remetem aos anos
de 1960. A partir desta data, diversas ideias foram discutidas e debatidas na comunidade
científica. RIKLI et al. (1961) propuseram o uso do computador para identificação de
eletrocardiogramas normais, ou melhor um programa de computador para distinguir ele-
trocardiogramas normais de anormais. Young e Huggins (1964) apresentaram uma análise
estatística para classificação de eletrocardiogramas implementada em computador. Yasui,
Whipple e Stark (1964) apresentam uma solução para interpretação automática do sinal
ECG baseada em filtros digitais. NOMURA, TAKAKI e TOYAMA (1966) propuseram
um método computacional para diagnósticos de problemas cardíacos baseados na análise
de eletrocardiogramas.
Os primeiros algoritmos utilizavam como base bancos de dados de sinais eletrocar-
diogramas para levantar seus parâmetros (características) comportamentais, e então com
base nessas características criar padrões (tipos) de sinais de referência para a detecção
(classificação). Haywood et al. (1970) descrevem um método computacional para análise
em tempo real do sinal ECG baseado em reconhecimento de padrões. Semelhantemente,
Cox J.R., Nolle e Arthur (1972) propuseram um método para análise em tempo real do
sinal ECG baseado em técnicas de reconhecimento de padrões. O sistema foi validado uti-
lizando diversos bancos de dados, oriundos de vários hospitais/universidades, alcançando
resultados dentro da faixa 76 – 99,2 acertos positivos. Mark et al. (1979) desenvolveram
um instrumento portátil baseado no microprocessador Intel 8085 capaz de analisar em
tempo real sinais ECG em pacientes ambulatoriais. O método de análise extraia as infor-
mações (características) do sinal ECG baseando-se na classificação morfológica. Fancott
e Wong (1980) propuseram um sistema ambulatorial computadorizado com capacidade
de análise em tempo real de 24h baseado em reconhecimento de padrões para diagnóstico
de arritmias cardíacas. O sistema basicamente difere um sinal anormal de um sinal nor-
mal, ou seja, apresenta duas categorias de classificação, e os resultados apresentaram um
desvio padrão na faixa de 0,265 – 2,36 %.
Diversas técnicas foram desenvolvidas conforme as características comportamentais
do sinal ECG (FRIESEN et al., 1990), (KOHLER; HENNIG; ORGLMEISTER, 2002),
(MARTIS; ACHARYA; ADELI, 2014). Nygårds e Sörnmo (1983) apresentaram uma fun-
ção baseada no contorno (envelope) do sinal ECG fundamentada pela Transformada de
Hilbert. Seguindo o mesmo princípio Song-Kai, Jian-Tao e Jun-Rong (1988) propuseram
um método para detecção em tempo real do complexo QRS baseando-se na Transformada
de Hilbert. Ulusar et al. (2009) descreveram um algoritmo para análise do complexo QRS
fetal utilizando Hilbert, apresentado resultados na faixa de 98,9 % – 99,7 %. Mukho-
padhyay, Mitra e Mitra (2011) foram um pouco mais além e utilizando Hilbert desenvol-
veram um algoritmo para extrair diversas informações do sinal cardíaco, além do QRS,
alcançando resultados bem interessantes: Se = 99, 81% e P+ = 99, 93% . Atualmente,
a Transformada de Hilbert vem sendo bastante utilizada na análise de sinais cardíacos
em conjunto com diversas outras ferramentas: Zhang e Lian (2009) apresentaram um sis-
tema de detecção do complexo QRS para aplicação em dispositivos móveis baseando-se
nas Transformada de Hilbert e Wavelet, apresentando bons resultados: Se = 99, 96% e
P+ = 99, 98%. Dhar et al. (2014) propuseram um algoritmo para filtragem do ruído e
extração das características do ECG utilizando Transformada de Hilbert, filtros digitais e
derivada primeira, obtendo Se = 99, 84% e P+ = 99, 84%.
Outra linha de pesquisa que apresenta diversas contribuições na área do processa-
mento de sinais cardíacos são os algoritmos baseados na derivada do sinal: Holsinger,
Kempner e Miller (1971) apresentaram um sistema digital para detecção em tempo real
do complexo QRS utilizando múltiplos diferenciadores digitais. Os algoritmos baseados
nas derivadas do sinal estão geralmente associados com as técnicas de filtragem do sinal e
foram bastante difundidos nas décadas de 70 e 80, sendo propostas diversas equações para
análises de 1a e 2a ordens. Morizet-Mahoudeaux et al. (1981) propuseram um sistema mi-
croprocessado baseado nas derivadas do sinal ECG para analisar arritmias cardíacas em
tempo real. O algoritmo foi implementado com base na derivada primeira e nos valores de
amplitude do sinal. Ahlstrom e Tompkins (1983) desenvolveram um holter automatizado
para detecção em tempo real do complexo QRS baseando-se nas primeiras e segundas
derivadas do sinal ECG. Este equipamento analisava se o paciente apresentava possíveis
arritmias. Ning e Selesnick (2013) apresentaram um sistema um pouco mais complexo
do que os anteriores, analisando as 2a e 3a derivadas do sinal ECG, de forma a prover uma
melhor acurácia na análise do sinal, resultando em Se = 99, 87% e P+ = 99, 88%.
Este tipo de análise é geralmente realizada em conjunto com técnicas de threshold
(limiar), seja este fixo ou adaptativo. Geralmente, os algoritmos se baseiam em regras
de decisão para uma acurácia na detecção das características do sinal, sendo essas regras
usualmente heurísticas e a base para descrição das técnicas de Threshold (FRIESEN et al.,
1990), (KOHLER; HENNIG; ORGLMEISTER, 2002), (MARTIS; ACHARYA; ADELI,
2014). Embora a análise utilizando filtros esteja relacionada com a análise diferencial,
alguns algoritmos merecem destaque, pois apresentaram modelos sofisticados de filtros
digitais: Okada (1979) propôs um filtro digital para detecção do complexo QRS em uma
análise offline. Engelse e Zeelenberg (1979) proposeram um algoritmo para detecção do
complexo QRS utilizando filtro digital com largura de banda ajustável dinamicamente,
com o intuito de detectar as características do sinal ECG com maior precisão. Borjesson
et al. (1982) apresentaram um modelo de filtro digital, filtro não-casado, para detecção do
complexo QRS. A análise é feita offline, contudo os autores explicitam as alterações para
o caso de uma análise online.
De um modo geral, os filtros digitais e algoritmos baseados nas derivadas vêm sendo
utilizados em diversas aplicações no processamento de sinais biomédicos, em particular o
sinal cardíaco, e geralmente estão associados à outras ferramentas. Hamilton e Tompkins
(1986) desenvolveram um esquema de filtragem linear e não linear para melhorar o de-
sempenho na detecção do QRS durante a aquisição do sinal ECG em uma análise offline.
Esse sistema resultou em Se = 99, 69% e P+ = 99, 77%. Lian e Yu (2005) desenvolve-
ram um filtro digital para implementação em SoC (System-on-Chip) na análise de sinais
ECG em tempo real. Piskorowski (2010) propuseram um filtro digital rejeita-faixa para
aplicação em filtragem de interferências senoidais na análise de sinais cardíacos. Nos
trabalhos de Lakhwani et al. (2012) eles analisaram quatro tipos diferentes de filtro FIR
(Finite Impulse Response) para extração das características do complexo QRS em tempo
real. Hong e Lian (2015) apresentam uma técnica de filtragem digital para ruídos de alta
frequência em sinais cardíacos para análise em tempo real.
As limitações enfrentadas por este método vai depender do nível de complexidade de
sua implementação, um vez que podem demandar bastante processamento para análise.
E em se tratando de uma análise em tempo real o algoritmo precisa ser eficiente e de
preferência de simples implementação prática. Um dos principais trabalhos abordando a
análise em tempo real de sinais cardíacos foi desenvolvido por Pan e Tompkins (1985),
no qual apresentam um sistema digital para detecção em tempo real das características do
sinal ECG, enfatizando a detecção do complexo QRS. O algoritmo foi descrito em assem-
bly, sendo implementado em um microprocessador (Z80 - Zilog ou NSC800 - National
Semiconductor). O algoritmo analisa basicamente os pontos de inflexão, as amplitudes
e a largura das ondas do sinal ECG. Faz uso de filtros digitais e se baseia na teoria es-
pectral e no método do threshold adaptativo para com base na energia do sinal identificar
os pontos e regiões desejados para análise e levantar as características comportamentais
do ECG. O algoritmo ajusta os thresholds e seus parâmetros periodicamente, conforme
as mudanças morfológicas e rítmicas do sinal cardíaco. Muitos dos trabalhos recentes
utilizam ou abordam as técnicas empregadas por Pan e Tompkins (1985) em suas análise.
As redes neurais artificiais (RNA) também têm sido amplamente utilizadas para apli-
cações com sinais não-lineares, como no processamento, classificação e otimização. Em
diversas aplicações, o desempenho de sistemas baseados em redes neurais tem sido supe-
rior aos métodos convencionais (BISHOP, 1995), (AKAY, 2000), (KOHLER; HENNIG;
ORGLMEISTER, 2002). Os modelos de redes neurais mais utilizadas no processamento
de sinais ECG são perceptron de múltiplas camadas (MLP - Multilayer Perceptron), fun-
ção de base radial (RFB - Radial Basis Function) e quantização de vetores de aprendi-
zagem (LVQ - Learning Vector Quantization) (BISHOP, 1995), (KOHLER; HENNIG;
ORGLMEISTER, 2002). Barro et al. (1998) apresentaram um modelo de uma RNA para
classificação morfológica dos batimentos cardíacos em um sistema de multicanais ECG,
e o sistema apresentou uma sensibilidade e preditividade positiva acima de 80 %. O al-
goritmo apresenta a capacidade de adaptação dinâmica em resposta às características do
sinal ECG. Ravier et al. (2007) propuseram um sistema para análise em tempo real do
complexo QRS, sendo a detecção implementada com base no algoritmo de Hamilton e
Tompkins (1986) e utilizando uma rede neural para classificação. Eles obtiveram uma
Sensibilidade Se = 94, 02% e uma Preditividade da ordem de P+ = 96%. Valenza et al.
(2008) desenvolveram um sistema em hardware portátil para análise em tempo real de ar-
ritmias cardíacas utilizando uma arquitetura otimizada de um modelo de rede neural para
reconhecimento de padrões do complexo QRS, obtendo uma sensibilidade acima de 98 %.
Jin, Sun e Cheng (2009) desenvolveram uma RNA adaptativa para classificação em tempo
real de doenças cardiovasculares implementada em dispositivos móveis (smartphones ou
PDAs - Personal Digital Assistant), apresentando um quantidade de acertos acima de 90
%.
As RNAs estão geralmente associadas com a classificação do sinal ECG, embora exis-
tam diversas outras aplicações. Gautam, Lee e Chung (2009) apresentaram um método
baseado em redes neurais para a filtragem de ruídos no sinal ECG. Lim (2009) propõe uma
rede neural Fuzzy para detectar contrações prematuras do ventrículo (PVC - Premature
Ventricular Contractions) em tempo real, obtendo uma acurácia acima de 98 %. Oresko
et al. (2010) desenvolveram um sistema para celular (smartphone) que detecta, em tempo
real, possíveis problemas cardíacos, baseando-se na teoria de redes neurais. Foram anali-
sados diversas anotações cardíacas, e os resultados foram satisfatórios, apresentando uma
preditividade média de 93,32 %. Uma vez treinada, a RNA oferece rápido processamento
do sinal, contudo muitas vezes isso implica em esforço computacional elevado (BISHOP,
1995), (KOHLER; HENNIG; ORGLMEISTER, 2002), (MARTIS; ACHARYA; ADELI,
2014). Este problema está intimamente ligado à aplicação de RNAs em sistemas de aná-
lise em tempo real, pois para que o sistema apresente resultados satisfatórios requer um
certo tempo para o processamento da rede, e quanto mais complexa a rede maior o tempo
necessário para análise (BISHOP, 1995), (KOHLER; HENNIG; ORGLMEISTER, 2002),
(MARTIS; ACHARYA; ADELI, 2014). Rai, Trivedi e Shukla (2013) utiliza três modelos
de RNAs para classificação do sinal ECG e apresentar suas características: Back Propa-
gation Network (BPN), Feed Forward Network (FFN) e Multilayered Perceptron (MLP),
obtendo com esta última 100 % de acurácia. Semelhantemente, Martis, Acharya e Min
(2013) apresentaram um técnica de classificação de sinais ECG utilizando três algorit-

mos baseados em RNAs, e obtiveram Se = 99, 97% e P+ = 99, 21%. Tang e Shu (2014)
propuseram uma rede neural também para classificação de sinais de eletrocardiograma, e
obtiveram 91,7 % de acurácia.
Uma outra ferramenta para análise de sinais cardíacos, em particular na detecção do
complexo QRS, é a aplicação de filtros adaptativos de predição do complexo QRS, ou me-
lhor, são filtro que tentam prever o comportamento do complexo QRS baseando-se em seu
valor anterior ou de acordo com seu comportamento estatístico, de forma a se antecipar
na detecção de um possível problema cardíaco, antes que o mesmo aconteça (FRIESEN
et al., 1990), (KOHLER; HENNIG; ORGLMEISTER, 2002), (MARTIS; ACHARYA;
ADELI, 2014). Hamilton e Tompkins (1988) utilizaram um filtro casado para melho-
rar a relação sinal-ruído do sistema de detecção do complexo QRS. Lin e Chang (1989)
propuseram um método utilizando a teoria dos filtros adaptativos preditivos para detec-
tar arritmias cardíacas, apresentando uma sensibilidade da ordem de 92 %. Zhao et al.
(2010) descrevem um sistema de detecção do complexo utilizando um estágio de filtra-
gem adaptativa para extrair as componentes de ruídos oriundas da fonte de alimentação
e de interferência na linha de base. Muitos sistemas de monitoramento são bastante vul-
neráveis, reduzindo a qualidade do sinal para análise. Nesse contexto, Vullings, Vries e
Bergmans (2011) desenvolveram um algoritmo de estimação baseado no filtro adaptativo
de Kalman de maneira a aprimorar a análise do sinal ECG. Oster et al. (2015) propuseram
uma técnica de diagnóstico de patologias cardíacas em tempo real baseada em filtros de
Kalman, obtendo uma acurácia de 95,4 %.
O sinal ECG apresenta comportamento inerentemente não-estacionário (MEDL, 1998),
(BRUCE, 2001), (RANGAYYAN, 2002), (DUPONT; DUPONT, 2009), (CATTANI et al.,
2012), uma vez que é resultado de um processo biológico, embora alguns autores consi-
derem que o comportamento é determinístico por apresentar um regime quase-periódico
de oscilação (CERUTTI; MARCHESI, 2011). Assim, por apresentar um comportamento
não-estacionário, muitos autores apresentam soluções baseadas em métodos estocásticos.
Young e Huggins (1964) apresentaram uma das primeiras análises estatísticas descritas
em ambiente computacional, na qual apresentam um método estocástico para classifica-
ção de ECGs e alcançaram um desempenho de aproximadamente 75 % (ou maior) de
acertos. Sornmo, Paklm e Nygards (1985) descreveram um modelo estocástico de es-
timação para detectar o complexo QRS. Coast et al. (1990) apresentaram uma técnica
para análise de arritmias cardíacas baseada no modelo oculto de Markov (HMM - Hidden
Markov Model), e obtiveram Se = 99, 25% e P+ = 85, 67%. Andreao, Dorizzi e Boudy
(2006) propuseram um HMM para análise de ECG em tempo real, sendo o sistema ca-
paz de detectar os batimentos, segmentar e classificar o sinal. O sistema apresentou um
desempenho com Se = 99, 79% e P+ = 99, 96%.

Os modelos estatísticos apresentam, de uma forma geral, boa acurácia, porém de-
mandam bastante processamento computacional devido aos modelos apresentarem uma
certa complexidade de implementação (KOHLER; HENNIG; ORGLMEISTER, 2002),
(DUPONT; DUPONT, 2009), (MARTIS; ACHARYA; ADELI, 2014). Graja e Boucher
(2005) propuseram um modelo híbrido baseado no modelo oculto de Markov em árvore
e utilizando coeficientes Wavelet para análise de sinais ECG. Andreão et al. (2008) apre-
sentaram um sistema de detecção de isquemia baseado num modelo HMM incremental,
o qual apresenta um comportamento adaptativo baseado em versões incrementais de al-
goritmos de maximização de expectativa, obtendo Se = 82, 52% e P+ = 84, 66%. Chang
et al. (2012) propuseram um sistema para classificação de infarto do miocárdio utilizando
modelos de Markov e Gaussianos, alcançando uma sensibilidade Se = 85, 71% e uma
acurácia de 82,50 % de acertos. Além do uso para análise do sinal cardíaco, modelos es-
tocáticos são também empregados para aumentar a robustez do sistema à possíveis inter-
ferências de ruídos, como apresentado no trabalho de Sandberg, Stridh e Sornmo (2008).
Lee et al. (2012) propuseram um método em tempo real para detecção de ruídos no si-
nal ECG provenientes do movimento, sendo esse método implementado em monitores
Holters, e apresentando desempenho com Se = 96, 63%.
Uma técnica que foi bastante difundida no início da década de 90 foi a análise de ECG
por operadores morfológicos (matemática morfológica), e ainda vem sendo bastante utili-
zada devido à sua eficácia na remoção da flutuação da linha de base e do ruído impulsivo,
geralmente causado por interferências eletromagnéticas ou problemas durante a aquisi-
ção do sinal ECG (gravação e digitalização) (CHU; DELP, 1988), (CHU; DELP, 1989).
Essa técnica é originária do processamento de imagens e Chu e Delp (1989) aprimoraram
o seu uso numa análise mais estendida para o sinal ECG, sendo utilizada para filtragem
do ruído impulsivo. Trahanias (1993) propôs um detector do complexo QRS utilizando
operadores morfológicos baseados nos valores de pico das ondas do ECG, alcançando
uma Se = 99, 38% e P+ = 99, 48%. Sun, Chan e Krishnan (2002) propuseram uma téc-
nica de filtragem morfológica para o condicionamento do sinal, com o intuito de corrigir
a linha de base e reduzir o efeito de ruídos, resultando em um desempenho de 99,4 %
. Sun et al. (2003) descreveram um algoritmo para tratamento do eletrocardiograma ne-
onatal com o intuito de remover o efeito da flutuação da linha de base, utilizando para
isto dois estágios de operadores morfológicos para o processamento. Ye, Kumar e Coim-
bra (2012) apresentaram um sistema de classificação do batimento cardíaco baseado em
matemática morfológica e nas características dinâmicas do sinal ECG, obtendo 99,3 %
de acurácia. Alguns pesquisadores também fazem uso de algoritmos genéticos para dar
mais robustez na detecção das características do ECG, os quais se baseiam em padrões
pré-especificados a partir de uma determinada amostra (KOHLER; HENNIG; ORGL-

MEISTER, 2002), (MARTIS; ACHARYA; ADELI, 2014): Poli, Cagnoni e Valli (1995)
propuseram um sistema de detecção do complexo QRS utilizando filtros lineares e não-
lineares, sendo que todo o gerenciamento do sistema (seleção dos parâmetros dos filtros,
do detector e as amostras a serem processadas) foi feito por um algoritmo genético, com
o objetivo de minimizar o erro na detecção. O desempenho do sistema foi satisfatório,
com Se = 99, 60% e P+ = 99, 51%. Já Gacek e Pedrycz (2003) desenvolveram uma téc-
nica de segmentação do sinal cardíaco baseada em algoritmos genéticos, com o intuito de
tornar mais simples a manipulação dos dados para análise do sinal. Khazaee e Ebrahim-
zadeh (2010) apresentaram um método de classificação para cinco tipos de batimentos
cardíacos (batimento normal e quatro manifestações de arritmias cardíacas) utilizando al-
goritmo genético para avaliar o espectro de energia do sinal e apresentar o resultado. Eles
obtiveram uma acurácia de 96 % no número de acertos do classificador proposto. Muitos
trabalhos com RNAs utilizam algoritmos genéticos para encontrar os melhores parâme-
tros para criar as regras da rede: Olmez (1997) e Li, Rajagopalan e Clifford (2014) fazem
uso de algoritmos genéticos para otimizar as combinações das variáveis das redes neurais
para que se possa obter melhores resultados na análise.
Nos últimos anos uma ferramenta matemática que tem ganhado muito espaço no pro-
cessamento de sinais é a Transformada Wavelet, especialmente para a análise de sinais
cardíacos, onde diversos trabalhos vêm sendo propostos para as mais variadas aplica-
ções: detecção do complexo QRS, classificação de doenças cardiovasculares, extração
das características das componentes do sinal ECG, no condicionamento do sinal, no pré-
processamento dos dados, entre outras (UNSER; ALDROUBI, 1996), (MEDL, 1998),
(KOHLER; HENNIG; ORGLMEISTER, 2002), (CLIFFORD; AZUAJE; MCSHARRY,
2006), (CERUTTI; MARCHESI, 2011), (CATTANI et al., 2012), (ENDERLE; BRON-
ZINO, 2012), (MARTIS; ACHARYA; ADELI, 2014). Uma das principais característi-
cas da Transformada Wavelet é que a mesma possibilita análise em tempo e frequência
ao mesmo tempo, além da análise em multiresolução (GRAPS, 1995), (UNSER; AL-
DROUBI, 1996), (PAN, 2003), (GARGOUR et al., 2009). Na Seção 2.2 será discutido
o estado da arte para o processamento de sinais ECG utilizando a Transformada Wavelet
nas versões contínua (TWC) e discreta (TWD).
2.2 Sistemas de Detecção Baseados na Transformada Wa-

velet
A Transformada Wavelet (TW) vem sendo bastante utilizada nos últimos anos em
aplicações de sistemas de análises inteligentes nas mais variadas áreas, como qualidade
de energia (SANTOSO et al., 1996), (YONG; REINERI; MAGNAGO, 2013), análise
de sistemas de potência (ANDRADE; LEAO, 2014), (ARRAIS et al., 2014), biomédica
(CHEN et al., 2013), (XIE et al., 2014), processamento de sinais (BHATNAGAR; WU;
RAMAN, 2012), (CHEN et al., 2014), entre outras. A principal característica da Trans-
formada Wavelet é a análise em multiresolução na escala tempo-frequência, que permite
a análise por janelas de tamanhos variados de acordo com a precisão e a resolução de-
sejada no projeto (MALLAT, 1989a), (MALLAT, 1989b). A TW é frequentemente utili-
zada no processamento de sinais não-estacionários, o que justifica a potencialidade para a
análise de sinais biológicos, os quais são inerentemente não-lineares e não-estacionários
(MEDL, 1998), (BRUCE, 2001), (RANGAYYAN, 2002), (DUPONT; DUPONT, 2009),
(CATTANI et al., 2012).
Um dos primeiros trabalhos desenvolvidos no processamento de sinais utilizando TW
foi apresentado por Li, Zheng e Tai (1995), no qual desenvolveram um sistema de de-
tecção dos principais pontos característicos do sinal ECG: complexo QRS e as ondas P
e T, além de ruídos, artefatos e linha de base. Eles obtiveram um dos melhores resul-
tados de desempenho na análise de sinais ECG com a TW, uma acurácia acima de 99,8
%. Os autores foram os primeiros à aplicarem o algoritmo proposto por Mallat e Hwang
(1992) na detecção do complexo QRS, que trata-se de um algoritmo discreto para cálculo
da TW. A análise do sinal é feita com base nos coeficientes wavelet, analisando os pon-
tos de máxima e as singularidades do sinal. Este é um dos principais trabalhos na área,
sendo referência para diversos outros. Bahoura, Hassani e Hubin (1997) implementa-
ram um algoritmo semelhante para detecção das características do ECG em DSP (Digital
Signal Processor), diferenciando pelo fato de que o algoritmo apresenta uma abordagem
para aplicação em tempo real, sendo obtida uma acurácia de 99,7 %. Kadambe, Murray
e Boudreaux-Bartels (1999) propuseram a utilização do mesmo método para a detecção
do complexo QRS, porém com algumas modificação com o intuito de tornar o sistema
adaptável (robusto) às diversas morfologias do sinal.
Assim, diversos algoritmos têm sido propostos utilizando basicamente as mesmas téc-
nicas e aprimorando-as ou adaptando-as às necessidade de projeto, bem como outras me-
todologias para análise. Sivannarayana e Reddy (1999) apresentaram uma técnica de esti-
mação dos parâmetros do ECG para aplicação em sistemas com baixa relação sinal-ruído
(SNR - Signal-to-Noise Ratio) utilizando a Transformada Wavelet biortogonal. Tikkanen

(1999) utilizaram a família wavelet Coiflet e a metodologia wavelet packet para o tra-
tamento de sinais ECG ruidosos, sendo simulados diversos tipos de ruídos de forma a
encontrar a melhor técnica para remoção dos mesmos. Nikolaev et al. (2001) apresenta-
ram um método baseado na teoria das wavelets para eliminar (ou atenuar) a interferência
oriunda dos músculos (sinal muscular - eletromiograma). Sternickel (2002) desenvol-
veu uma técnica para reconhecimento de padrões de sinais cardíacos utilizando TW e de
forma automática detectar uma possível anomalia através de rede neural baseando-se nos
padrões traçados com a TW, obtendo um desempenho médio de 99,16 % na quantidade
de acertos.
Outro trabalho interessante foi desenvolvido pelos autores Martinez et al. (2004), no
qual eles aprimoraram o método proposto por Li, Zheng e Tai (1995) e avaliaram diversos
bancos de dados (MIT-BIH Arrhythmia, QT, European ST-T e CSE). Os autores avali-
aram cada onda separadamente utilizando a TW, com o objetivo de levantar de forma
mais robusta e confiável as características do sinal ECG. Eles obtiveram um desempenho
com Se = 99, 66% e P+ = 99, 56%. Embora para aplicação prática seja necessário o uso
de versões discretas da TW, muitos trabalhos foram desenvolvidos no âmbito da TWC, e
para o caso de aplicações práticas a mesma é discretizada. Legarreta et al. (2005) apresen-
taram uma técnica para análise de eletrocardiograma utilizando a TW Contínua (TWC),
no qual o algoritmo para cálculo da TW é discretizado e aplicado para caracterização e
medição dos batimentos cardíacos, resultando em Se = 99, 70% e P+ = 99, 68%. Então,
nos anos que se seguem os sistemas foram se tornando cada vez mais robustos e aplica-
dos em análises em tempo real, geralmente associadas aos sistemas móveis . Rodriguez,
Goñi e Illarramendi (2005) desenvolveram um sistema para classificação de doenças car-
diovasculares em tempo real implementado em um PDA utilizando como ferramenta de
análise a TW, e enfatizando a classificação de arritmias cardíacas. O sistema apresenta
uma acurácia de 96,128 %.
Ghaffari, Golbayani e Ghasemi (2008) descreveram um novo modelo matemático para
detecção do complexo QRS utilizando a TWC, no qual descreveram uma nova relação
analítica entre os componentes do ECG e suas transformadas wavelets. Eles obtiveram
um desempenho com Se = 99, 91% e P+ = 99, 72%. Da mesma forma que novas análises
foram sendo desenvolvidas, estudos comparativos entre diversas ferramentas de análise
foram sendo elaborados. Sumathi e Sanavullah (2009) apresentaram um estudo compa-
rativo de sistemas de detecção do complexo QRS baseados na TWD, e propuseram um
novo algoritmo robusto para detecção do complexo, alcançando um total de acertos acima
de 99 %. Os autores Sasikala e Wahidabanu (2010) também propuseram um algoritmo
robusto para detecção do complexo QRS utilizando TWD, alcançando um total de 99 %
de acertos. Contudo, todos esses algoritmos foram propostos para análise offline, mas al-
guns autores discutiram possíveis modificações para aplicação em tempo real. Seguindo o
mesmo contexto, Pal e Mitra (2010) propuseram um novo método de análise baseando-se
na TWD, no qual descreveram um algoritmo para seleção dos melhores coeficientes wa-
velet para análise e utilizaram reconstrução do sinal com base nas componentes wavelet
para a obtenção de melhores resultados, uma vez que a reconstrução remove ou ameniza
as interferências (ruídos) presentes no sinal original, sendo obtida uma acurácia acima de
95 %.
Então, com técnicas e métodos de análises consolidados, muitos autores buscaram
formas de torná-los úteis, implementando-os em sistemas embarcados, desenvolvendo
circuitos integrados, de forma a prover a sociedade com dispositivos inteligentes para
monitoramento das atividades cardíacas. Liu et al. (2011) propuseram um circuito in-
tegrado (CI) para monitoramento cardíaco em tempo real utilizando a TWD como ferra-
menta matemática para o processamento do sinal ECG. Rincón et al. (2011) apresentaram
um sistema embarcado para análise de ECG em tempo real aplicados a sensores wireless
baseando-se na TWD. Ieong et al. (2012) implementaram um CI para análise de sinais
cardíacos utilizando a TWD para o processamento em tempo real dos dados. Huang et
al. (2014) desenvolveram um sistema telecárdio utilizando a TWD para o processamento
do sinal ECG. Embora tenha-se enfatizado a TW nesses sistemas, outras soluções ma-
temáticas são usadas em conjunto com a TW, como filtros digitais e redes neurais, por
exemplo, mas o papel principal no processamento dos sinais ECG é desempenhado pela
Transformada Wavelet.
2.3 Resumo da Revisão Bibliográfica

Atualmente, existe uma tendência no uso desses algoritmos para implementação prá-
tica em telecardiologia, ou mesmo dispositivos móveis para fins de acompanhamento das
atividades cardíacas, sendo estes muito utilizados por atletas (KOHLER; HENNIG; OR-
GLMEISTER, 2002), (QUERO et al., 2005), (MARTIS; ACHARYA; ADELI, 2014).
Contudo, muitos trabalhos ainda vêm sendo desenvolvidos para o aprimoramento desses
algoritmos, com intuito de alcançar resultados cada vez melhores (MARTIS; ACHARYA;
ADELI, 2014). Pode-se dizer que o sucesso alcançado com esses algoritmos está dire-
tamente ligado ao avanço tecnológico e às facilidades de simulação providenciadas pelo
uso de ferramentas computacionais (softwares) e linguagens de programação de alto ní-
vel, permitindo a fácil descrição dos modelos matemáticos propostos. Todavia, melhores
resultados foram alcançados com modelos à nível de hardware, porém a implementação
destes se torna muito mais complexa e requer um trabalho minucioso para sua elaboração
(MEDL, 1998), (BRUCE, 2001), (RANGAYYAN, 2002), (KOHLER; HENNIG; ORGL-
MEISTER, 2002), (DUPONT; DUPONT, 2009), (CERUTTI; MARCHESI, 2011), (CAT-
TANI et al., 2012), (MARTIS; ACHARYA; ADELI, 2014). Na Tabela 2.1 é apresentado
um resumo das principais abordagens na análise de sinais cardíacos (ECG), detalhando
as técnicas empregadas nos métodos, bem como o processo de análise (online ou offline)
também são destacados. Além disso, são apresentados os resultados obtidos em cada
trabalho: a Sensibilidade (Se ), a Preditividade Positiva (P+ ) e o número de acertos do
sistema, verificando assim a acurácia de cada sistema com o que se propõe.
Na revisão bibliográfica foram verificadas as principais diferenças, semelhanças e de-
ficiências de cada uma das técnicas empregadas na análise do sinal ECG, bem como
discutidos os resultados obtidos por cada proposta. Além disso, até o momento não existe
unanimidade para a escolha de um melhor método para análise. Com base na revisão
bibliográfica pode-se observar que nos últimos dez anos existe uma tendência na utiliza-
ção de filtros digitais, modelos de Markov, redes neurais e Transformada Wavelet para
o processamento de sinais cardíacos, principalmente as técnicas baseadas em RNAs e
TWs. Outro ponto interessante é que a grande maioria dos algoritmos apresentados são
para análise offline, e nesse contexto a TWD merece destaque por apresentar diversos
trabalhos com análise em tempo real, desde aplicações em sistemas embarcados à imple-
mentações em circuitos integrados. O que torna a TW atrativa na análise em tempo real é
o seu modelo matemático, o qual embora complexo é de mais simples implementação se
comparado com às outras ferramentas apresentadas.
Contudo, foi possível identificar também algumas deficiências nas técnicas baseadas
na Transformada Wavelet, uma vez que não existe uma validação experimental compara-
tiva em relação às diversas famílias wavelets, bem como a wavelet mãe que apresente as
melhores características para análise do sinal ECG. Outra deficiência na análise por parte
da TWD é que os dados (amostras) a serem analisados devem ser múltiplos de 2, pois o
modelo matemático apresenta uma subamostragem por dois. Após a análise do estado da
arte, verifica-se a necessidade de uma ferramenta com modelo matemático de mais sim-
ples implementação prática, seja para aplicação em software ou hardware, com ênfase em
uma formulação para análise em tempo real, tal como proposto nesta tese utilizando-se a
TWDR, bem como um estudo acerca das famílias wavelets e de suas respectivas wavelets
mães.
Tabela 2.1: Resumo da revisão bibliográfica.

ANÁLISE RESULTADO
REFERÊNCIA TÉCNICA EMPREGADA
online offline Se P+ % Acerto
√
Yasui, Whipple e Stark (1964) Filtros digitais -
√ - - -
Holsinger, Kempner e Miller (1971) Derivada √ - - - -
Cox J.R., Nolle e Arthur (1972) Reconhecimento de padrões √ - - - 76 – 99,2
Mark et al. (1979) Operadores morfológicos √ - - - -
Fancott e Wong (1980) Reconhecimento de padrões √ - - - -
Morizet-Mahoudeaux et al. (1981) Derivada √ - - - -
Ahlstrom e Tompkins (1983) Derivada √- - - -
Nygårds e Sörnmo (1983) Hilbert -
√ - - -
Pan e Tompkins (1985) Filtros digitais √- - - 93,7
Hamilton e Tompkins (1986) Filtros digitais - √ 99,69 99,77 -
Song-Kai, Jian-Tao e Jun-Rong (1988) Hilbert - √ - - -
Hamilton e Tompkins (1988) Filtro adaptativo - √ - - -
Lin e Chang (1989) Filtro adaptativo - √ 92 - -
Chu e Delp (1989) Operadores morfológicos - √ - - -
Coast et al. (1990) HMM - √ 97,25 85,67 -
Trahanias (1993) Operadores morfológicos - √ - - -
Li, Zheng e Tai (1995) TWD -
√ - - 99,8
Bahoura, Hassani e Hubin (1997) TWD √- - - 99,7
Barro et al. (1998) RNA - √ > 80 > 80 -
Kadambe, Murray e Boudreaux-Bartels (1999) TWD - √ - - -
Tikkanen (1999) TWD - √ - - -
Nikolaev et al. (2001) TWD - √ - - -
Sun, Chan e Krishnan (2002) Operadores morfológicos - √ - - 99,4
Gacek e Pedrycz (2003) Algoritmo genético - √ - - -
Sun et al. (2003) Operadores morfológicos - √ - - -
Martinez et al. (2004) TWD -
√ 99,66 99,56 -
Lian e Yu (2005) Filtros digitais √- - - -
Graja e Boucher (2005) HMM e Wavelet - √ - - -
Legarreta et al. (2005) TWC -
√ 99,70 99,68 -
Rodriguez, Goñi e Illarramendi (2005) TWD √- - - 96,128
Andreao, Dorizzi e Boudy (2006) HMM -
√ 99,79 99,96 -
Valenza et al. (2008) RNA √- 98 - -
Andreão et al. (2008) HMM - √ 82,52 84,66 -
Ghaffari, Golbayani e Ghasemi (2008) TWC - √ 99,91 99,72 -
Ulusar et al. (2009) Hilbert - √ - - -
Gautam, Lee e Chung (2009) RNA -
√ - - -
Lim (2009) RNA √- - - > 98
Sumathi e Sanavullah (2009) TWD -
√ - - > 99,00
Jin, Sun e Cheng (2009) RNA √- - - > 90
Piskorowski (2010) Filtros digitais -
√ - - -
Oresko et al. (2010) RNA √- - 93,32 -
Zhao et al. (2010) Filtro adaptativo - √ - - -
Pal e Mitra (2010) TWD - √ - - > 95,00
Khazaee e Ebrahimzadeh (2010) Algoritmo genético - √ - - 96,00
Sasikala e Wahidabanu (2010) TWD - √ - - 99,00
Mukhopadhyay, Mitra e Mitra (2011) Hilbert -
√ 99,81 99,93 -
Liu et al. (2011) TWD √ - - - -
Rincón et al. (2011) TWD √- - - -
Vullings, Vries e Bergmans (2011) Filtro adaptativo - √ - - -
Ye, Kumar e Coimbra (2012) Operadores morfológicos -
√ - - 99,3
Ieong et al. (2012) TWD √ - - - -
Lakhwani et al. (2012) Filtros digitais √- - - -
Chang et al. (2012) HMM -
√ 85,71 - 82,50
Lee et al. (2012) HMM √- 96,63 - -
Ning e Selesnick (2013) Derivada - √ 99,87 99,88 -
Rai, Trivedi e Shukla (2013) RNA - √ - - 100
Martis, Acharya e Min (2013) RNA - √ 99,97 99,21 99,28
Tang e Shu (2014) RNA -
√ - - 91,7
Huang et al. (2014) TWD √ - - - -
Hong e Lian (2015) Filtros digitais √- - - -
Oster et al. (2015) Filtro adaptativo - - - 95,4

Capítulo 3
A Eletrocardiografia
O eletrocardiograma (ECG) é um sinal que representa a atividade elétrica do músculo

cardíaco, o coração. O ECG é um elemento essencial tanto para o monitoramento das
atividades cardíacas de pacientes quanto para o diagnóstico de doenças cardiovasculares.
As principais bases teóricas e práticas para o registro da atividade elétrica do coração
foram anunciadas por Einthoven (1908), porém o início dos seus trabalhos para com o
sinal cardíaco datam do ano de 1901. Neste capítulo serão apresentadas as características
do músculo cardíaco, enfatizando a atividade elétrica do mesmo e as principais doenças
cardiovasculares que podem ser diagnosticadas com base na eletrocardiografia.
3.1 O Coração
O coração é o principal órgão do sistema cardiovascular, cuja função é bombear o
sangue através do sistema circulatório, irrigando o corpo humano com oxigênio e nu-
trientes (elementos químicos) necessários para as atividades celulares do organismo. É
composto por um tecido muscular especial, denominado miocárdio, o qual apresenta pro-
priedades peculiares de dilatação e contração. O coração está envolvido por uma forma-
ção sacular, denominada pericárdio. Está localizado no tórax, logo acima do diafragma,
entre os pulmões e por trás do esterno. O seu tamanho é equivalente ao tamanho de
um punho fechado, e seu peso é de cerca de 250–300 g. O seu centro está localizado
à aproximadamente 1,5 cm à esquerda do plano sagital médio (DURRER et al., 1970),
(FOZZARD, 1986), (MALMIVUO; PLONSEY, 1995), (BRONZINO, 2000a), (BRON-
ZINO, 2000b), (NATALE, 2007), (CHRISTE, 2009), (HUDAK; PENHAKER; MAJER-
NIK, 2012a), (ENDERLE; BRONZINO, 2012), (MANN et al., 2014). A Figura 3.1 apre-
senta uma visão geral da localização do coração (MALMIVUO; PLONSEY, 1995).
CAPÍTULO 3. A ELETROCARDIOGRAFIA 27
Figura 3.1: Visão geral da localização do coração.
Esterno
Pulmões
Coração:
Ventrículo Esquerdo
Diafragma Ventrículo Direito
Fígado Estômago
Cólon
Fonte: MALMIVUO e PLONSEY (1995) (Editada pelo Autor, 2016).
3.1.1 Anatomia
O coração consiste basicamente de quatro compartimentos: átrios esquerdo e direito
(AE e AD, respectivamente), e ventrículos direito e esquerdo (VD e VE, respectivamente).
As paredes do coração são compostas por um músculo cardíaco estriado, chamado de
miocárdio, sendo as estrias semelhantes às do músculo esquelético. As paredes do ven-
trículo esquerdo são bem mais espessas que as do ventrículo direito, um vez que aquele é
o responsável por bombear o sangue para o sistema circulatório através da aorta, onde a
pressão é consideravelmente maior que a da circulação pulmonar (DURRER et al., 1970),
(FOZZARD, 1986), (MALMIVUO; PLONSEY, 1995), (BRONZINO, 2000a), (BRON-
ZINO, 2000b), (NATALE, 2007), (CHRISTE, 2009), (HUDAK; PENHAKER; MAJER-
NIK, 2012a), (ENDERLE; BRONZINO, 2012), (MANN et al., 2014). A Figura 3.2 mos-
tra a anatomia do coração, enfatizando as cavidades e os vasos sanguíneos (MALMIVUO;
PLONSEY, 1995).
Figura 3.2: Anatomia do coração.
Veia Cava Superior Aorta
Artéria Pulmonar Direita Artéria Pulmonar Esquerda
Átrio Direito Átrio Esquerdo
Válvula Pulmonar Válvula Aórtica
Válvula Tricúspide Válvula Mitral
Músculos Papilares
Veia Cava Inferior
Ventrículo Esquerdo
Ventrículo Direito
O controle do fluxo sanguíneo dentro do coração é efetuado por quatro válvulas: vál-
vula tricúspide, localizada entre o átrio e o ventrículo direitos; válvula mitral, localizada
entre o átrio e o ventrículo esquerdos; válvula pulmonar, localizada entre o ventrículo
direito a a artéria pulmonar; e válvula aórtica, localizada entre a aorta e o ventrículo es-
querdo. As válvulas permitem que o sangue flua em apenas um sentido, e cada lado
do coração (direito e esquerdo) compõe um sistema de bombeamento independente, que
estão interligados com o corpo através de veias e artérias (DURRER et al., 1970), (FOZ-
ZARD, 1986), (MALMIVUO; PLONSEY, 1995), (BRONZINO, 2000a), (BRONZINO,
2000b), (NATALE, 2007), (CHRISTE, 2009), (HUDAK; PENHAKER; MAJERNIK,
2012a), (ENDERLE; BRONZINO, 2012), (MANN et al., 2014).
O sangue que retorna da circulação sistêmica para o coração através das veias, prin-
cipalmente das veias cavas inferior e superior, entra no átrio direito e deste segue para
o ventrículo direito através da válvula tricúspide. Então, o sangue é bombeado do ven-
trículo direito para os pulmões através da válvula pulmonar para que seja oxigenado,
processo conhecido como circulação pulmonar ou pequena circulação. O sangue oxige-
nado nos pulmões segue para o átrio esquerdo e deste através da válvula mitral segue para
o ventrículo esquerdo. Finalmente, o sangue rico em oxigênio é bombeado através da
válvula aórtica para a aorta e assim recomeçar o ciclo da circulação sistêmica, também
conhecida como grande circulação (DURRER et al., 1970), (FOZZARD, 1986), (MAL-
MIVUO; PLONSEY, 1995), (BRONZINO, 2000a), (BRONZINO, 2000b), (NATALE,
2007), (CHRISTE, 2009), (HUDAK; PENHAKER; MAJERNIK, 2012a), (ENDERLE;
BRONZINO, 2012), (MANN et al., 2014).
3.1.2 Eletrofisiologia das Células do Músculo Cardíaco

Os fenômenos bioelétricos são oriundo dos processos biológicos, podendo envolver
tanto a geração quanto o resultado da ação de campos ou correntes elétricas sobre esses
processos. No tecido muscular cardíaco, o miocárdio, é possível observar a ocorrência
destes fenômenos devido à presença de células especializadas capazes de gerar sinais elé-
tricos, os miócitos. O processo de geração de sinais elétricos ocorre devido à diferença de
concentração dos íons sódio (Na+ ) e potássio (K + ) entre o meio extracelular e intracelu-
lar. Todo esse processo é regulado por uma proteína transmembrenar, chamada Na+ / K +
AT Pase (ou bomba sódio-potássio), a qual permite permite a troca iônica sódio/potássio
entre os meios intra e extracelular, sendo responsável pelo restabelecimento do equilíbrio
inicial após um potencial de ação, apresentando, então, um papel importante na manu-
tenção do potencial de repouso. A concentração do íon sódio (Na+ ) é cerca de 10 vezes
maior fora do que dentro da membrana celular, já a do íon potássio (K + ) é de 30-50 vezes
maior dentro da membrana do que no meio extracelular (DURRER et al., 1970), (FOZ-
ZARD, 1986), (MALMIVUO; PLONSEY, 1995), (BRONZINO, 2000a), (ENDERLE;
BRONZINO, 2012), (MANN et al., 2014).
Assim, existe um fluxo de íons sódio do meio extracelular para o meio intracelular,
em contrapartida existe um fluxo de íons potássio do meio intracelular para o extracelular
e durante esse fluxo de íons entre os meios existe uma geração de potencial elétrico, o
chamado potencial de ação, que permanece até que exista um equilíbrio iônico em torno
da membrana celular. Esse processo é semelhante ao que ocorre nas células nervosas
(neurônios), sendo gerado um impulso elétrico com amplitude de aproximadamente 100
mV. Quanto à duração do impulso, em milissegundos, é cerca de duas vezes maior que a
duração do impulso nervoso ou do impulso proveniente de células do músculo esquelé-
tico (MALMIVUO; PLONSEY, 1995), (BRONZINO, 2000a), (ENDERLE; BRONZINO,
2012), (MANN et al., 2014). A Figura 3.3 retrata o processo de troca iônica entre a célula
e o meio extracelular até que o ambiente entorno da membrana celular atinja o equilíbrio
iônico (DURRER et al., 1970), (FOZZARD, 1986), (MALMIVUO; PLONSEY, 1995).
Figura 3.3: Eletrofisiologia das células do músculo cardíaco.

Vm [mV]
50
Tempo [ms]
0
100 200 400 800 1000
-50
-100
{
{
Equilíbrio Iônico {
Potencial de Ação Restauração do Equilíbrio Iônico
Inicialmente, o potencial elétrico no interior da membrana celular é negativo, uma vez

que a quantidade de íons potássio supera a de íons sódio, conforme a Figura 3.3. Esse
estado é considerado como o potencial de repouso da célula, onde o meio intracelular está
com potencial negativo em relação ao meio exterior. Quando a célula é ativada, ou me-
lhor, começa a ocorrer um processo biológico, havendo fluxo de íons Na+ para o interior
da célula e íons K + no sentido inverso (interior da célula para o meio extracelular), e por
um breve instante o interior da célula fica positivo em relação ao meio. Este processo
é denominado despolarização, no qual o meio intracelular sai do potencial de repouso
(negativo) e torna-se positivo por um curto período de tempo. Então, o ambiente celular
começa a entrar em estado de equilíbrio, retornando ao seu estado inicial, ocorrendo a re-
polarização da célula, ou melhor, o meio intracelular vai se tornando negativo novamente.
Assim, é durante todo esse processo de despolarização e repolarização da célula que é
gerado o potencial de ação, ou seja, o impulso elétrico (MALMIVUO; PLONSEY, 1995),
(BRONZINO, 2000a), (ENDERLE; BRONZINO, 2012), (MANN et al., 2014). A Figura
3.4 ilustra todo esse processo de geração do potencial de ação.
Figura 3.4: Diagrama de blocos do processo de geração do potencial de ação.
------ +++--- ++++++ ---+++ -----+

++++++ ---+++ ------ +++--- +++++-
REPOUSO DESPOLARIZAÇÃO REPOLARIZAÇÃO
{
{
POTENCIAL POTENCIAL
DE DE
MEMBRANA AÇÃO
A pulsação do coração é ativada e regulada por um conjunto de estruturas respon-

sáveis pela origem e condução do estímulo, formando um sistema elétrico independente
no interior da musculatura cardíaca. Esse sistema é denominado de sistema de condução
ou complexo estimulante do coração, e é composto por células especializadas conectadas
por feixes que transmitem os impulsos elétricos (Figura 3.5) (MALMIVUO; PLONSEY,
1995), (BRONZINO, 2000a), (ENDERLE; BRONZINO, 2012), (MANN et al., 2014).
A excitação cardíaca começa no nó (nódulo) sinoatrial (SA), ou sinusal, que consiste
em células musculares especializados, e localiza-se na junção anterolateral da veia cava
superior com o átrio direito. Possui formato variável, podendo ser oval, fusiforme ou
ferradura, com comprimento médio de aproximadamente 15 mm (faixa de 10 – 30 mm),
largura média de 5 mm (faixa de 1,8 – 5 mm), espessura compreendida na faixa de 1
– 1,5 mm e apresenta cor branco amarelada (MALMIVUO; PLONSEY, 1995), (BRON-
ZINO, 2000a), (ENDERLE; BRONZINO, 2012). As células do nó SA são auto-excitáveis
(marca-passo natural) e geram um potencial de ação com uma taxa de aproximadamente
70 pulsos/min (DURRER et al., 1970), (FOZZARD, 1986), (MALMIVUO; PLONSEY,
1995).
Então, o sinal oriundo do nó SA se propaga até atingir o nó (nódulo) atrioventricu-
lar (AV). O nó AV está localizado nos limites entre os átrios e os ventrículos, na porção
inferior do septo interatrial. o nó SA Possui formato oval com comprimento de aproxi-
madamente 5 mm, largura de 3 mm e espessura de 1 mm. Apresenta uma frequência
intrínseca de 50 pulsos/min, porém se for acionado por uma frequência maior, ele acom-
panhará essa frequência. Em condições normais, o nó AV apresenta apenas um caminho
de condução do átrio para o ventrículo (MALMIVUO; PLONSEY, 1995), (BRONZINO,
2000a).
A propagação do sinal oriundo do nó AV para os ventrículos é feita por um sistema

especializado de condução, chamado de feixe de His (ou feixe atrioventricular), o qual se
ramifica em dois ramos, propagando o sinal ao longo de cada lado do septo, constituindo
os ramos de propagação direito e esquerdo. Esses ramos se dividem em terminações
menores ao longo das paredes dos ventrículos, as chamadas fibras de Purkinje (ou miofi-
bras condutoras), nas quais a propagação do estímulo atinge o seu ápice. A propagação
dentro destas terminações apresenta uma velocidade bastante elevada se comparada aos
caminhos de conduções mais internos, através do nó AV e apresenta uma taxa de 15–
30 pulsos/min (DURRER et al., 1970), (FOZZARD, 1986), (MALMIVUO; PLONSEY,
1995), (BRONZINO, 2000a).
Figura 3.5: Sistema de condução do coração.

Nó SA Feixe de His
Ramificações
Nó AV Fibras de Purkinje
Devido a frequência do nó SA ser a maior de todo o sistema de condução, ela impõe a

frequência de ativação do coração (MALMIVUO; PLONSEY, 1995). Contudo, se a cone-
xão entre o nó SA e o nó AV falhar, este adota a sua frequência intrínseca (50 pulsos/min).
Se a condução pelo feixe de His falhar, a frequência de batimentos dos ventrículos será
determinada pela frequência intrínseca mais elevada da própria região ventricular (DUR-
RER et al., 1970), (FOZZARD, 1986),(MALMIVUO; PLONSEY, 1995), (BRONZINO,
2000a). Em suma, o sistema de condução do coração regula os batimentos cardíacos,
controlando-os de forma a apresentarem um comportamento contínuo. Trata-se de uma

atividade elétrica, intrínseca e rítmica, que tem sua normalidade alterada quando o cora-
ção apresenta problemas (cardiovasculares) ou o organismo está submetido à condições
físicas extremas.
3.2 Morfologia do ECG

Os primeiros registros de atividade elétrica cardíaca em humanos foram realizados por
Waller (1887) utilizando um aparelho chamado de eletrômetro capilar (de Lippmann), o
qual foi desenvolvido pelo físico Gabriel Lippmann (1845-1921) em 1872. Waller (1887)
demonstrou que se podia registrar potenciais elétricos a partir dos membros submersos
em soluções salinas. Para as medições, Waller (1889) utilizava cinco pontos estratégicos
do corpo humano para colocar os eletrodos de captação do biopotencial: as extremida-
des dos membros (superiores e inferiores) e a boca, conforme apresentado na Figura 3.6.
Desta forma ele conseguia reduzir a impedância de contato entre o eletrodo e a superfície
corpórea, maximizando a qualidade da medição do sinal ECG. Os cinco pontos de me-
dição proporcionam 10 diferentes derivações para análise, e destas ele selecionou cinco
para as medições do sinal ECG.
Figura 3.6: Sistema de 10 derivações de Waller: BD - Braço Direito, BE - Braço Es-

querdo, PD - Pé Direito, PE - Pé Esquerdo, B - Boca.
B
BD 2 1 BE
5
4 3
8
7
9 6
PD 10 PE

A primeira descrição clínica importante na medição do eletrocardiograma (ECG) foi

publicado por Einthoven (1908), o qual desenvolveu seus trabalhos utilizando inicial-
mente o eletrômetro capilar e em seguida desenvolvendo o galvanômetro de corda — o
galvanômetro de corda foi inventado por Ader (1897), porém Einthoven desenvolveu um
novo modelo para a sua aplicação com sinais ECG em 1901 (ALGHATRIF; LINDSAY,
2012) —, sendo esta uma de suas maiores contribuições para o registro de sinais cardíacos
(DURRER et al., 1970), (FOZZARD, 1986),(MALMIVUO; PLONSEY, 1995), (BRON-
ZINO, 2000a). Em seu trabalho, Einthoven (1908) apresentou uma nova configuração
para disposição dos eletrodos para medição do sinal de ECG, que ficou conhecida como o
Triângulo de Einthoven (MALMIVUO; PLONSEY, 1995). Nessa nova disposição, mos-
trada na Figura 3.7, são utilizados três pontos estratégicos: braços direito e esquerdo, e
perna esquerda, cuja projeção assemelha-se a um triângulo.
Figura 3.7: Sistema de 3 derivações de Einthoven e triângulo de Einthoven: BD - Braço

Direito, BE - Braço Esquerdo,PE - Perna Esquerdo.
Derivação I
ΦD ΦE
BD CI BE
CII CIII
Derivação II Derivação III
PE ΦP

O sistema de medição de Einthoven é baseado em análise vetorial: o sistema apre-

senta três derivações (I, II e III), às quais estão associados vetores CI ,CII , e CIII , respecti-
vamente, que formam o triângulo de Einthoven. Assim, tem-se um sistema de derivação
bipolar cujas relações matemáticas para cada derivação podem ser extraídas com base em
soma vetorial:
Derivação I: VI = ΦE − ΦD , (3.1)
Derivação II: VII = ΦP − ΦD , (3.2)
Derivação III: VIII = ΦP − ΦE . (3.3)
sendo VI a tensão na derivação I, VII a tensão na derivação II, VIII a tensão na derivação
III, ΦD o potencial no braço direito, ΦE o potencial no braço esquerdo ΦP o potencial na
perna esquerda.
Com base nas leis de Kirchhoff e soma vetorial, pode-se encontrar uma relação entre
as três tensões de derivação, ou melhor, pode-se observar que o sistema apresenta duas
derivações independentes (VI e VIII ), ou seja, dois vetores independentes (CI e CIII ), uma
vez que cada vetor está associado à uma derivação (EINTHOVEN, 1908), (MALMIVUO;
PLONSEY, 1995). Logo:
VI +VIII = VII . (3.4)
Na busca por um sistema unipolar de medição eletrocardiográfica Wilson, Macleod e

Barker (1931) apresentaram um método de aferição do sinal ECG baseando-se no triân-
gulo de Einthoven, no qual eles acrescentaram um ponto central de referência, denomi-
nado Terminal Central de Wilson (TC), entre os vetores de derivação propostos (CD ,CE ,
e CP ) e resistores de 5 kΩ conectados entre o terminal central de Wilson e cada membro
(ponto) do sistema de derivação de Einthoven (vértices do triângulo de Einthoven). O TC
é o ponto de referência para medição do potencial das extremidades e está localizado no
centro do triângulo de Einthoven, apresentando o valor médio do potencial dos membros
(BD, BE e PE), consequentemente a corrente elétrica no TC é nula. As resistências de 5
kΩ aumentam a impedância de contato com a superfície corpórea, incrementando o valor
do CMRR (Razão de Rejeição de Modo Comum, do inglês Common Mode Rejection Ra-
tio), que proporciona uma melhor qualidade na aquisição do biopotencial. A Figura 3.8
apresenta a configuração do sistema de derivação (unipolar) de Wilson (WILSON; MA-
CLEOD; BARKER, 1931), (WILSON et al., 1934), (MALMIVUO; PLONSEY, 1995).
Figura 3.8: Sistema unipolar de derivação de Wilson: (a) Disposição do sistema no corpo
humano (b) Representação vetorial do sistema.
BD CI BE
5k Ω
Ω 5k
CD CE
TC
5 kΩ
CII CIII
CP
PE
(a) (b)
Assim, com o sistema unipolar de Wilson, três novas derivações foram obtidas: VR ,VL ,
e VF , representando o potencial entre cada eletrodo de derivação (R - BD, L - BE e F -
PE) e o terminal central de Wilson (WILSON; MACLEOD; BARKER, 1931), (WIL-
SON et al., 1934). Em 1942, Emanuel Goldberger propôs um sistema baseado nestas três
derivações de Wilson, conforme representado na Figura 3.9 (GOLDBERGER, 1942a),
(GOLDBERGER, 1942b). Goldberger observou que o sinal poderia ter sua resolução au-
mentada omitindo a resistência do TC, substituindo as derivações de Wilson por três novas
derivações: aVR , aVL , e aVF – essa nomenclatura segue a seguinte lógica: o a é relativo
ao termo ’aumentado’, o V é relativo à derivação e o seus respectivos subíndices deno-
tam o membro de referência, ou melhor, o R refere-se ao braço direito (do inglês Right),
L refere-se ao braço esquerdo (do inglês Left) e F refere-se à perna esquerda (do inglês
Foot). Esse sistema é chamado de sistema unipolar de derivações aumentadas ou sistema
de derivações de Goldberger e apresenta uma resolução do sinal de cerca de 50 % maior
se comparado à medição com o sistema de três derivações de Wilson (WILSON; MA-
CLEOD; BARKER, 1931), (WILSON et al., 1934), (MALMIVUO; PLONSEY, 1995).
Figura 3.9: Sistema de derivação de Goldberger (sistema unipolar aumentado): (a) Dis-
posição do sistema no corpo humano (b) Representação vetorial do sistema.
5 kΩ 5 kΩ
BD (R) BE (L) BE (L)
BD (R) BE (L) BD (R)
5 kΩ 5 kΩ
aVF
5 kΩ 5 kΩ
PE (F)
PE (F) PE (F)
aVL aVR
(a)
R L R
TC/aVF L R L
aVF aVR
aVL
TC/aVL TC/aVR
F F F
(b)
Outro sistema de derivação foi proposto por Wilson et al. (1944), no qual os autores
apresentaram um sistema de medição do potencial ao redor do coração, o qual foi deno-
minado de sistema de derivação precordial (torácico). Este sistema apresenta seis pontos
de derivação, V1 –V6 , os quais são obtidos com base nas projeções do vetor cardíaco so-
bre o plano transversal do corpo humano, localizando-se na região torácica, conforme
descrito na Figura 3.10 (WILSON et al., 1944), (MALMIVUO; PLONSEY, 1995). As
derivações V1 e V2 estão localizadas no quarto espaço intercostal à direita e à esquerda
do esterno, respectivamente; V3 está localizado entre os pontos V2 e V4 ; V4 localiza-se no
quinto espaço intercostal esquerdo, na linha da clavícula média; V5 e V6 localizam-se no
quinto espaço intercostal esquerdo, na linha auxiliar anterior e média, respectivamente
(WILSON et al., 1944), (MALMIVUO; PLONSEY, 1995).
Figura 3.10: Sistema de derivação precordial.
Linha médio-clavicular
Clavícula
Linha auxiliar média
Assim, tem-se basicamente três sistemas de derivações (sistema de derivação de Eintho-

ven, de Goldberger e Precordial) para medição do sinal cardíaco, que juntos formam um
sistema com 12 derivação, o qual é um dos mais utilizados clinicamente (MALMIVUO;
PLONSEY, 1995), (NATALE, 2007), (LUNA, 2007). Têm-se três derivações bipolares
(I, II e III) e nove unipolares (aVR , aVL , aVF e V1 –V6 ), sendo que cada derivação apresenta
um traçado (resultado) diferente, resultante dos diferentes ângulos do músculo cardíaco,
que apresenta uma atividade elétrica distinta para cada orientação angular, ou melhor,
cada derivação (vetor) está relacionada com uma posição angular (MALMIVUO; PLON-
SEY, 1995), (NATALE, 2007), (LUNA, 2007). Contudo, segundo Geselowitz (1964)
cerca de 90 % da atividade elétrica cardíaca pode ser explicada com um modelo de fonte
dipolo, utilizando para medição apenas três componentes (derivações) independentes:
duas das componentes de Einthoven (I, II e III) e uma precordial (V1 – V6 ).
Então, cada derivação fornece uma medição específica de uma determinada região do
músculo cardíaco, conforme sua orientação angular (MALMIVUO; PLONSEY, 1995),
(NATALE, 2007), (LUNA, 2007). Dessa forma, medições mais apuradas (específicas)
em uma determinada região do coração podem ser efetuadas para o auxílio no diagnós-
tico de doenças cardíacas. A Figura 3.11 descreve a projeção vetorial em um sistema de
coordenadas tridimensionais para cada ponto do sistema de 12 derivações (MALMIVUO;
PLONSEY, 1995). O sistema idealizado de medição é baseado em uma esfera condutora,

cujos vetores estão distribuídos em planos ortogonais entre si (plano sagital, plano frontal
e plano transversal) (MALMIVUO; PLONSEY, 1995), (LUNA, 2007). Assim, a combi-
nação e comparação das derivações propiciam uma análise mais confiável do sinal ECG,
além de melhorar a análise baseada em sistemas de reconhecimentos de padrões.
Figura 3.11: Projeções vetoriais em coordenadas 3D para o sistema de medição do ECG

com 12 derivações.
Plano Sagital Plano Frontal
Plano Transversal

Então, com base na Figura 3.11 pode-se observar quais as derivações mais indicadas
para uma análise mais específica da superfície do coração. A Tabela 3.1, por sua vez,
apresenta a relação entre as derivação e a superfície do músculo cardíaco (MORRIS;
BRADY; CAMM, 2009), considerando um sistema com 12 derivações.
Tabela 3.1: Relação entre a anatomia do coração e o sistema de 12 derivações.

Derivações Superfície Muscular Cardíaca
II, III e aVF Superfície inferior
V1 – V4 Superfície anterior
I, aVL, V5 e V6 Superfície lateral
V1 e aVR Átrio direito e cavidade do ventrículo esquerdo
Portanto, a quantidade de derivações e a localização destas vai depender da informa-

ção clínica desejada para um possível diagnóstico (LUNA, 2007), (FATEMIAN, 2009).
Contudo, normalmente são verificados (medidos) os biopotenciais em todas as 12 deri-
vações. Como visto anteriormente, o biopotencial (potencial de ação) cardíaco é gerado
durante os processos de despolarização e repolarização das células do miocárdio (mió-
citos) e é propagado pelo sistema de condução do coração. Nesses pontos, cada etapa
de propagação no sistema de condução contribui com um determinado impulso (forma
de onda) para a formação do ECG, desde a geração do potencial de ação no nó SA até
atingir o seu ápice nas paredes dos ventrículos (músculos ventriculares) (EINTHOVEN,
1908), (DURRER et al., 1970), (FOZZARD, 1986), (MALMIVUO; PLONSEY, 1995),
(BRONZINO, 2000a). A Figura 3.12 mostra a contribuição de cada conjunto de células
especializadas presentes no sistema de condução e estímulo do coração para formação do
sinal ECG (MALMIVUO; PLONSEY, 1995).
Figura 3.12: Formas de onda geradas por cada conjunto de células dos sistema de condu-
ção do coração para formação do sinal ECG.
Nó SA
Músculo Atrial
Nó AV
Feixe de His
Ramificações
Fibras de
Purkinje
Músculo
Ventricular
R
T
P
U
Q S
0 100 200 300 400 500 600 700 [ms]
Com base na Figura 3.12 pode-se observar que o sinal ECG é constituído por seg-
mentos e intervalos de onda, e as regiões de deflexão são denotadas por letras dispostas
em ordem alfabética: P, Q, R, S, T e U (EINTHOVEN, 1908), (DURRER et al., 1970),
(FOZZARD, 1986), (MALMIVUO; PLONSEY, 1995), (BRONZINO, 2000a). A onda P
representa a despolarização atrial, contudo a repolarização não é facilmente observada,
devido ao fato de ocorrer durante a despolarização do ventrículo, o qual apresenta uma
amplitude bem maior se comparada à amplitude produzida pela repolarização do átrio. A
despolarização do ventrículo origina as ondas Q, R e S, estabelecendo o chamado Com-
plexo QRS. A repolarização do ventrículo é responsável pelo surgimento da onda T. A
onda U, nem sempre presente no ECG, representa a repolarização da musculatura papilar
e apresenta, normalmente, a mesma polaridade da onda T, porém com uma amplitude
inferior (EINTHOVEN, 1908), (DURRER et al., 1970), (FOZZARD, 1986), (MALMI-
VUO; PLONSEY, 1995), (BRONZINO, 2000a). A Figura 3.13 ilustra as características
de um eletrocardiograma normal (MALMIVUO; PLONSEY, 1995).
Figura 3.13: Eletrocardiograma normal.
Seguimento Seguimento
Intervalo
Intervalo
Intervalo
Intervalo
3.2.1 A Onda P
A onda P ocorre logo após a excitação do nódulo sinoatrial (SA), compreendendo o
processo de ativação dos átrios, ou melhor, a despolarização atrial (Figura 3.12). Cor-
responde ao primeiro estímulo cardíaco observado no sinal ECG normal, apresentando
forma arredondada e sempre precedendo o complexo QRS. A duração varia conforme
a idade e a frequência cardíaca, apresentando valor médio de 0,1 s. A duração tende
a aumentar com o aumento da idade, porém os valores, normalmente, são inferiores a

0,12 s. Os valores de amplitude são normalmente inferiores a 0,3 mV, apresentando va-
lor médio de 0,1 mV, e possuem polaridade positiva em praticamente todas as derivações
(I, II, aVF e V2 –V6 ) e polaridade negativa em aVR (THAKOR; WEBSTER; TOMPKINS,
1984), (MALMIVUO; PLONSEY, 1995), (GRELL, 2003), (WOLF, 2004), (SÖRNMO;
LAGUNA, 2005), (SÖRNMO; LAGUNA, 2005), (JIANG, 2006), (LUNA, 2007), (NA-
TALE, 2007), (FATEMIAN, 2009), (SILVA, 2009), (CARVALHO, 2011).
O comportamento espectral da onda P é considerado de baixa frequência, apresen-
tando valores menores que 10 – 15 Hz (Figura 3.14). A repolarização dos átrios não é ob-
servada no sinal ECG devido a despolarização dos ventrículos ocorrer no mesmo instante,
sobrepondo o sinal da repolarização dos átrios (THAKOR; WEBSTER; TOMPKINS,
Figura 3.14: Espectro de potência do sinal ECG: ondas P, T e o complexo QRS.
Onda T
Espectro de Potência
Complexo QRS
Onda P
Frequência [Hz]
Fonte: THAKOR; WEBSTER; TOMPKINS, 1984 (Editada pelo Autor, 2016).

3.2.2 O Complexo QRS

O complexo QRS é resultado da despolarização do ventrículo, ou melhor, representa
a ativação elétrica ventricular (Figura 3.12). O complexo ocorre quando o sistema His-
Purkinje ativa a musculatura ventricular, excitando-a. Essa excitação representa a sís-
tole do ciclo cardíaco, gerando a força (contração) necessária para que o sangue circule
no organismo (THAKOR; WEBSTER; TOMPKINS, 1984), (MALMIVUO; PLONSEY,
1995), (GRELL, 2003), (WOLF, 2004), (SÖRNMO; LAGUNA, 2005), (SÖRNMO; LA-
GUNA, 2005), (JIANG, 2006), (LUNA, 2007), (NATALE, 2007), (FATEMIAN, 2009),
(SILVA, 2009), (CARVALHO, 2011).
O complexo é formado por três ondas: onda Q (deflexão negativa), onda R (deflexão
positiva) e onda S (deflexão negativa), respectivamente, sucede a onda P e antecede a onda
T. Contudo, pode apresentar outras morfologias que não apresentam necessariamente as
três ondas (Q, R e S). O complexo QRS tem aspectos dominantes em relação aos outros
componentes do sinal ECG, como pode ser observado na Figura 3.13, e com base na quan-
tidade de ondas R em um minuto pode-se extrair o valor da frequência cardíaca. Assim, a
sua identificação em condições normais não é tão difícil, uma vez que sua amplitude e for-
mato são bem característicos se comparados aos das ondas P e T (THAKOR; WEBSTER;
TOMPKINS, 1984), (MALMIVUO; PLONSEY, 1995), (GRELL, 2003), (WOLF, 2004),
(SÖRNMO; LAGUNA, 2005), (SÖRNMO; LAGUNA, 2005), (JIANG, 2006), (LUNA,
2007), (NATALE, 2007), (FATEMIAN, 2009), (SILVA, 2009), (CARVALHO, 2011).
Grande parte da energia do complexo QRS situa-se na faixa de 3–50 Hz, sendo que
cerca de 50 % desta energia está concentrada na faixa de 10–20 Hz (Figura 3.14). A du-
ração normal do ECG está na faixa de 0,07–0,11 s. Em condições normais, a amplitude
média do complexo é de aproximadamente 1 mV (pico da onda R), apresentando valores
bem maiores em casos de hipertrofia ventricular (THAKOR; WEBSTER; TOMPKINS,
3.2.3 A Onda T
A onda T é resultado da repolarização ventricular, ocorrendo cerca de 300 ms após o
complexo QRS (Figura 3.12). Normalmente, a onda apresenta um comportamento suave
com amplitude positiva em boa parte das derivações (I, II, aVF e V2 –V6 ), com valores da
ordem de 0,2 mV (na faixa de 0,2–0,6 mV) e duração média de 0,2 s. Contudo, a posi-
ção da onda T é extremamente dependente da frequência cardíaca, se aproximando cada
vez mais do complexo QRS quanto maior for o valor da frequência cardíaca. Valores
muito elevados da taxa dos batimentos podem causar distorções na onda T, e esta pode
vir sobreposta pela onda P, se tornando difícil identificá-las. A energia espectral da onda
T está situada, basicamente, na faixa de 0–10 Hz. Então, após esse período o coração
relaxa e entra em estado de repouso até que se inicie um novo ciclo de condução do es-
tímulo cardíaco, e a esse período de repouso, no qual o coração não está em contração
denomina-se diástole (Figura 3.14) (THAKOR; WEBSTER; TOMPKINS, 1984), (MAL-
MIVUO; PLONSEY, 1995), (GRELL, 2003), (WOLF, 2004), (SÖRNMO; LAGUNA,
2005), (SÖRNMO; LAGUNA, 2005), (JIANG, 2006), (LUNA, 2007), (NATALE, 2007),
(FATEMIAN, 2009), (SILVA, 2009), (CARVALHO, 2011).
3.2.4 A Onda U
A onda U nem sempre pode ser visualizada no sinal de ECG, e não apresenta uma
origem definida, mas provavelmente é de origem ventricular, representando a repolari-
zação da musculatura papilar e apresenta, normalmente, a mesma polaridade da onda T,
porém com uma amplitude inferior (Figura 3.12) (THAKOR; WEBSTER; TOMPKINS,
3.2.5 O Intervalo PR
O intervalo PR é medido do começo da onda P até o começo do complexo QRS (Fi-
gura 3.12), ou seja, compreende o início da ativação do átrio até o início da ativação do
ventrículo. A duração desse intervalo varia de acordo com a idade do paciente e a frequên-
cia cardíaca. Porém, valores típicos (normais) estão dentro da faixa de 0,12–0,22 s. O
intervalo PR denota o tempo requerido para que o impulso elétrico se propague do nó SA
até os ventrículos, sendo extremamente dependente da frequência cardíaca (THAKOR;
WEBSTER; TOMPKINS, 1984), (MALMIVUO; PLONSEY, 1995), (GRELL, 2003),
(WOLF, 2004), (SÖRNMO; LAGUNA, 2005), (SÖRNMO; LAGUNA, 2005), (JIANG,
2006), (LUNA, 2007), (NATALE, 2007), (FATEMIAN, 2009), (SILVA, 2009), (CARVA-
LHO, 2011).
3.2.6 O Segmento PR
O Segmento PR é a linha que conecta o final da onda P ao início da onda Q (Figura
3.12). Ele se origina durante o período em que o estímulo cardíaco atinge o nó AV,
não sendo visualizado no ECG, sendo produzido, então, uma linha isoelétrica (potencial
nulo) (THAKOR; WEBSTER; TOMPKINS, 1984), (MALMIVUO; PLONSEY, 1995),
(GRELL, 2003), (WOLF, 2004), (SÖRNMO; LAGUNA, 2005), (SÖRNMO; LAGUNA,
2005), (JIANG, 2006), (LUNA, 2007), (NATALE, 2007), (FATEMIAN, 2009), (SILVA,
2009), (CARVALHO, 2011).
3.2.7 O Intervalo QT
O intervalo QT é o tempo compreendido entre o início da despolarização ventricular
(complexo QRS) até o final da repolarização ventricular (onda T) (Figura 3.12), corres-
pondendo à sístole ventricular. Esse intervalo é extremamente dependente da frequência
cardíaca, que quanto maior menor o intervalo QT, apresentando duração aproximada de
metade do valor temporal do intervalo RR — intervalo entre dois complexo QRS, mais
especificamente entre os picos das ondas R — (THAKOR; WEBSTER; TOMPKINS,
3.2.8 O Intervalo ST
O intervalo ST é o tempo compreendido entre o fim da despolarização e o fim da re-
polarização ventricular. É extremamente dependente da frequência cardíaca, que quanto
maior menor o intervalo ST (THAKOR; WEBSTER; TOMPKINS, 1984), (MALMI-
VUO; PLONSEY, 1995), (GRELL, 2003), (WOLF, 2004), (SÖRNMO; LAGUNA, 2005),
(SÖRNMO; LAGUNA, 2005), (JIANG, 2006), (LUNA, 2007), (NATALE, 2007), (FA-
TEMIAN, 2009), (SILVA, 2009), (CARVALHO, 2011).
3.2.9 O Segmento ST
O segmento ST é o tempo compreendido entre o fim da despolarização (onda S) e o
início da repolarização (onda T) ventricular. Apresenta um comportamento isoelétrico,
porém pode apresentar outras morfologias que podem indicar certas condições de funcio-
namento do músculo cardíaco relacionadas às ondas subjacentes (THAKOR; WEBSTER;
TOMPKINS, 1984), (MALMIVUO; PLONSEY, 1995), (GRELL, 2003), (WOLF, 2004),
(SÖRNMO; LAGUNA, 2005), (SÖRNMO; LAGUNA, 2005), (JIANG, 2006), (LUNA,

2007), (NATALE, 2007), (FATEMIAN, 2009), (SILVA, 2009), (CARVALHO, 2011).
3.3 Doenças Cardiovasculares

A análise do sinal ECG permite diversos diagnósticos de problemas cardiovasculares,
contudo, nem sempre esta análise é a mais confiável, necessitando então de outros méto-
dos (ferramentas) para o correto diagnóstico de certas doenças, como por exemplo raio-x,
radiocardiografia, angiografia coronária, análise química, MAPA (Monitorização Ambu-
latorial da Pressão Arterial), ecocardiograma, entre outros (HALLAKE, 1994), (MALMI-
VUO; PLONSEY, 1995), (SÖRNMO; LAGUNA, 2005), (HUGHES, 2006), (NATALE,
2007), (MANN et al., 2014).
A Figura 3.15 apresenta as áreas do coração que podem ser analisadas utilizando o
sinal ECG, onde pode-se destacar a análise do ritmo cardíaco, arritmias, isquemia car-
díaca, disfunção cardíaca, entre outros (MALMIVUO; PLONSEY, 1995). A frequência
cardíaca pode ser aferida através do nó SA, que em conjunto com a análise dos átrios
e ventrículos traz informações sobre arritmias cardíacas, sejam de origem auricular ou
ventricular, das quais algumas são enfatizadas neste trabalho: bradicardia e taquicardia
auriculares, e contração ventricular prematura.
Figura 3.15: Áreas de aplicação para diagnóstico utilizando ECG.
Eixos Elétricos Arritmias Hipertrofia
Horizontal Supraventricular Atrial

Normal Ventricular Ventricular
Vertical
Freq. Cardíaca Hipertrofia

Bradicardia Atrial
Normal Ventricular
Taquicardia
Seq. de ativação
Cardites
(desordem)
Miocardites
Condução AV
Pericardites
WPW
RBBB, LBBB
Cardites
Efeito fármaco Desequilíbrio
Cardites Cardites Marcapasso
Eletrolítico
Miocardites
Digitalis Miocardites Miocardites
Pericardites
Quinidina Pericardites
Potássio Pericardites
Cálcio
3.3.1 Análise Vetorial do Coração

A análise vetorial do coração (eixos elétricos) é utilizada para diagnósticos de pro-
blemas como embolia pulmonar, hipertensão pulmonar, isquemia, entre outros (MALMI-
VUO; PLONSEY, 1995), (SÖRNMO; LAGUNA, 2005), (HUGHES, 2006), (NATALE,
2007), (MANN et al., 2014). A orientação (direção) normal dos eixos elétricos do cora-
ção está dentro da escala de -110o a +30o no plano frontal e na escala entre -30o e +30o no
plano transversal (MALMIVUO; PLONSEY, 1995). As coordenadas do coração podem
ser aproximadas através da derivação no plano frontal que apresente a maior deflexão po-
sitiva do complexo QRS, considerando o sistema com 12 derivações. A direção do eixo

elétrico do coração é na direção do vetor correspondente ao ponto de derivação para o
complexo QRS encontrado (MALMIVUO; PLONSEY, 1995).
Assim, um desvio da orientação elétrica do coração para a direita indica que existe
um aumento na atividade elétrica do ventrículo direito devido a um aumento de massa do
mesmo. Isso pode ser consequência de uma doença pulmonar obstrutiva crônica (DPOC)
— A DPOC é geralmente causada pelo tabagismo, mas pode se manifestar devido a ele-
mentos irritantes, como poeira, gases químicos, entre outros —, de uma embolia pul-
monar, cardiopatia congênita, entre outros distúrbios, os quais podem causar hipertensão
pulmonar grave e insuficiência cardíaca (MALMIVUO; PLONSEY, 1995), (SÖRNMO;
LAGUNA, 2005), (HUGHES, 2006), (NATALE, 2007), (MANN et al., 2014). Já um
desvio da orientação elétrica para a esquerda indica que existe um aumento na ativi-
dade elétrica do ventrículo esquerdo devido a um aumento de massa do mesmo. Isso
pode ser consequência de hipertensão, estenose aórtica, doença isquêmica do coração, ou
algum defeito de condução intraventricular (HALLAKE, 1994), (MALMIVUO; PLON-
SEY, 1995), (SÖRNMO; LAGUNA, 2005), (HUGHES, 2006), (NATALE, 2007), (MANN
et al., 2014).
3.3.2 Análise Rítmica do Coração

O ritmo normal do coração é controlado por impulsos elétricos oriundo do nó (nódulo)
sinoatrial (SA) que produz uma frequência cardíaca na faixa de 60–100 batimentos por
minuto (bat/min), com variações nas situações físicas extremas (MALMIVUO; PLON-
SEY, 1995), (SÖRNMO; LAGUNA, 2005), (MANN et al., 2014). A frequência cardíaca
pode ser aferida com base no intervalo RR ou PP, os quais correspondem aos intervalos de
tempo compreendido entre duas ondas R ou duas ondas P, respectivamente. Logo, esses
intervalos representam a duração de um ciclo cardíaco, o qual apresenta, normalmente,
duração de 06 – 1 s (MALMIVUO; PLONSEY, 1995), (MORRIS; BRADY; CAMM,
2009).
Condições anormais (alterações) no ritmo cardíaco (ou frequência cardíaca) são cha-
madas de arritmias, e podem ser originadas na parte superior (átrios ou supraventricu-
lares) ou inferior (ventrículos), podendo ser benignas ou malignas. Entre os principais
sintomas destacam-se palpitações, tonturas, anemia, fraqueza, sudorese, confusão men-
tal, desmaios, falta de ar, mal-estar e sensação de peso no peito. Casos mais extremos
podem levar à formação de coágulos no coração e resultar em um Acidente Vascular Ce-
rebral (AVC) ou levar o indivíduo à morte súbita (HALLAKE, 1994), (MALMIVUO;
PLONSEY, 1995), (SÖRNMO; LAGUNA, 2005), (MANN et al., 2014). Abaixo, são
apresentados os tipos de arritmias mais comuns, contudo neste trabalho serão enfatizadas
somente a bradicardia e taquicardia supraventriculares, e a contração ventricular prema-
tura.
ARRITMIAS SUPRAVENTRICULARES
A origem das arritmias supraventriculares pode ser tanto atrial quanto na junção átrio-
ventricular, sendo o coração ativado normalmente conforme todo o processo de geração
e propagação do estímulo elétrico, o qual segue seu caminho normal para os ventrículos
através do sistema de condução (HALLAKE, 1994), (MALMIVUO; PLONSEY, 1995),
(SÖRNMO; LAGUNA, 2005), (MANN et al., 2014), (MANN et al., 2014). A seguir, são
discutidos os tipos de arritmias supraventriculares mais comuns.
• Bradicardia Sinusal
Neste tipo de arritmia a frequência cardíaca é menor que 60 bat/min (ou 50 bat/min
durante o sono), sendo o ritmo cardíaco imposto pelo nó sinoatrial. Pode ser uma con-
sequência do aumento do tônus vagal ou parassimpático, apresentando geralmente os
seguintes sintomas: tontura, cansaço, desmaios e falta de ar (HALLAKE, 1994), (MAL-
MIVUO; PLONSEY, 1995), (NATALE, 2007), (MANN et al., 2014). A Figura 3.16
apresenta um sinal ECG com problema de bradicardia sinusal. Observa-se com base na
Figura 3.16 que o sinal ECG apresenta características normais, com complexo QRS bem
definido, precedido de onda P e sucedido de onda T. Contudo, o intervalo entre os ciclos,
intervalo RR ou PP, está lento, com duração superior a 1 s, implicando em bradicardia.
Figura 3.16: Sinal ECG: bradicadia sinusal (a) Detalhe da posição do nó sinoatrial e
propagação do impulso (b) Sinal ECG normal, contudo com frequência cardíaca menor
que 60 bat/min.
Nó SA
(a) (b)

• Taquicardia Sinusal
Neste tipo de arritmia a frequência cardíaca é maior que 100 bat/min, sendo o ritmo
cardíaco imposto pelo nó sinoatrial. Ocorre com bastante frequência devido ao esforço
físico ou condições de estresse (resposta fisiológica do organismo), mas pode também
ser resultado de insuficiência cardíaca congestiva. Geralmente apresenta os seguintes
sintomas: tontura, cansaço, desmaios e falta de ar (HALLAKE, 1994), (MALMIVUO;
PLONSEY, 1995), (NATALE, 2007), (MANN et al., 2014). A Figura 3.17 apresenta um
sinal ECG com problema de taquicardia sinusal. Observa-se com base na Figura 3.16
que o sinal ECG apresenta características normais, com complexo QRS bem definido,
precedido de onda P e sucedido de onda T. Contudo, o intervalo entre os ciclos, intervalo
RR ou PP, está bastante rápido, com duração inferior a 0,6 s, implicando em taquicardia.
Figura 3.17: Sinal ECG: taquicadia sinusal (a) Detalhe da posição do nó sinoatrial e
propagação do impulso (b) Sinal ECG normal, contudo com frequência cardíaca maior
que 100 bat/min.
Nó SA
(a) (b)
• Arritmia Sinusal
Neste tipo de arritmia a variação entre o ciclo cardíaco mais longo e o mais curto
(intervalo RR ou intervalo PP) excede 0,16 s, resultando em um ritmo sinusal irregular.
Este tipo de comportamento cardíaco é comum em todas as idades, principalmente em
jovens e crianças, e nem sempre representa um problema cardiovascular. Essa variação
na frequência cardíaca pode estar relacionada com as fases da respiração (expiração e
inspiração): a frequência aumenta durante o processo de inspiração e decai durante a
expiração, sendo esse tipo de arritmia também chamada de arritmia sinusal respiratória
(HALLAKE, 1994), (MALMIVUO; PLONSEY, 1995), (NATALE, 2007), (MANN et al.,
2014). A Figura 3.18 apresenta um sinal ECG com problema de arritmia sinusal respi-
ratória. Observa-se com base na Figura 3.16 que o sinal ECG apresenta características
normais, com complexo QRS bem definido, precedido de onda P e sucedido de onda T.
Contudo, o intervalo entre os ciclos, intervalo RR ou PP, está variando bastante entre rá-
pido e lento, implicando em arritmia sinusal. Quando acontece o processo de expiração o
ritmo cardíaco diminui, em contrapartida, durante a inspiração o ritmo cardíaco aumenta,
como pode ser observado na Figura 3.18b.
Figura 3.18: Sinal ECG: arritmia sinusal (a) Comportamento normal do complexo QRS,
contudo a variação entre o ciclo cardíaco mais longo e o mais curto excede 0,16 s (b)
Frequência cardíaca conforme o comportamento respiratório.
R-R R-R
(a)
Expiração Inspiração Expiração
(b)
• Marcapasso Atrial Migratório
Este tipo de arritmia ocorre quando o marcapasso cardíaco natural apresenta variações
na orientação espacial do estímulo na região atrial, podendo ocorrer no nó SA, no átrio
e/ou no nó AV. Consequentemente, a polaridade da onda P pode sofrer variações, assim
como podem ocorrer variações no intervalo PQ. Pode ser causada devido ao aumento do
tônus parassimpático vagal no nódulo sinoatrial ou na junção atrioventricular, ou a uma
inflamação do tecido atrial, ou doença pulmonar obstrutiva crônica, ou mesmo cardiopa-
tia valvar, entre outras causas. Geralmente, não trazem riscos cardíacos aos indivíduos,
sendo assintomáticos (HALLAKE, 1994), (MALMIVUO; PLONSEY, 1995), (NATALE,
2007), (MANN et al., 2014). A Figura 3.19 apresenta um sinal ECG com marcapasso
atrial migratório (ou ritmo atrial migratório). A A Figura 3.19a mostra os possíveis lo-
cais onde o impulso pode ser gerado. Na A Figura 3.19b é apresentado o comportamento
de um sinal de ECG sob a influência da orientação do estímulo, resultando em um ciclo
desordenado e variações na onda P.
Figura 3.19: Sinal ECG: marcapasso atrial migratório (a) Possíveis orientações de pro-
pagação do estímulo elétrico (b) O Sinal ECG pode apresentar variações no contorno da
onda P, nos intervalos PR, PP e RR.
(a)
(b)
• Flutter Atrial
Este tipo de arritmia é caracterizada pelo desaparecimento do intervalo isoelétrico

entre o fim da onda T e o início da onda P, sendo este substituído por flutuações, as
chamadas ondas F (flutter), e por apresentar um elevado ritmo cardíaco. A frequência
das ondulações está entre 220 e 300 bat/min. Esse tipo de arritmia também causa um
bloqueio do nó AV, retardando a ativação ventricular em um ou três segundos (2:1 ou 3:1),
tornando a resposta ventricular irregular (HALLAKE, 1994), (MALMIVUO; PLONSEY,
1995), (NATALE, 2007), (MANN et al., 2014). A Figura 3.20 apresenta um sinal ECG
com flutter atrial (MALMIVUO; PLONSEY, 1995).
A Figura 3.21 apresenta um sinal ECG com fibrilação atrial (MALMIVUO; PLON-
SEY, 1995). Observa-se na Figura 3.21a possíveis localizações do estímulo, podendo este
ocorrer entre os átrios direito e esquerdo. A Figura 3.21b um sinal ECG com a presença
de ondas flutter: nota-se que o sinal apresenta complexo QRS bem definido, com ciclos
geralmente constantes. Contudo não se consegue identificar as ondas P e T, um vez que
as ondas flutter estão sobrepostas às ondas P e T, de forma que a linha de base de todo o
sinal está sob a influência dessas ondulações.
Figura 3.20: Sinal ECG: flutter atrial (a) Possível orientação do estímulo, podendo causar
um bloqueio do nó AV (b) Resposta ventricular irregular com o aparecimento de ondas
flutter.
Ondas Flutter
(a) (b)
• Fibrilação Atrial
Neste tipo de arritmia a ativação do átrio ocorre de forma irregular e caótica, sendo
o estímulo gerado no miocárdio atrial e não no nódulo SA. Sendo assim, o processo de
despolarização atrial é completamente desorganizado e sem uma contração atrial efetiva,
produzindo flutuações (ondas F - flutter) na linha de base e irregularidades (diferentes am-
plitudes e morfologias), com frequência variando de 350 a 600 bpm. Consequentemente,
a frequência do sinal de ativação dos ventrículos é alta e irregular, variando geralmente
entre 100 e 160 bpm em indivíduos que apresentem condução AV normal — devido às ca-
racterísticas eletrofisiológicas intrínsecas de condução lenta e período refratário longo, o
nó AV protege a estrutura fisiológica dos ventrículos, impedindo que estímulos de alta
frequência provenientes dos átrios sejam transmitidos diretamente aos ventrículos —,
e geralmente apresenta o contorno do complexo QRS visivelmente normal. AS possí-
veis causas para sua ocorrência são doenças reumáticas, arteriosclerose, hipertireoidismo
e pericardites (HALLAKE, 1994), (MALMIVUO; PLONSEY, 1995), (SÖRNMO; LA-
GUNA, 2005), (NATALE, 2007), (MANN et al., 2014).
A Figura 3.21 apresenta um sinal ECG com fibrilação atrial (MALMIVUO; PLON-
SEY, 1995). Observa-se na Figura 3.21a possíveis localizações do estímulo, podendo este
ocorrer em ambos os átrio, com um comportamento caótico (aleatório). A Figura 3.21b
um sinal ECG com a presença de ondas flutter: nota-se que o sinal apresenta complexo
QRS bem definido, contudo devido à feração caótica do estímulo os ciclos podem apre-
sentar durações distintas, e não se consegue identificar as ondas P e T, um vez que as
ondas flutter estão sobrepostas às ondas P e T, de forma que a linha de base de todo o
sinal está sob a influência dessas ondulações.
Figura 3.21: Sinal ECG: fibrilação atrial (a) Possíveis localizações do estímulo de ativação
do átrio (b) Linha de base irregular, resposta ventricular irregular, com o aparecimento de
ondas flutter.
(a) (b)
ARRITMIAS VENTRICULARES
As arritmias ventriculares são originadas devido à uma má condução do estímulo elé-

tricos através dos ventrículos: o sinal de ativação não é gerado pelo nó AV e/ou não
percorre o caminho normal de condução (sistema de condução). Assim, se a ativação
ventricular se origina ao longo do sistema de condução, as paredes internas dos ventrícu-
los são ativadas quase que simultaneamente, e o processo continua em direção radial para
as paredes externas do ventrículo, causando uma duração relativamente curta do complexo
QRS. Caso o estímulo elétrico seja interrompido no sistema de condução ou a ativação ini-
cie distante do nó AV, o processo de ativação completa dos ventrículos requer um tempo
mais longo para excitar toda a parede (interna e externa) da massa ventricular. O pro-
cesso de ativação normal dos ventrículos apresenta (geralmente) um intervalo de tempo
do complexo QRS inferior a 0,11 s, e intervalos superiores a este valor podem indicar
anormalidades na ativação ventricular (HALLAKE, 1994), (MALMIVUO; PLONSEY,
1995), (SÖRNMO; LAGUNA, 2005), (NATALE, 2007), (MANN et al., 2014). Abaixo,
são discutidos os tipos mais comuns de arritmia ventricular.
• Contração Ventricular Prematura
A contração ventricular prematura (PVC - Premature Ventricular Contraction) está

entre os tipos mais comuns de arritmia cardíaca de origem ventricular. A ocorrência
de PVCs é bem comum e só representam perigo quando o indivíduo apresenta alguma

doença cardíaca, como insuficiência cardíaca, por exemplo. Essa contração gera um ba-
timento cardíaco extra antes de o ciclo cardíaco normal se completar. Caso a origem do
estímulo seja no músculo ventricular é gerado um batimento (ectópico) cardíaco anormal
cujo complexo QRS apresenta duração superior a 0,1 s, porém se a origem desse estímulo
for no átrio ou no nó AV (origem supraventricular), o complexo produzido apresenta du-
ração inferior a 0,1 s. Geralmente, esse batimento prematuro não é precedido de onda P
(HALLAKE, 1994), (MALMIVUO; PLONSEY, 1995), (NATALE, 2007), (MANN et al.,
2014).
A Figura 3.22 apresenta um sinal ECG durante a ocorrência de uma contração ventri-
cular prematura (MALMIVUO; PLONSEY, 1995). A ocorrência de um PVC geralmente
inibe o próximo batimento cardíaco, introduzindo uma pausa — essa pausa é resultante
do intervalo entre o PVC e o próximo batimento cardíaco e é chamada de pausa com-
pensatória — que equivale à duas vezes o tamanho (duração) de um intervalo RR normal
(SÖRNMO; LAGUNA, 2005). Pode-se notar que o comportamento do PVC é bem carac-
terístico em relação ao sinal de ECG (considerado) normal, podendo apresentar valores
de amplitude bem elevados em relação ao complexo QRS, seja esse valor ascendente ou
descendente.
Figura 3.22: Sinal ECG: contração ventricular prematura (a) Possível orientação do estí-
mulo que gera o batimento ectópico extra (b) Ocorrência de um PVC.
PVC
(a) (b)
• Taquicardia Ventricular
Neste tipo de arritmia a frequência cardíaca geralmente atinge valores superiores a

120 bat/min e consiste em batimentos com a morfologia semelhante aos batimentos de
PVC, apresentando aumento na largura (intervalo) do complexo QRS e elevados valores
de amplitude. Essas arritmias são frequentemente consequências de isquemia ou infarto
do miocárdio, e estão quase sempre acompanhadas de palpitações. As ondas P são fre-

quentemente sobrepostas pelo complexo QRS ou pela onda T, uma vez que estas ocorrem
rapidamente devido à elevada frequência cardíaca, ou melhor, cada ciclo cardíaco su-
cede imediatamente o anterior (HALLAKE, 1994), (MALMIVUO; PLONSEY, 1995),
(SÖRNMO; LAGUNA, 2005), (NATALE, 2007), (MANN et al., 2014). A Figura 3.23
apresenta um sinal ECG com taquicardia ventricular (MALMIVUO; PLONSEY, 1995).
Observa-se que o comportamento do sinal de ECG é extremamente irregular, com morfo-
logia semelhante ao PVC.
Figura 3.23: Sinal ECG: taquicardia ventricular (a) Orientação do estímulo gerado no
ventrículo (b) Complexos QRS com morfologia semelhante à do PVC.
(a) (b)
• Fibrilação Ventricular
Este tipo de arritmia acontece quando o processo de despolarização ventricular ocorre

de forma caótica. Assim, o sinal ECG apresenta ondulações irregulares de diferentes am-
plitudes e morfologias e sem a presença do complexo QRS. A fibrilação ocorre devido
à realimentação do estímulo elétrico no músculo cardíaco proporcionado por caminhos
múltiplos de reentrada no sistema de condução, estando geralmente associado à enfermi-
dades (patologias) na musculatura do coração. É usualmente considerada uma arritmia
terminal, caso não seja prontamente medicada, e seu tratamento é efetuado utilizando um
desfibrilador (HALLAKE, 1994), (MALMIVUO; PLONSEY, 1995), (SÖRNMO; LA-
GUNA, 2005), (NATALE, 2007), (MANN et al., 2014). A Figura 3.24 apresenta um sinal
ECG com fibrilação ventricular (MALMIVUO; PLONSEY, 1995): observa-se um com-
portamento extremamente irregular sem definição do complexo QRS, onda P ou T, apenas
ondulações irregulares.
Figura 3.24: Sinal ECG: fibrilação ventricular (a) Possíveis origens dos estímulos para ati-
vação dos ventrículos (b) Ondulações irregulares de diferentes amplitudes e morfologias
e sem a presença do complexo QRS.
(a) (b)
3.4 Ruídos e Artefatos

A eletrocardiografia pode ser corrompida por diversos tipos de ruídos, sejam eles
oriundo de fontes externas ao organismo ou fisiológicas, os quais podem estar presen-
tes em diversas bandas de frequência do sinal cardíaco, modificando (em alguns casos) a
morfologia original do sinal ECG e podendo levar a um diagnóstico equivocado (WEBS-
TER, 1977), (WEBSTER, 1984), (FRIESEN et al., 1990), (THAKOR; ZHU, 1991), (LI;
ZHENG; TAI, 1995), (SÖRNMO; LAGUNA, 2005), (FATEMIAN, 2009), (CARVALHO,
2011), (MARTIS; ACHARYA; ADELI, 2014). Abaixo são apresentados os principais ti-
pos de ruídos e artefatos presentes no sinal ECG:
1. Ruído de contato do eletrodo: é um tipo de interferência transiente causada pela

perda de contato entre o eletrodo e a pele, levando à saturação do sinal ECG —
a amplitude do sinal ECG se eleva ao máximo valor possível na saída do amplifi-
cador de instrumentação utilizado —. Pode apresentar características permanentes
ou intermitentes, mas geralmente apresentam duração de 1 s (WEBSTER, 1984),
(FRIESEN et al., 1990), (CARVALHO, 2011), (MARTIS; ACHARYA; ADELI,
2014).
2. Interferência da rede elétrica: esse tipo de interferência ocorre devido a conexão
dos equipamentos de medição do ECG à rede elétrica. Assim, o sinal ECG po-
derá receber influência da frequência da rede elétrica (60 Hz para o Brasil), além
de harmônicos e sub-harmônicos de diversas frequências presentes no sistema elé-
trico de potência. Esse tipo de ruído é usualmente chamado de ruído de 60 Hz
por acrescentar ao sinal ECG artefatos nessa frequência (e em seus harmônicos),

e se manifesta elevando o nível da amplitude de pico-a-pico do sinal ECG em 50
% (WEBSTER, 1984), (FRIESEN et al., 1990), (THAKOR; ZHU, 1991), (FATE-
MIAN, 2009), (CARVALHO, 2011).
3. Artefatos de movimentação: são interferências transientes na linha de base do
sinal ECG causadas pela movimentação (ou vibração) dos eletrodos, resultando no
aumento da impedância de contato entre o eletrodo e a pele. Isso modificará o sinal
ECG original, elevando a amplitude em cerca de 500 % e alterando a linha de base.
Esse tipo de interferência geralmente se manifesta na banda de frequência de 1 – 10
Hz — nessa banda está compreendida cerca de 30 % da energia total do sinal ECG
(Figura 3.14), influenciando todos os registros das ondas P, QRS e T (WEBSTER,
1984), (FRIESEN et al., 1990), (THAKOR; ZHU, 1991), (SÖRNMO; LAGUNA,
2005), (FATEMIAN, 2009), (CARVALHO, 2011).
4. Flutuação da linha de base devido a respiração: ocorre devido à presença de
uma componente senoidal (interferência) no sinal ECG gerada durante o processo
de respiração, então uma componente frequencial entre 0,15 – 0,3 Hz — ou ou-
tros valores, contudo geralmente abaixos de 1 Hz — será adicionada ao sinal ECG.
Nessa mesma faixa de frequência a amplitude do sinal poderá se elevar em cerca
de 15 % do valor de pico-a-pico do sinal ECG, podendo exceder a amplitude do
complexo QRS. Assim, o ruído oriundo da respiração se manifesta como uma mo-
dulação em amplitude do sinal ECG pela componente senoidal adicionada à linha
de base do sinal (WEBSTER, 1984), (FRIESEN et al., 1990), (THAKOR; ZHU,
1991), (SÖRNMO; LAGUNA, 2005), (FATEMIAN, 2009), (CARVALHO, 2011).
5. Dispositivos eletrônicos: na obtenção do sinal ECG são utilizados diversos dis-
positivos/componentes eletrônicos no sistema de instrumentação e processamento
do sinal, os quais podem apresentar problemas e certas limitações que resultam em
danos durante o processo de medição, como saturação do sinal, problemas com a
filtragem, entre outros (WEBSTER, 1984), (FRIESEN et al., 1990), (THAKOR;
ZHU, 1991), (CARVALHO, 2011).
6. Ruídos eletromiográficos: ocorrem devido as contrações musculares, ocasionando
alterações na linha de base com valores de amplitude geralmente insignificantes, da
ordem de microvolts, para a análise do sinal ECG. Contudo, podem apresentar va-
lores de amplitude com cerca de 10 % do valor de pico-a-pico do sinal ECG. O
sinal muscular abrange uma larga escala de frequência, 0 – 10.000 Hz, podendo
gerar distorções em todo o sinal ECG. De uma forma geral, os ruídos gerados pelas
contrações musculares se manifestam apresentando um comportamento transitó-
rio com média nula e limitado em banda (ruído gaussiano) (WEBSTER, 1984),
(FRIESEN et al., 1990), (THAKOR; ZHU, 1991), (SÖRNMO; LAGUNA, 2005),

(FATEMIAN, 2009), (CARVALHO, 2011).
7. Ruído eletrocirúrgico: é oriundo de outros equipamentos médicos próximos ao
dispositivo de medição de ECG. Devido ao comportamento senoidal e com ampli-
tude elevada, esse ruído praticamente sobrepõe o sinal ECG. Os valores típicos de
amplitude são da ordem de 200 % do valor de pico-a-pico do sinal ECG, geral-
mente dentro da faixa de 100 kHz – 1 MHz, que equivale à duração de 1 – 10 s
(WEBSTER, 1984), (FRIESEN et al., 1990), (CARVALHO, 2011).
3.5 Eletrodos
O eletrodos desempenham um papel importante na medição de sinais de biopotencial,
pois são eles os responsáveis pela captação desse sinal elétrico na superfície corpórea.
Os eletrodos devem ser escolhidos conforme sua aplicação, e sua estrutura é basicamente
composta de (WEBSTER, 1977), (WEBSTER, 1984), (WEBSTER, 1999), (HUDAK;
PENHAKER; MAJERNIK, 2012b):
• Corpo e embalagem;
• Material com alta condutividade elétrica;
• Fio conector;
• Cavidade ou similar para alocação do gel eletrolítico;
• Superfície adesiva na borda (extremidade).
O tipo de eletrodo mais comum utilizado em aplicações de medições eletrocardiográ-

ficas é o Ag/AgCl (Figura 3.25). Ele apresenta um estrutura de captação do biopotencial
simples, formada de prata (Ag) e cloreto de prata (AgCl) e custo relativamente baixo
se comparado com outros tipos de eletrodos. O gel eletrolítico é geralmente composto
por sódio (Na) ou cloreto de potássio (KCl) em baixas concentrações, de forma que não
cause irritação na pele do paciente (WEBSTER, 1977), (WEBSTER, 1984), (WEBSTER,
1999), (HUDAK; PENHAKER; MAJERNIK, 2012b).
Figura 3.25: Eletrodos de Ag/AgCl.
Fonte: Ramo (2006) (Editada pelo Autor, 2016).
3.6 Resumo
Neste capítulo foram apresentadas as principais características anatômicas e eletrofisi-
ológicas do sinal de eletrocardiograma (ECG). O sinal de ECG ele caracteriza o processo
de despolarização e repolarização atrial e ventricular. O sinal de ECG é formado, basica-
mente, pelas ondas P, complexo QRS e T. A onda P caracteriza o início da despolarização
atrial, contudo não é possível verificar a repolarização atrial, pois esta ocorre simultanea-
mente com a despolarização ventricular, cujo sinal sobrepõe o sinal da repolarização. O
complexo QRS representa a despolarização ventricular e a onda T a repolarização ven-
tricular. Também foram apresentadas algumas patologias cardíacas, sendo enfatizadas
algumas arritmias. Foram discutidos alguns ruídos que podem dificultar a leitura do si-
nal de ECG, destacando-se o ruído eletromiográfico, o ruído de linha de base e alguns
artefatos.
Capítulo 4
Fundamentos da Transformada Wavelet
Neste capítulo serão apresentados os fundamentos teóricos da Transformada Wavelet,

enfatizando as sua versões discretas: Transformada Wavelet Discreta (TWD) e a Transfor-
mada Wavelet Discreta Redundante (TWDR). Serão abordados os conceitos relacionados
ao cálculo das energias dos coeficientes wavelet e de aproximação, bem como as técnicas
empregadas para análise de sinais em tempo real utilizando a TWD e a TWDR.
4.1 Transformada Wavelet Discreta - TWD

Os primeiros conceitos acerca da Transformada Wavelet (TW) partiram dos estudos
de Haar (1910), que propôs a chamada Transformada de Haar, apresentando a primeira
base ortonormal de wavelets conhecida. Contudo, as wavelets de Haar foram pouco di-
fundidas, e somente na década de 80 as wavelets foram matematicamente formuladas.
A fundamentação matemática atual é baseada no trabalho de Grossman e Morlet (1984),
no qual os autores propuseram a Transformada Wavelet Contínua (TWC). Então, a partir
deste trabalho, diversos outros foram propostos, refinando cada vez mais os modelos ma-
temáticos relacionados à teoria das wavelets. Dentre esses trabalhos, merecem destaque
os trabalhos de Daubechies (1992), que introduziu o conceito da Transformada Wavelet
Discreta (TWD), e de Mallat (1989b), que desenvolveu uma teoria para análise multirre-
solução (AM).
A análise de sinais utilizando a TW tem ganhado bastante espaço nos últimos anos.
A TW proporciona uma análise compacta e flexível em tempo e frequência, permitindo
diversos níveis de resolução, além de apresentar diversas funções de base (famílias wa-
velet), que possibilitam uma análise mais específica, de forma a adequar a análise ao
comportamento do sinal e com isso obter os melhores resultados possíveis. Existem
diversas famílias wavelet como Morlet, Biorthogonal, Mexican Hat, Harr, Daubechies,
Meyer, Coiflets, Symlets, e diversas outras, tanto no domínio dos números Reais quanto
dos números Complexos (GROSSMAN; MORLET, 1984), (MALLAT, 1989b), (DAU-
CAPÍTULO 4. FUNDAMENTOS DA TRANSFORMADA WAVELET 63
BECHIES, 1992), (BURRUS; GOPINATH; GUO, 1997), (PERCIVAL D. B.; WALDEN,

2000), (MALLAT, 2008).
4.1.1 Análise Multirresolução

Com base na teoria de análise multirresolução (AM) um sinal discreto pode ser de-
composto e analisado em diferentes níveis de resolução (ou escalas) (MALLAT, 1989b).
Assim, um sinal discretizado pode ser decomposto em termos de coeficientes wavelet e
de aproximação — alguns autores utilizam os termos detalhes e escala para os coeficien-
tes wavelet e de aproximação, respectivamente —, em diversos níveis de resolução, por
meio de um processo de filtragem digital. Assim, baseando-se na AM, Mallat (1989b)
propôs um algoritmo de decomposição rápido e eficiente para cálculo da TWD utilizando
técnicas de filtragem digital (filtros passa-baixa e passa-alta), conhecido como algoritmo
piramidal. Matematicamente, tem-se que:
∞
s j (k) = ∑ g(n − 2k)s j−1(n), (4.1)
n=−∞
∞
ω j (k) = ∑ h(n − 2k)s j−1(n), (4.2)
n=−∞
sendo s j e ω j os coeficientes de aproximação e wavelet na escala (nível de resolução) j,

respectivamente. g(k) e h(k) representam os filtros passa-baixa e passa-alta, respectiva-
mente.
Com base nas Equações 4.1 e 4.2, os coeficientes de aproximação (s j ) e wavelet (ω j )
da escala j são obtidos pela convolução dos coeficientes de aproximação da escala j − 1
(s j−1 ) com seus respectivos filtros, gk e hk. Então, o cálculo da TWD em várias escalas
é obtido através da soma de convolução entre os coeficientes de aproximação da escala
anterior e os coeficientes do filtro digital (passa-alta, h(k), e passa-baixa, gk), seguidos
por um processo de subamostragem por um fator de dois. Assim, os coeficientes de
aproximação e wavelet na primeira escala são:
s1 (k) = ∑g(n − 2k)s0(n), (4.3)

n
ω1 (k) = ∑h(n − 2k)s0(n), (4.4)

n
em que s0 representa o sinal original (x0 = s0 ).

Então, tem-se que o sinal original s0 é decomposto em duas componentes s1 e ω1 ,
sendo estas os coeficientes de aproximação e wavelet do primeiro nível de resolução,
respectivamente. A Figura 4.1 apresenta o processo de decomposição de um sinal x0 (s0 )

com frequência de amostragem ( fs ) até o segundo nível de resolução (segunda escala).
Os blocos g e h representam respectivamente os filtros passa-baixa e passa-alta, enquanto
que os blocos com o símbolo ↓ 2 representam a operação de subamostragem por dois do
processo de filtragem digital.
Figura 4.1: Diagrama de blocos para dois níveis de resolução da TWD.

Coef. aproximação: s2
g~ ↓2
s2 Nº de amostras: kt /4
s1 Esp. de frequência: [0, fs /8]
g~ ↓2
ω2 Coef. wavelet: ω2
x0 ~
Sinal original: x0 h ↓2 Nº de amostras: kt /4
ω1 Esp. de frequência: [fs /8, fs /4]
Nº de amostras: kt ~
Esp. de frequência: [0, fs /2] h ↓2 Coef. wavelet: ω1
Nº de amostras: kt /2
Esp. de frequência: [fs /4, fs /2]
Com base na Figura 4.1, pode-se observar que o espectro de frequência do sinal origi-
nal compreende o intervalo [0, fs /2] Hz para uma frequência de amostragem fs , conforme
o teorema da amostragem de Nyquist-Shannon (OPPENHEIM et al., 1989), (PROAKIS;
MANOLAKIS, 2007). Já os espectros de frequência dos coeficientes de aproximação e
wavelet na primeira e segunda escalas são resultados da concepção dos filtros digitais g e
h, os quais constituem-se em filtros espelhados em quadraturas (DAUBECHIES, 1992):
para a primeira e segunda escalas os espectros de frequência dos coeficientes de aproxi-
mação são [0, fs /4] Hz e [0, fs /8] Hz, respectivamente; já para os coeficientes wavelet são
[ fs/4, fs /2] Hz e [ fs /8, fs /4] Hz, respectivamente.
Assim, no primeiro nível de resolução (Figura 4.1), o sinal original x0 é decomposto
nos coeficientes de aproximação s1 e wavelet ω1 , respectivamente. Os coeficientes de
aproximação e wavelet possuem metade do número de amostras do sinal original x0 , kt /2,
devido ao processo de subamostragem por dois. A componente s1 representa a saída do
filtro passa-baixa g, fornecendo informações de baixa frequência do sinal original. Em
contrapartida, a componente ω1 representa a saída do filtro passa-alta h, fornecendo in-
formações de alta frequência do sinal original. Generalizando, os espectros de frequência
dos coeficientes de aproximação e wavelet em um nível de resolução j são dados por:

fs
0, j+1 , (4.5)
2

fs fs
, . (4.6)
2 j+1 2 j
Assim, qualquer sinal discreto pode ser decomposto em seus coeficientes de aproxi-
mação e wavelet, nos diversos níveis de resolução (BURRUS; GOPINATH; GUO, 1997).
Contudo, a quantidade de estágios da TWD (escalas ou níveis de resolução) é limitado
pelo número de amostras do sinal original x0 (kt ), que por sua vez deve ser uma potência
de dois devido ao processo de subamostragem por dois. Assim, o número máximo de
decomposições, Jmax , pode ser obtido a partir da Equação 4.7:
kt = 2Jmax −1 . (4.7)
Fazendo-se algumas manipulações matemáticas,tem-se que:
Jmax = log2 (kt ) + 1, (4.8)
enfatizando que o valor de Jmax corresponde ao menor valor inteiro mais próximo do
resultado obtido, uma vez que por se tratar de uma operação logarítmica, os valores per-
tencerão ao universo dos números Reais.
As Figuras 4.2 e 4.3 apresentam as decomposições de um sinal analítico ECG no
primeiro e segundo níveis de resolução da TWD, utilizando-se a wavelet mãe da família
Daubechies com quatro coeficientes, denominada por db(4). O primeiro e segundo níveis
de resolução compreendem as faixas 87,5 – 175 Hz e 43,75 - 87,5 Hz, respectivamente. O
sinal ECG utilizado é do banco de dados do MIT (Massachusetts Institute of Technology),
a gravação 16265 (Figuras 4.2a e 4.3a) do banco de dados MIT-BIH Normal Sinus Rhythm
Database, que é um sinal considerado normal e apresenta uma frequência de amostragem
de 128 Hz (GOLDBERGER et al., 2000).
Com base nas Figuras 4.2b e 4.3b pode-se verificar que os coeficientes de aproxima-
ção apresentam comportamento semelhante ao sinal original em ambas as escalas, embora
hajam algumas distorções e pequenos atrasos. A primeira escala apresenta o melhor re-
sultado de aproximação em relação ao sinal original, logo, quanto mais distante a escala,
mais distorcido em relação ao original são os coeficientes de aproximação, uma vez que
o espectro de frequência utilizado para a nova decomposição é bem menor. Assim, os co-
eficientes de aproximação representam um sinal aproximado do sinal ECG original (x0 ),
contendo informações de baixa frequência e com um número de amostras kt /2 e kt /4 do
sinal ECG, para o primeiro e segundo níveis de resolução (escalas), respectivamente.
Já as Figuras 4.2c e 4.3c apresentam maiores detalhes do comportamento do sinal
ECG, contendo as informações de alta frequência, destacando-se os momentos nos quais

ocorrem mudanças abruptas (pontos de inflexão) ao longo do sinal ECG. Como foi visto
no Capítulo 3 o sinal ECG (ideal) apresenta uma linha de base isoelétrica, contudo percebe-
se que ocorrem variações durante o processo de condução do estímulo elétrico, e que as
ondas P, QRS e T, equivalem à pontos de inflexão no sinal. Assim, os coeficientes wave-
let trazem informações sobre esses pontos de inflexão. Logo, o comportamento das ondas
do sinal ECG estará mais detalhado (visível) conforme a banda de frequência que elas
estão situadas. Pode-se observar que a segunda escala apresenta com maiores detalhes,
em relação à primeira, o comportamento do complexo QRS do sinal ECG analisado.
As maiores variações de amplitude observadas nas Figuras 4.2c e 4.3c correspondem
aos instantes que acontecem a despolarização ventricular, iniciando o processo de for-
mação do complexo QRS. Pode-se observar também que a amplitude dos coeficientes
wavelet na segunda escala (4.3c) é maior que na primeira escala (4.2c). Isso deve-se ao
fato de a energia do complexo QRS apresentar seu espectro distribuído em frequências
mais baixas, logo para o segundo nível de resolução, o complexo QRS se torna mais
perceptível em relação ao primeiro nível, conforme descrito na Tabela 3.14. Então, em
um terceiro nível de resolução os resultados seriam ainda melhor se comparados aos dois
primeiros níveis.
As ondas P e T são de difícil detecção nas primeiras duas escalas — levando em con-
sideração as faixas de frequência utilizadas nesse exemplo 87,5 – 175 Hz e 43,75 - 87,5
Hz para a primeira e segunda escalas, respectivamente—, pois seus espectros de potência
estão na faixa de 0 – 10 Hz, conforme Tabela 3.14. Assim, para aferição das singularida-
des das ondas P e T se faz necessária a implementação de mais níveis de resolução, que
possam compreender essas faixas de frequência do comportamento espectral das ondas P
e T.
Figura 4.2: Decomposição de um sinal ECG no primeiro nível de resolução da TWD: (a)
Sinal ECG original x0 (b) Coeficientes de aproximação (c) Coeficientes wavelet.
600
500
400
Tensão [mV]
300
200
100
-100
-200
0 0.5 1 1.5 2 2.5 3
Tempo [s]
(a)
800
700
600
500
400
Tensão [mV]
300
200
100
-100
-200
-300
0 0.5 1 1.5 2 2.5 3
Tempo [s]
(b)
150
100
50
Tensão [mV]
-50
-100
-150
0 0.5 1 1.5 2 2.5 3
Tempo [s]
(ç)

Figura 4.3: Decomposição de um sinal ECG no segundo nível de resolução da TWD: (a)
Sinal ECG original x0 (b) Coeficientes de aproximação (c) Coeficientes wavelet.
600
500
400
Tensão [mV]
300
200
100
-100
-200
0 0.5 1 1.5 2 2.5 3
Tempo [s]
(a)
800
700
600
500
400
Tensão [mV]
300
200
100
-100
-200
-300
0 0.5 1 1.5 2 2.5 3
Tempo [s]
(b)
500
400
300
200
Tensão [mV]
100
-100
-200
-300
-400
0 0.5 1 1.5 2 2.5 3
Tempo [s]
(ç)

Neste trabalho, inicialmente, foi utilizada a wavelet mãe db(4) da família Daubechies,
devido a resultados encontrados em diversos trabalhos, sendo esta uma das wavelet mães
mais utilizadas no processamento do sinal ECG (MAHMOODABADI; AHMADIAN;
ABOLHASANI, 2005), (TAMIL et al., 2008), (SASIKALA; WAHIDABANU, 2010),
(HADDADI et al., 2014). Contudo no Capítulo 5 será apresentado um estudo acerca das
famílias Wavelet Daubechies, Coiflets e Symlets na aplicação de análise de sinais ECG.
4.1.2 Filtros Escala e Wavelet

Os coeficientes dos filtros escala g(l) e wavelet h(l) da TWD devem atender às se-
guintes propriedades, respectivamente (PERCIVAL D. B.; WALDEN, 2000):
L−1 √ L−1 L−1

∑ g(l) = 2, ∑ g2 (l) = 1, ∑ g(l)g(l + 2n) = 0, (4.9)
l=0 l=0 l=0
L−1 L−1 L−1
∑ h(l) = 0, ∑ h2(l) = 1, ∑ h(l)h(l + 2n) = 0, (4.10)
l=0 l=0 l=0
N
em que n ∈ e l = 0, 1, . . ., L − 1, sendo L o comprimento dos filtros escala e wavelet.
Além disso, a concepção destes filtros consiste em filtros espelhados em quadratura:
gl = (−1)l+1 hL−l−1 , (4.11)
hl = (−1)l gL−l−1 . (4.12)
Com relação ao número de coeficientes dos filtros, bem como os seus respectivos
valores, são dependentes da wavelet mãe utilizada. Abaixo, estão apresentados os coe-
ficientes do filtro escala (g(l)) da wavelet mãe db(4), pertencente à família Daubechies
(DAUBECHIES, 1992):
√ √ √ √
1+ 3 3+ 3 3− 3 1− 3
g(0) = √ , g(1) = √ , g(2) = √ , g(3) = √ , (4.13)
4 2 4 2 4 2 4 2
Os valores dos coeficientes do filtro wavelet (h(l)) podem ser encontrados com base
na Equação (4.12), de acordo com a propriedade do espelhamento em quadratura:
h(0) = g(3), h(1) = −g(2), h(2) = g(1), h(3) = −g(0), (4.14)

√ √ √ √
1− 3 −3 + 3 3+ 3 −1 − 3
h(0) = √ , h(1) = √ , h(2) = √ , h(3) = √ . (4.15)
4 2 4 2 4 2 4 2
4.2 Transformada Wavelet Discreta Redundante - TWDR

A TWDR é uma variante da TWD, apresentando basicamente as mesmas caracterís-
ticas, podendo decompor o sinal em duas componentes, coeficientes wavelet e de apro-
ximação, e apresenta filtros semelhantes para o cálculo de cada componente, os filtros
wavelet e escala, respectivamente (PERCIVAL D. B.; WALDEN, 2000). Embora a TWD
apresente complexidade de implementação relativamente simples, rapidez e baixo esforço
computacional, a TWDR vem ganhando espaço devido ao fato de a TWD apresentar algu-
mas limitações para algumas aplicações específicas, como por exemplo na detecção das
características do complexo QRS em tempo real. O fato é que a TWD apresenta com-
portamento variante no tempo, devido ao processo de subamostragem empregado para
cálculo dos coeficientes wavelet e de aproximação (PERCIVAL D. B.; WALDEN, 2000).
Assim, o processo de subamostragem pode comprometer a utilização da TWD.
Assim, um dos motivos que torna a TWDR interessante é o fato de não necessitar
do processo de subamostragem para cálculo dos coeficientes wavelet e de aproximação,
e por possuir características de redundância e invariância no tempo, permitindo que o
processo de reconstrução do sinal apresente atrasos menos significativos se comparado
à TWD (PERCIVAL D. B.; WALDEN, 2000), (SILVA, 2009), (COSTA, 2010). Além
disso, por não apresentar o processo de subamostragem, a TWDR pode ser aplicada a
qualquer número de amostras do sinal, seja ele inteiro par ou ímpar, contanto que kt ≥ L
— a quantidade de amostras kt deve ser maior ou igual ao comprimento L dos filtros, de
modo a satisfazer o cálculo da soma de convolução para obtenção dos coeficientes —, ao
passo que para o cálculo da TWD este número deve ser uma potência de dois. De uma
forma geral, as principais diferenças entre a TWD e a TWDR são:
• A TWD é uma transformação ortonormal, já a TWDR é uma transformação não-

ortogonal;
• A TWDR pode ser aplicada a qualquer número de amostras, já a TWD requer que
o número seja uma potência de 2, devido ao processo de subamostragem;
• A TWDR é uma transformada invariante no tempo, uma vez que não realiza a
subamostragem por 2 nas amostras do sinal, já a TWD realiza o processo de suba-
mostragem por dois, resultando em um comportamento variante no tempo.
A formulação matemática é semelhante à TWD, sendo os coeficientes de aproximação

s j e os coeficientes wavelet ω j da TWDR, na escala (nível de resolução) j, obtidos pela
convolução dos coeficientes de aproximação s j−1 , da escala j − 1, com os filtros ge e e
h,
como segue:
∞
s j (k) = ∑ ge(n − k)s j−1(n), (4.16)
n=−∞
∞
ω j (k) = ∑ e
h(n − k)s j−1(n). (4.17)
n=−∞
A Figura 4.4 ilustra o diagrama de blocos do processo de decomposição de uma sinal

x0 (s0 ) com frequência de amostragem ( fs ) até o segundo nível de resolução (segunda
escala), sendo decomposto nos coeficientes de aproximação e wavelet. Os blocos ge e e h
representam respectivamente os filtros passa-baixa e passa-alta. Assim, os sinais s1 e s2
representam a saída do filtro passa-baixa na primeira e segunda escalas, respectivamente.
Já os sinais ω1 e ω2 representam a saída do filtro passa-alta na primeira e segunda escalas,
respectivamente.
Figura 4.4: Diagrama de blocos para dois níveis de resolução da TWDR.
s2 Coef. aproximação: s2
g~ Nº de amostras: kt
s1 Esp. de frequência: [0, fs /8]
g~
x0 ~ ω2 Coef. wavelet: ω2
Sinal original: x0 h Nº de amostras: kt
Nº de amostras: kt ω1 Esp. de frequência: [fs /8, fs /4]
~ Coef. wavelet: ω1
Esp. de frequência: [0, fs /2] h
Nº de amostras: kt
Esp. de frequência: [fs /4, fs /2]
As Figuras 4.5 e 4.6 apresentam as decomposições de um sinal analítico ECG no

primeiro e segundo níveis de resolução da TWDR, utilizando-se a wavelet mãe db (4)
(família Daubechies). O primeiro e segundo níveis de resolução compreendem as faixas
87,5 – 175 Hz e 43,75 - 87,5 Hz, respectivamente, sendo as mesmas utilizadas para cálculo
da TWD. O sinal ECG utilizado é do banco de dados do MIT (Massachusetts Institute of
Technology), a gravação 16265 (Figuras 4.5a e 4.6a) do banco de dados MIT-BIH Normal
Sinus Rhythm Database, que é um sinal considerado normal e apresenta uma frequência
de amostragem de 128 Hz (GOLDBERGER et al., 2000).
Com base nas Figuras 4.5b e 4.6b pode-se verificar que os coeficientes de aproximação
apresentam comportamento semelhante ao sinal original em ambas as escalas, embora
hajam algumas distorções e pequenos atrasos. Todavia, se comparados aos resultados
obtidos com a TWD (Figuras 4.2b e 4.3b), pode-se observar que as distorções e os atrasos
foram bem menores, resultando em um sinal bem próximo do sinal real. A primeira escala
apresenta o melhor resultado de aproximação em relação ao sinal original, e como era de
se esperar, para escalas mais distantes o atraso será maior, bem como a distorção em
relação ao original, já que o espectro de frequência utilizado para a nova decomposição
é bem menor. Assim, os coeficientes de aproximação representam um sinal aproximado
do sinal ECG original (x0 ), contendo informações de baixa frequência e com o mesmo
número de amostras kt do sinal original.
As Figuras 4.5c e 4.6c apresentam os coeficientes wavelet na primeira e segunda es-
calas. Se comparado aos resultados obtidos com a TWD (4.2c e 4.3c) observa-se que a
TWDR é mais sensível às variações, apresentando com mais detalhes o comportamento
(variações) das componentes do sinal ECG (ondas P, QRS e T), bem como as distorções
na linha de base. Assim, os coeficientes apresentam as informações sobre as variações
(bruscas) ou pontos de inflexão do sinal ECG original (x0 ), contendo informações de alta
frequência e com o mesmo número de amostras kt do sinal original. A utilização da
TWDR apresenta com maiores detalhes as singularidades do sinal ECG.
As maiores variações de amplitude observadas nas Figuras 4.5c e 4.6c correspondem
aos instantes que acontecem a despolarização ventricular, iniciando o processo de for-
mação do complexo QRS. Pode-se observar também que a amplitude dos coeficientes
wavelet na segunda escala (4.3c) é maior que na primeira escala (4.2c), de acordo com
o comportamento espectral do sinal ECG (Tabela 3.14). Então, em um terceiro nível de
resolução os resultados seriam ainda melhor se comparados aos dois primeiros níveis.
As ondas P e T são de difícil detecção nas primeiras duas escalas — levando em con-
sideração as faixas de frequência utilizadas nesse exemplo 87,5 – 175 Hz e 43,75 - 87,5
Hz para a primeira e segunda escalas, respectivamente—, pois seus espectros de potência
estão na faixa de 0 – 10 Hz, conforme Tabela 3.14. Assim, para aferição das singularida-
des das ondas P e T se faz necessária a implementação de mais níveis de resolução, que
possam compreender essas faixas de frequência do comportamento espectral das ondas P
e T.
Figura 4.5: Decomposição de um sinal ECG no primeiro nível de resolução da TWDR:

(a) Sinal ECG original x0 (b) Coeficientes de aproximação (c) Coeficientes wavelet.
600
500
400
Tensão [mV]
300
200
100
-100
-200
0 0.5 1 1.5 2 2.5 3
Tempo [s]
(a)
600
500
400
Tensão [mV]
300
200
100
-100
0 0.5 1 1.5 2 2.5 3

Tempo [s]
20
(b)
15
10
5
Tensão [mV]
-5
-10
-15
-20
0 0.5 1 1.5 2 2.5 3
Tempo [s]
(ç)

Figura 4.6: Decomposição de um sinal ECG no segundo nível de resolução da TWDR:

(a) Sinal ECG original x0 (b) Coeficientes de aproximação (c) Coeficientes wavelet.
600
500
400
Tensão [mV]
300
200
100
-100
-200
0 0.5 1 1.5 2 2.5 3
Tempo [s]
(a)
600
500
400
Tensão [mV]
300
200
100
-100
0 0.5 1 1.5 2 2.5 3

Tempo [s]
(b)
60
40
20
Tensão [mV]
-20
-40
-60
0 0.5 1 1.5 2 2.5 3
Tempo [s]
(ç)

4.2.1 Filtros Wavelet e Escala da TWDR

Os coeficientes dos filtros wavelet e
h eescala ge, de acordo com Percival D. B.; Walden
(2000), são obtidos com base nos correspondentes filtros da TWD (h e g), conforme
apresentando abaixo:
√
e
h(l) = h(l)/ 2, (4.18)
√
ge(l) = g(l)/ 2, (4.19)
sendo h e g os coeficientes dos filtros wavelet e escala da TWD, respectivamente. Seme-

lhantemente à TWD, os coeficientes dos filtros da TWDR, e h(l) e ge(l), devem satisfazer
as seguintes propriedades:
L−1 L−1 ∞
1
∑ ge(l) = 1, ∑ ge2(l) = 2 , ∑ ge(l)e
g(l + 2n) = 0, (4.20)
l=0 l=0 l=−∞
L−1 L−1 ∞
1
∑ eh(l) = 0, ∑ eh2(l) = 2 , ∑ eh(l)eh(l + 2n) = 0, (4.21)
l=0 l=0 l=−∞
sendo n ∈ N e l = 0, 1, . . ., L − 1, em que L é o número de coeficientes dos filtros escala

e wavelet. Assim como na TWD, os filtros escala e wavelet são filtros espelhados em
quadratura:
gel = (−1)l+1e
hL−l−1 , (4.22)
e
h1 = (−1)l geL−l−1. (4.23)
Com relação ao número de coeficientes dos filtros, bem como os seus respectivos
valores, são dependentes da wavelet mãe utilizada (COSTA et al., 2011), assim como
os coeficientes dos filtros da TWD. Abaixo, estão apresentados os coeficientes do filtro
escala (g(l)) da wavelet mãe db(4), que apresenta quatro coeficientes (L = 4), pertencente
à família Daubechies (DAUBECHIES, 1992):
√ √ √ √
1+ 3 3+ 3 3− 3 1− 3
ge(0) = , ge(1) = , ge(2) = , ge(3) = . (4.24)
8 8 8 8
Os valores dos coeficientes do filtro wavelet (h(l)) podem ser encontrados com base
na Equação (4.23), de acordo com a propriedade do espelhamento em quadratura:
e
h(0) = ge(3), e
h(1) = −e
g(2), e
h(2) = ge(1), e
h(3) = −e
g(0). (4.25)
4.2.2 Algoritmo Piramidal - Forma Matricial

O algoritmo para cálculo da TWDR é semelhante ao utilizado para cálculo da TWD,
contudo os coeficientes de aproximação s e wavelet ω da TWDR de um sinal discreto
x0 , possuem a mesma quantidade kt de amostras do sinal original, uma vez que existe o
processo de subamostragem por dois para cálculo da TWDR. Então, o número mínimo
de amostras do sinal deve ser igual ao número de coeficientes dos filtros de aproximação
e wavelet, ou melhor, kt ≥ L (PERCIVAL D. B.; WALDEN, 2000), (COSTA, 2010).
Os coeficientes s1 e ω1 do primeiro nível de resolução (primeira escala) do algoritmo
piramidal da TWDR, são (PERCIVAL D. B.; WALDEN, 2000):
e1 x0 ,
s1 = A (4.26)
ω1 = Be1 x0 , (4.27)
e1 e Be1 matrizes de ordem kt x kt .
sendo A
As matrizes A e1 e Be1 para a wavelet mãe db(4) são (PERCIVAL D. B.; WALDEN,
2000), respectivamente:
 
ge(3) 0 0 0 0 ··· 0 ge(0) ge(1) ge(2)
 
ge(2) ge(3) 0 0 0 ··· 0 0 ge(0) ge(1)
 
ge(1) ge(2) ge(3) 0 0 ··· 0 0 0 ge(0)
 
 
A1 = 
e
ge(0) ge(1) ge(2) ge(3) 0 ··· 0 0 0 0  , (4.28)
 
 0 ge(0) ge(1) ge(2) ge(3) · · · 0 0 0 0 
 . .. .. .. .. .. .. .. .. 
 . .. 
 . . . . . . . . . . 
0 0 0 0 0 ··· ge(0) ge(1) ge(2) ge(3)
 
e
h(3) 0 0 0 0 ··· 0 e
h(0) e
h(1) e
h(2)
e e e e 
h(2) h(3) 0 0 0 ··· 0 0 h(0) h(1)
 
e e
h(2) e ··· h(0)
e
h(1) h(3) 0 0 0 0 0 
 
Be1 = e e
h(1) e
h(2) e ··· 0 
h(0) h(3) 0 0 0 0 . (4.29)
 0 e e e e
h(0) h(1) h(2) h(3) ··· 0 0 0 0 
 
 . .. .. .. .. .. .. .. .. 
 . .. 
 . . . . . . . . . . 
0 0 0 0 0 ··· e
h(0) e
h(1) e
h(2) e
h(3)
Então, com base nas Equações 4.28 e 4.29, pode-se observar que as matrizes A e1 e Be1
são formadas a partir de deslocamentos circulares de uma linha para outra dos coeficientes
dos filtros escala (g(l)) e wavelet (h(l)) no primeiro nível de resolução, respectivamente.
4.2.3 Análise em Tempo Real

A análise em tempo real baseada na TWDR, trata-se de um algoritmo recursivo para
cálculo dos coeficientes wavelet e de aproximação, no qual o cálculo dos coeficientes é
realizado à cada amostra k do sinal x0 , sendo realizadas L operações de multiplicação
e L − 1 operações de adição, conforme as Equações 4.16 e 4.17. Assim, o cálculo dos
coeficientes de aproximação e wavelet da TWDR no primeiro nível de resolução, em
tempo real, é obtido por meio das últimas L amostras de x0 . Então, considerando como
referência o instante de cálculo do primeiro coeficiente de aproximação e wavelet (k = 0),
após a L-ésima amostra do sinal x0 (k), tem-se que os coeficientes da TWDR em tempo
real são dado por (COSTA, 2010):
L−1
s1 (k) = ∑ ge(l)x0(k + l − L + 1), (4.30)
l=0
L−1
ω1 (k) = ∑ eh(l)x0(k + l − L + 1), (4.31)
l=0
contanto que, x0 ≥ 2L − 1.
4.3 Energia dos Coeficientes de Aproximação e Wavelet

A análise da energia do sinal ECG permite detectar a ocorrência de diversos distúrbios
cardíacos, bem como as características comportamentais do sinal (THAKOR; WEBS-
TER; TOMPKINS, 1984), (LI; ZHENG; TAI, 1995), (SAHAMBI; TANDON; BHATT,
1997), (TINATI; MOZAFFARY, 2006). Com base no teorema de Parseval, a energia de
um sinal pode ser particionada em termos da energia dos coeficientes wavelet e de apro-
ximação, ou melhor, a energia do sinal original x0 é igual à soma das energias dos coefi-
cientes wavelet de todos os níveis de resolução, 1 ≤ j ≤ J, com a energia dos coeficientes
de aproximação do último nível de resolução, J, com J ≤ Jmax (BURRUS; GOPINATH;
GUO, 1997). Matematicamente, tem-se que a energia dos coeficientes wavelet e de apro-
ximação da TWD é dada por (COSTA, 2010):
kt kt /2J J kt /2 j
∑ |x(k)| 2
= ∑ |sJ (k)| 2
+∑ ∑ |ω j (k)|2, (4.32)
k=1 k=1 j=1 k=1
em que:
kt
• ∑ |x(k)|2 – representa a energia do sinal original x,
k=1
kt /2J
• ∑ |sJ (k)|2 – representa a energia dos coeficientes de aproximação da escala J,
k=1
kt /2J
• ∑ |ω j (k)|2 – representa a energia dos coeficientes wavelet da escala j.
k=1
Analogamente, a energia dos coeficientes wavelet e de aproximação da TWDR pode

ser encontrada com base no teorema de Parseval (BURRUS; GOPINATH; GUO, 1997),
como segue:
kt kt J kt
∑ |x(k)|2 = ∑ |sJ (k)|2 + ∑ ∑ |ω j (k)|2, (4.33)
k=1 k=1 j=1k=1
em que:
kt
• ∑ |x(k)|2 - representa a energia do sinal original x,
k=1
kt
• ∑ |sJ (k)|2 - representa a energia dos coeficientes de aproximação da escala J,
k=1
kt
• ∑ |ω j (k)|2 - representa a energia dos coeficientes wavelet da escala j.
k=1
4.4 Resumo
Neste capítulo foi apresentada a fundamentação teórica da Transformada Wavelet
(TW) aplicada à análise de sinais cardíacos (eletrocardiograma), enfatizando as suas ver-
sões discretas, Transformada Wavelet Discreta (TWD) e sua variante a Transformada
Wavelet Discreta Redundante (TWDR). Foi apresentando a modelagem matemática para
cálculo em tempo real dos coeficientes wavelet e de aproximação da TWDR, sendo esta
abordagem foco deste trabalho para a análise de sinais ECG, além do cálculo das energias
dos coeficientes.
Capítulo 5
Método Proposto
Neste capítulo será apresentada a metodologia proposta para implementação do sis-

tema de análise de sinal de eletrocardiograma (ECG), de modo a levantar e analisar as
características comportamentais do sinal. O Sistema foi implementado utilizando a Trans-
forma Wavelet Discreta Redundante (TWDR) e métodos thresholds. A TWDR é imple-
mentada de forma recursiva, possibilitando a análise em tempo real. O sistema é validado
através de banco de dados e a implementação é feita no software MATLAB.
5.1 Sistema de Validação de Dados

Atualmente, existem diversos métodos propostos para análise de sinais cardíacos, con-
forme apresentado no Capítulo 2. Grande parte destes métodos enfatizam a detecção do
complexo QRS, porém sem apresentar resultados de diagnósticos (validação) e as aná-
lises são geralmente feitas offline. A Figura 5.1 ilustra o sistema de análise proposto, o
qual utiliza a TWDR (algoritmo para aplicação em tempo real) para processar os sinais
ECG e com base nos coeficientes wavelet e de aproximação, e na energia dos coeficientes
wavelet é implementado um algoritmo para validação (detecção) de possíveis patologias
cardíacas. Em suma, o sistema proposto tem como foco o desenvolvimento de uma pla-
taforma para auxílio na validação de laudos médicos e na aplicação em telecardiologia,
servindo como uma ferramenta prévia de análises de patologias cárdicas. O sistema tam-
bém poderá ser aplicado para análise de desempenho de atletas.
CAPÍTULO 5. MÉTODO PROPOSTO 80
Figura 5.1: Diagrama de blocos do sistema para análise em tempo real de sinais cardíacos.
Sistema de Análise para Sinais Cardíacos:

Validação de Patologias
Processamento Wavelet Análise e Detecção
s Resultado
Detecção das características
x (Validação)
R
ω
TWDR
T
P
Cálculo
S
Energia Detecção de Patologias
Inicialmente, de acordo com a Figura 5.1, o sinal ECG (x) será analisado pela TWDR.
Como resultado dessa análise, são encontrados os coeficientes de aproximação (s) e wa-
velet (ω) do sinal ECG. Então, de posse dos coeficientes, é calculada a energia do sinal,
com base no teorema de Parseval (BURRUS; GOPINATH; GUO, 1997). Todo esse pro-
cesso está contido no bloco Processamento Wavelet. Como resultado, têm-se na saída
deste bloco os coeficientes de aproximação, wavelet e a energia dos coeficientes, os quais
são os parâmetros de análise utilizados no bloco Análise e Detecção para validação de
possíveis patologias do sinal cardíaco. Este bloco é composto por dois sub-blocos: um
bloco para Detecção das Características e um bloco para Detecção de Patologias.
O sub-bloco Detecção das Características é responsável pela caracterização compor-
tamental do sinal ECG, apresentando as características de amplitude e tempo das ondas
P, complexo QRS e T. A Seção 5.4 apresenta os métodos utilizados para o levantamento
das características do sinal ECG. O sub-bloco Detecção de Patologias é responsável pela
análise patológica do sinal. Neste trabalho, apenas as arritmias bradicardia e taquicardia
auriculares (ou supraventriculares) e a Contração Prematura do Ventrículo (PVC) foram
analisadas. Assim, na Seção 5.5 são apresentados os métodos para aferição dessas pa-
tologias. Todo esse sistema é implementado utilizando o software MATLAB. Contudo,
todas as ferramentas matemáticas para sua implementação são descritas de forma discreta,
baseando-se na teoria analítica, sem o uso de funções predefinidas do MATLAB, como a
TW por exemplo, sendo utilizadas somente funções/operações matemáticas básicas.
5.2 Banco de Dados

Existem diversos bancos de dados de sinais de eletrocardiograma (ECG) disponíveis,
com base nos quais pode-se avaliar algoritmos de detecção e análise de sinais cardíacos
(KOHLER; HENNIG; ORGLMEISTER, 2002), (MARTIS; ACHARYA; ADELI, 2014).
Estes consistem em um grande número de anotações de sinais ECG, apresentando as mais
variadas ocorrências, clinicamente importantes, para a análise de patologias cardíacas.
Dentre eles destacam-se o MIT-BIH Database (Massachusetts Institute of Technology -
Beth Israel Hospital) (MIT, 2016), o AHA Database (American Heart Association) (AS-
SOCIATION, 2016), AAEL (Ann Arbor Electrogram Libraries) (JENKINS, 2016), CSE
Database (Common Standards for Electrocardiography) (J.H.; J.L., 1990), European ST-
T Database (TADDEI et al., 1992), QT Database (LAGUNA et al., 1997), MGH/MF Da-
tabase (Massachusetts General Hospital/Marquette Foundation) (WELCH et al., 1991),
entre outros.
Neste trabalho será utilizado o MIT-BIH (Massachusetts Institute of Technology - Beth
Israel Hospital), que possui um banco de dados de sinais ECG com diversas patologias
cardíacas, entre eles um banco de dados com possíveis arritmias cardíacas, o MIT-BIH
Arrhythmia Database (MOODY; MARK, 2001), (GOLDBERGER et al., 2000). Este
banco de dados é um dos mais utilizados para a validação de algoritmos de detecção e
análise de sinais ECG (HAMILTON; TOMPKINS, 1986), (PAN; TOMPKINS, 1985),
(LI; ZHENG; TAI, 1995), (MARTINEZ et al., 2004).
O MIT-BIH Arrhythmia Database possui 48 gravações de aproximadamente 30 min
cada, sendo os sinais provenientes de aferições em homens com idade entre 32 e 89 anos,
e mulheres com idade entre 23 e 89 anos. Os sinais foram digitalizados utilizando uma
frequência de amostragem de 360 amostras/s, sendo que cada gravação apresenta dois
sinais de derivações diferentes, geralmente MLII para os sinais mais elevados e V1 para
baixos sinais (ocasionalmente V2 ou V5, e em uma ocorrência V4).
5.3 Análise da Wavelet Mãe

A Transformada Wavelet tem sido, nos últimos anos, bastante difundida para a análise
de sinais de eletrocardiograma. Existem diversas famílias wavelet, sejam para aplicações
no universo dos números Reais quanto no universo dos números Complexos (GROSS-
MAN; MORLET, 1984), (MALLAT, 1989b), (DAUBECHIES, 1992), (BURRUS; GOPI-
NATH; GUO, 1997), (PERCIVAL D. B.; WALDEN, 2000), (MALLAT, 2008).
Entre elas merecem destaque as famílias Daubechies, Coiflets e Symlets em aplica-
ções com sinais ECG, sendo a família Daubechies a mais discutida entre os pesquisadores
na detecção das características do sinal ECG (NAGENDRA; MUKHERJEE; KUMAR,

2011). Dentre os representantes da família Daubechies, a wavelet mãe db(4) é uma das
ferramentas wavelet mais utilizadas na análise do sinal cardíaco (MAHMOODABADI;
AHMADIAN; ABOLHASANI, 2005), (SINGH; TIWARI, 2006) (TAMIL et al., 2008),
(SASIKALA; WAHIDABANU, 2010), (HADDADI et al., 2014).
A seguir, é apresentado um estudo comparativo entre wavelets mães das famílias Dau-
bechies (db(2), db(4), db(6), db(8), db(10) e db(12)), Coiflets (coif(6), coif(12) e coif(18))
e Symlets (sym(4), sym(6), sym(8) e sym(10)) — o número entre parênteses implica na
quantidade de coeficientes do filtro wavelet de cada wavelet mãe das famílias em aná-
lise — a fim de encontrar a melhor wavelet mãe, dentre elas, para a análise de sinais de
eletrocardiograma (ECG).
Na análise foram utilizadas 30 (trinta) gravações do banco de dados do MIT (MIT-BIH
Arrhythmia Database) (MOODY; MARK, 2001), (GOLDBERGER et al., 2000): ECG
100, ECG 101, ECG 102, ECG 103, ECG 104, ECG 105, ECG 106, ECG 107, ECG 108,
ECG 109, ECG 111, ECG 112, ECG 113, ECG 114, ECG 115, ECG 116, ECG 117, ECG
118, ECG 119, ECG 121, ECG 122, ECG 123, ECG 124, ECG 200, ECG 201, ECG 202,
ECG 203, ECG 205, ECG 207 E ECG 208. Foram analisados os desvios padrões entre o
sinal original e os coeficientes de aproximação na primeira escala de todas as gravações.
A Figura 5.2 mostra o resultado normalizado obtido.
Figura 5.2: Comparativo da intercorrelação entre a energia do sinal ECG original com a
energia dos coeficientes escala no primeiro nível de resolução para alguns filtros wavelet
das famílias Daubechies, Coiflets e Symlets.
1
Daubechies
0.9 Coiflets
0.8
Desvio Padrão Normalizado
Symlets
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
db2 db4 db6 db8 db10 db12 coif6 coif12 coif18 sym4 sym6 sym8 sym10
Wavelet Mãe

De acordo com a Figura 5.2, com exceção da db(2), pode-se afirmar que quanto maior
é a ordem do filtro, maior é o desvio padrão entre o sinal original e seus coeficientes de
aproximação. Logo, a confiabilidade e eficácia dos algoritmos de análise de sinais car-
díacos baseados na Transformada Wavelet estão intimamente ligadas à ordem dos filtros
wavelet envolvidos, apresentando melhores resultados para filtros de ordem baixa, con-
forme Figura 5.2. Este é um resultado muito interessante, uma vez que, o processamento
numérico é diretamente proporcional à ordem do filtro utilizado, então filtros de ordem
baixa requerem uma menor carga computacional.
Pode-se observar com base na Figura 5.2 que a família Daubechies apresenta os me-
lhores resultados, particularmente a db(4), contudo vale salientar que os valores obtidos
não são muito distantes de um representante para outro, e que os resultados das famílias
Daubechies e Symlets são equivalentes — a família Symlets é uma versão modificada
da família Daubechies, contudo apresenta uma complexidade matemática maior em sua
implementação. Com relação à família Coiflets, os valores de um filtro para outro variam
bem mais, se comparado com os resultados das famílias Daubechies e Symlets.
Assim, com base nesse estudo, comprova-se que a db(4) é realmente a wavelet mãe
mais indicada para a análise de sinais cardíacos, dentre as wavelets mães utilizadas nesse
estudo. Contudo, a proposta deste trabalho é um sistema de fácil implementação prática,
logo quanto menor a ordem do filtro, mais simples é a concepção do sistema, seja em
hardware ou software. Por esse motivo, nesse trabalho serão avaliados os resultados uti-
lizando tanto a db(4) quanto a db(2), a qual resulta em uma implementação mais simples,
uma vez que esta apresenta apenas dois coeficientes. Vale salientar que os resultados com
a db(2) estão entre os piores, ficando atrás apenas dos resultados com a coif(18), porém a
db(2) resultando em uma rápida e fácil implementação.
5.4 Detecção das Características do ECG

A análise automática do sinal ECG é uma ferramenta poderosa para o diagnóstico
rápido de problemas cardíacos, porém se faz necessário um sistema de detecção confiá-
vel e preciso (KOHLER; HENNIG; ORGLMEISTER, 2002), (QUERO et al., 2005). A
detecção do complexo QRS é a tarefa mais importante em um sistema automatizado de
processamento de sinais ECG, sendo imprescindível a sua exata detecção para alguns
diagnósticos clínicos relacionados à arritmia, por exemplo (MALMIVUO; PLONSEY,
1995), (THAKOR; ZHU, 1991), (MARTINEZ et al., 2004), (RODRIGUEZ; GOñI; IL-
LARRAMENDI, 2005), (SÖRNMO; LAGUNA, 2005), (SASIKALA; WAHIDABANU,
2010).
O desempenho desses algoritmos de detecção é avaliado conforme dois parâmetros,

basicamente: a Sensibilidade (Se ) e a Preditividade Positiva (P+ ) (KOHLER; HENNIG;
ORGLMEISTER, 2002), (MARTINEZ et al., 2004). Esses parâmetros são calculados
com base no número de detecções corretas TP (do inglês True Positive detections), no
número de Falsos Negativos (FN) — pontos que deveriam ter sido detectados durante a
análise —, e do número de Falsos Positivos (FP) — pontos que foram detectados a mais
durante a análise. As fórmulas abaixo descrevem o cálculo desses parâmetros:
TP
Se = × 100, (5.1)
T P + FN
TP
P+ = × 100. (5.2)
T P + FP
A Sensibilidade (Se ) indica a capacidade do algoritmo em detectar características ver-
dadeiramente positivas, reais. Observa-se que quanto menor a quantidade de falsos ne-
gativos melhor a sensibilidade do algoritmo. Já a Preditividade Positiva (P+ ) indica a
capacidade do algoritmo em detectar características positivas que realmente são positivas,
ou melhor, quanto menor o número de falsos positivos melhor a preditividade positiva.
Em suma, se o algoritmo não detecta uma determinada característica do sinal a sensibi-
lidade diminui, e caso detecte um número de uma determinada característica específica
maior que o valor real existente, a preditividade positiva diminui.
Neste trabalho será utilizada a Transformada Wavelet Discreta Redundante (TWDR),
uma variante da Transformada Wavelet Discreta (TWD), para a análise do sinal ECG em
tempo real. Serão utilizadas as wavelets mães db(2) e db(4) da família Daubechies, as
quais apresentam dois coeficientes e quatro coeficientes, respectivamente. Como foi visto
na Seção 5.3, a família Daubechies apresenta os melhores resultados para a análise de
sinais ECG (se comparada às famílias Coiflets e Symlets).
A wavelet mãe db(4) apresentou o melhor resultado na análise executada na Seção 5.3,
comprovando o que muitos dos trabalhos analisados afirmam, que a db(4) apresenta re-
sultados mais interessantes para o tratamento de sinais de eletrocardiograma (MAHMO-
ODABADI; AHMADIAN; ABOLHASANI, 2005), (SINGH; TIWARI, 2006) (TAMIL
et al., 2008), (SASIKALA; WAHIDABANU, 2010), (HADDADI et al., 2014). Contudo,
neste trabalho serão comparados os resultados do sistema proposto utilizando como base
tanto a wavelet mãe db(2) quanto db(4).
O sinal ECG será amostrado à uma frequência de 350 Hz, e a TWDR implementada
apresenta seis níveis de resolução (escalas). A Tabela 5.1 apresenta a faixa de frequên-
cia para cada nível de resolução da TWDR para os coeficientes wavelet. A escolha da
frequência de amostragem no valor de 350 Hz foi com o intuito de otimizar a distribuição
das energias do sinal ECG nos níveis de resolução, de forma a facilitar a análise do sinal.
Tabela 5.1: Faixas de frequência para cada nível de resolução (escala) da TWDR para os
coeficientes wavelet.
ESCALA FAIXA DE FREQUÊNCIA [Hz]
1 87,5 – 175
2 43,75 – 87,5
3 21,875 – 43,75
4 10,9375 – 21,875
5 5,4688 – 10,9375
6 2,7344 – 5,4688
5.4.1 Detecção do Complexo QRS

Como foi visto no Capítulo 3, as características do complexo QRS são dominantes
em relação às outras componentes do sinal ECG (ondas P e T), motivo pelo qual prati-
camente todos os sistemas de detecção das características dos sinais cardíacos possuem
como referência para análise o complexo QRS (PAN; TOMPKINS, 1985), (LI; ZHENG;
TAI, 1995), (MARTINEZ et al., 2004). Desse modo, com base na detecção do complexo
QRS pode-se encontrar a posição das ondas P e T, e assim levantar as características de
todo o sinal ECG.
Com base na Figura 3.14, pode-se observar que grande parte da energia espectral do
complexo QRS está situada na faixa de 3 – 50 Hz, sendo cerca de 50 % dessa energia
concentrada na faixa de 10 – 20 Hz (THAKOR; WEBSTER; TOMPKINS, 1984). Dessa
forma, de acordo com a Tabela 5.1, as possíveis escalas para análise do complexo são as
escalas 3 e 4, as quais, juntas, abrangem quase toda a energia do complexo QRS.
De uma forma geral, a TW permite observar o comportamento no domínio do tempo
das componentes do sinal ECG em diversas escalas de frequência, ou melhor, trata-se de
uma análise em tempo e frequência (DAUBECHIES, 1990). Outra vantagem da utiliza-
ção da TWDR é a filtragem de ruídos de alta frequência que estão contidos nos sinais
ECG, ente outros ruídos, amenizando o efeito destes sobre a análise do sinal. Como visto
anteriormente no Capítulo 4, os coeficientes de aproximação são resultados de filtros
passa-baixas e os coeficientes wavelet de filtros passa-altas.
Assim, neste trabalho é tomado como sinal para análise os coeficientes de aproxima-
ção na primeira escala, os quais apresentam comportamento semelhante ao sinal original,
como pode ser observado na Figura 4.5b, porém sem grandes influências dos ruídos de
alta frequência, como os de origem muscular e respiratória, por exemplo, os quais po-
dem acrescentar alguns milivolts ao sinal original, além de ruído gaussiano (WEBSTER,
1984), (FRIESEN et al., 1990), (THAKOR; ZHU, 1991), (SÖRNMO; LAGUNA, 2005),
(FATEMIAN, 2009), (CARVALHO, 2011).
A detecção do complexo QRS é feita com base na análise dos coeficientes wavelet,
utilizando métodos threshold para encontrar os pontos de máxima das ondas Q, R e S,
ou melhor, baseando-se em valores limiares para a detecção destas. Esta técnica é utili-
zada por diversos pesquisadores e apresenta resultados satisfatórios e comprovados (PAN;
TOMPKINS, 1985), (LI; ZHENG; TAI, 1995), (KOHLER; HENNIG; ORGLMEISTER,
2002), (SASIKALA; WAHIDABANU, 2010), (MARTIS; ACHARYA; MIN, 2013). Os
valores de threshold podem ser fixos ou adaptativos, e neste trabalho são utilizados th-
resholds adaptativos definidos empiricamente.
A ideia de utilizar os coeficientes wavelet é devido ao fato dos mesmos apresentarem
características apropriadas à detecção e localização de mudanças abruptas ocorridas ao
longo do sinal em análise. A TW é uma excelente ferramenta para análise das singula-
ridades do sinal, apresentando um comportamento particular que ajuda na detecção de
determinados pontos, como ,por exemplo, a passagem pelo zero dos coeficientes wavelet
representa a localização de um ponto de variação acentuada do sinal (MALLAT, 1991),
(MALLAT; HWANG, 1992).
O ponto principal para a detecção do complexo é encontrar o ponto de máxima que
equivale ao pico da onda R, e com base na localização deste encontrar os picos Q e S.
Então, analisando os coeficientes wavelet nas escalas 3 e/ou 4 pode-se detectar o pico da
onda R com base no cruzamento pelo zero dos coeficientes, que corresponde ao ponto de
máxima do complexo QRS, e ,a partir deste, encontrar os picos Q e S. Vale salientar que
existem diversas morfologias para o complexo QRS e nem todas elas apresentam todas as
ondas (MARTINEZ et al., 2004).
As ondas Q e S antecede e sucede a onda R, respectivamente. Os seus respectivos
pontos de máximo (mínimo), ou melhor, picos Q e S, são encontrados de forma seme-
lhante ao pico R e tendo como referência a localização deste, com base no cruzamento
pelo zero dos coeficientes wavelet e utilizando thresholds para a detecção. A Figura 5.3
descreve o fluxograma do algoritmo implementado para a detecção do pico da onda R —
ponto de referência do complexo QRS. Trata-se de um algoritmo para detecção do ponto
de máxima.
Figura 5.3: Fluxograma do algoritmo implementado para detecção do pico da onda R.

R
P
T
Variáveis:
x[n] - Amostra n do sinal ECG
Q
S
RP_aux - Possível candidato ao pico R

x[n] thr - Valor de limiar (threshold)
RP_aux = 0 Raux - Variável auxiliar
RP[n] - Valor e posição do pico R
Não
x[n] > thr
Candidato ao pico ‘R’

Raux = x[n]
Não
Raux > RP_aux RP [n] = RP_aux
Sim
RP_aux = Raux Pico ‘R’
Assim, calculados os coeficientes wavelet, estes são utilizados para caracterizar o si-
nal ECG em análise, uma vez que eles exibem as singularidades do sinal. O sistema
analisa cada amostra do sinal ECG, destacando possíveis candidatos ao pico R, com base
no threshold utilizado. Assim as amostras selecionadas são comparadas e aquela que
apresentar o maior valor (em amplitude) corresponderá ao pico da onda R. os picos das
ondas R correspondem a um cruzamento por zero dos coeficientes wavelt.
Assim, analisando os cruzamentos por zero dos coeficientes wavelet e buscando os
cruzamentos que antecedem ou sucedem valores elevados de amplitude, os quais corres-
pondem ao complexo QRS, sendo os maiores valores correspondentes à onda R, pode-se
detectar o pico R. Essa análise é feita em conjunto com thesholds adaptativos, logo se o
valor de amplitude for superior ao threshold utilizado, aquele ponto é um provável (can-
didato) ao pico R. Então, o algoritmo analisará todos os pontos subsequentes e aquele que
apresentar o maior indicará que aquele é o instante em que ocorreu o pico da onda R.
Os picos das ondas Q e S são encontrados de forma semelhante, e tomando como refe-
rência a posição do pico da onda R. Como os pontos de máximo e mínimo do sinal ECG
correspondem aos cruzamentos por zero dos coeficientes wavelet, uma vez detectado o
pico R, o cruzamento por zero que o antecede corresponde ao pico da onda Q, já o cru-
zamento subsequente corresponde ao pico da onda S. Caso o sinal apresente morfologia
sem a presença da onda Q e/ou S, não haverá cruzamentos por zero nesses instantes, logo
o sistema apresenta um certa robustez quanto às mudanças morfológicas do complexo
QRS.
O início (onset) e o final (offset) do complexo QRS equivalem ao início e ao final
da variação dos coeficientes wavelet em torno do cruzamento por zero que equivale ao
pico da onda R e da variação da energia dos coeficientes wavelet na terceira e quarta es-
calas. Idealmente o valor dos coeficientes wavelet para os intervalos intermediários às
ocorrências das ondas P, QRS e T é zero, pois tratam-se de linhas isoelétricas (linhas de
base do sinal ECG), que não apresentam variações elétricas (singularidades). Todavia, as
linhas de base geralmente apresentam ruídos que distorcem a linha de base, oriundos ge-
ralmente do processo de respiração e dos músculos (FRIESEN et al., 1990), (SÖRNMO;
LAGUNA, 2005).
Dessa forma, devido aos ruídos presentes na linha de base, os coeficientes wavelet
nesses intervalos não é zero, podendo dificultar a detecção do início e fim do complexo
QRS. Uma solução para amenizar esses problema é utilizar as primeiras escalas, pois es-
calas mais distantes apresentam maior influência da linha de base, que apresentam ruídos
na faixa de 0,15 – 0,3 Hz (geralmente) e com amplitude elevada, em torno de 15 % do
valor de pico-a-pico do sinal ECG. Já para as primeiras escalas, os ruídos da linha de
base apresentam geralmente alta frequência e baixa amplitude (LI; ZHENG; TAI, 1995),
(SASIKALA; WAHIDABANU, 2010).
Devido ao atraso que existe no cálculo dos coeficientes da TWDR em tempo real,
o instante em que ocorre o cruzamento por zero não é exatamente o mesmo instante
que ocorre o pico da onda R, e sim um instante logo após, sendo esse atraso da ordem
de 2 j . Logo, quanto maior o nível de resolução j, maior o atraso. Uma solução para
amenizar o atraso é utilizando coeficientes wavelet em escalas menores. Contudo, devido
ao comportamento dominante, em termos de energia, do complexo QRS, são utilizados
os coeficientes da terceira e quarta escalas, conforme discutido anteriormente.
O cálculo dos thresholds é feito com base nos módulos máximos dos coeficientes
wavelet da terceira e quarta escalas, para cálculo do threshold1 e threshold2, respectiva-
mente. Os valores dos thresholds foram escolhidos empiricamente fazendo-se diversas
simulações de modo a encontrar os melhores resultados para o que se propõe, sendo os
mesmos atualizados periodicamente (à cada minuto). Embora o sistema apresente análise
em tempo real, o algoritmo proposta só começa a ser executado depois de decorrido o
primeiro minuto, de forma a levantar os valores dos módulos máximos dos coeficientes
wavelet para serem utilizados como referência para os cálculos dos thresholds. Assim,
embora fixos, os valores dos thresholds são atualizados a cada minuto:
threshold1 = 0, 5× | max(ω3 ) |, (5.3)
threshold2 = 0, 35× | max(ω4 ) | . (5.4)
5.4.2 Detecção das Ondas P e T

O método de detecção das ondas P e T é semelhante ao utilizado para o complexo
QRS (Figura 5.3), sendo este utilizado como referência para a detecção: as variações an-
teriores ao complexo são equivalentes à onda P e as variações posteriores ao complexo
são equivalentes à onda T. Os coeficientes wavelet para essas ondas apresentam comporta-
mento semelhante, porém para a onda T os valores são mais acentuados. Para uma análise
apurada do comportamento das ondas P e T foram utilizadas as escalas 5 e 6 (Tabela 5.1),
uma vez que grande parte das energias de ambas estão contida nessas faixas de frequência
(Figura 3.14).
Assim, com base na localização do pico da onda R, que corresponde a um cruzamento
por zero dos coeficientes wavelet, localiza-se os picos das ondas T e P. O cruzamento por
zero que apresentar uma variação elevada e que antecede o instante em que ocorre o pico
R corresponde ao pico da onda P. Já o cruzamento por zero que sucede o pico da onda R
corresponde ao pico da onda T. Essa localização também é feita em threshold, uma vez
que existem diversos cruzamentos por zero devido ao ruído de lina de base. logo para
valores de amplitude superiores aos valores de threshold, pode-se aferir a localização das
ondas P e T.
Os valores de threshold também são encontrados de forma empírica, semelhantemente
aos threshold1 e threshold2. O threshold utilizado para análise da onda P é calculado com
base no módulo máximo dos coeficientes wavelet da quinta escala, o threshold3. Para
análise da onda T são utilizados dois valores de threshold, os quais são calculados com
base no módulo máximo e mínimo dos coeficientes wavelet da quinta e sexta escalas, os
threshold4 e threshold5, respectivamente. A utilização desses dois thresholds para análise
da onda T é devido ao fato de esta apresentar dupla polaridade em alguns casos específicos
(VENEGAS; MARK, 2004), (LUNA, 2007), (MORRIS; BRADY; CAMM, 2009).
threshold3 = 0, 4× | max(ω5 ) |, (5.5)
threshold4 = 0, 4× | max(ω5 ) |, (5.6)
threshold5 = 0, 5× | min(ω6 ) | . (5.7)

De forma análoga à do complexo QRS, o início (onset) e o final (offset) das ondas P e
T equivalem ao início e ao final da variação dos coeficientes wavelet em torno do cruza-
mento por zero, que equivale aos picos das ondas, e à variação da energia dos coeficientes
wavelet na quinta e sexta escalas, para as ondas P e T, respectivamente. Para escalas mai-
ores, os ruídos presentes na linha de base podem influenciar na análise do sinal, contudo,
devido à técnica de threshold utilizada e com base nas singularidades das ondas, essas
interferências podem ser amenizadas, uma vez que os coeficientes wavelet das ondas P e
T nas escalas 5 e 6 apresentam características bem destacadas, conforme apresentado na
Figura 3.14.
5.5 Detecção de Patologias

As patologias cardíacas são analisadas com base nas características do sinal ECG,
extraídas utilizando a TWDR e métodos threshold adaptativos, conforme explicitado an-
teriormente. Neste trabalho serão enfatizadas as arrtitmias bradicardia e taquicardia su-
praventriculares e a contração prematura do ventrículo.
5.5.1 Bradicardia e Taquicardia Supraventriculares

A bradicardia ocorre quando a frequência cardíaca é inferior a 60 bat/min (ou 50
bat/min durante o sono). Esse tipo de comportamento é comum durante o sono em indiví-
duos (considerados) normais, ou em indivíduos que apresentam tônus vagal elevado (atle-
tas e adultos jovens e saudáveis, por exemplo). Contudo, a bradicardia pode ter origem
patológica, como, por exemplo, devido à ocorrência de um infarto agudo do miocárdio
— bradicardia sinusal está particularmente associada com o infarto inferior do miocár-
dio. Outras possíveis causas são o uso de drogas, síndrome do nódulo sinusal (nó SA),
aumento da pressão intracraniana, hipotermia, hipotiroidismo, icterícia obstrutiva, entre
outras (NATALE, 2007), (MORRIS; BRADY; CAMM, 2009), (MANN et al., 2014).
A taquicardia ocorre quando a frequência cardíaca é superior a 100 bat/min, sendo
raras as ocorrências em que a frequência cardíaca excede os 200 bat/min. As causas mais
comuns de taquicardia são de origem fisiológica (esforço, ansiedade, dor), patológica (fe-
bre, anemia, hipovolemia, hipoxia), farmacológica, endócrina (tireotoxicose), e também o
consumo excessivo de álcool e cafeína e o aumento do tônus simpático (NATALE, 2007),
(MORRIS; BRADY; CAMM, 2009), (MANN et al., 2014).
Nos casos de bradicardia e taquicardia sinusal (supraventricular ou atrial), o sinal ECG
apresenta, geralmente, comportamento normal para todas as ondas (P, QRS e T), com o
complexo QRS precedido de onda P. Quando da ocorrência de bradicardia o intervalo PR
apresenta duração inferior a 0,12 s, já para a taquicardia esses valores variam bastante,
contudo são bem curtos — em alguns casos de taquicardia a onda P pode aparecer sobre-
posta pela onda T. Assim, com base nestas características pode-se, utilizando o algoritmo
proposto, aferir se um determinado indivíduo apresenta bradicardia ou taquicardia sinusal.
Assim, com base nas características do sinal extraídas com o algoritmo proposto,
pode-se avaliar se o indivíduo apresenta bradicardia ou taquicardia (ou frequência car-
díaca normal). A frequência cardíaca pode ser verificada analisando os intervalos RR ou
PP — a análise dos intervalos RR é bem mais eficaz, uma vez, que para alguns casos de
taquicardia a onda P pode vir sobreposta pela onda T —, ou melhor, contando a quan-
tidade de ciclos cardíacos durante um minuto. A Figura 5.4 apresenta o algoritmo para
validação rítmica do coração.
Figura 5.4: Fluxograma do algoritmo implementado para análise da frequência cardíaca.

R
P
T
Variáveis:
Q
S
TWDR - Análise do sinal ECG com a
TWDR para levantamento das
características do sinal
TWDR CPR - Quantidade de picos ‘R’ por minuto
CPR = pico ‘R’/min
Não Sim
CPR < 60 CPR > 100
Bradicardia Normal Taquicardia
Então, levantadas as características do sinal ECG analisado, armazena-se os instantes

de ocorrência do complexo QRS, isola-se a onda R e através de um contador, é feita a
contagem da quantidade de picos ’R’ durante um minuto, e então, verifica-se esse va-
lor armazenado (por minuto), se menor que 60 bat/min, bradicardia, se maior que 100
bat/min, taquicardia, caso contrário, frequência cardíaca normal. Assim, pode-se aferir o
comportamento rítmico do sinal ECG.
5.5.2 Contração Prematura Ventricular - PVC

A Contração Ventricular Prematura (PVC) é um batimento ectópico de origem ven-
tricular ou supraventricular, ocorrendo antes do término do ciclo cardíaco normal. Sua
ocorrência é de simples identificação, conforme apresentado no Capítulo 3. Neste tra-
balho são utilizadas as energias dos coeficientes wavelet para detecção das contrações
prematuras ventriculares.
O algoritmo para detecção de PVC é semelhante ao algoritmo para detecção do pico
’R’ (Figura 5.3), sendo os valores de threshold baseados no valor médio do sinal de ener-
gia dos coeficientes wavelet do ECG. Foram utilizadas as energias nas escalas 4, 5 e 6,
sendo projetados, então, três valores de threshold:
thresholdPVC1 = 18 × Ēϖ4 (5.8)
sendo Ēϖ4 o valor médio da energia dos coeficientes wavelet na 4a escala.
5.6 Resumo
Apresentou-se neste capítulo a metodologia utilizada para o levantamento das carac-
terísticas do sinal ECG com base nos coeficientes da TWDR, sendo utilizados seis níveis
de resolução, bem como dos valores das energias dos coeficientes. Além de métodos
para detectar possíveis arritmias cardíacas: bardicardia e taquicardia supraventriculares,
e contração ventricular prematura. Foi utilizado como sinal de referência ECG os coefici-
entes de aproximação na primeira escala, pois apresentam comportamento semelhante ao
sinal original. Foram utilizados os coeficientes wavelet na terceira, quarta, quinta e sexta
escalas, para a detecção das ondas P, T e do complexo QRS. Para análise de bradicardia
e taquicardia foram utilizadas características do sinal com base em seus coeficientes de
aproximação e wavelet. já para análise do PVC foram utilizadas as energias dos coefici-
entes wavelet na 4a , 5a e 6a escalas. O algoritmo de detecção foi implementado com base
nas singularidades do sinal ECG e utilizando métodos threshold adaptativos. Foi feito um
estudo acerca das famílias wavelets Daubechies, Coiflets e Symlets e suas respectivas wa-
velets mães db(2), db(4), db(6), db(8), db(10), db(12), coif(6), coif(12) e coif(18), sym(4),
sym(6), sym(8) e sym(10), a fim de encontrar àquela que apresenta o melhor tratamento
para sinais de eletrocardiograma. Concluiu-se que a família Daubechies apresenta as me-
lhores características matemáticas para análise de sinais ECG, em particular a db(4). Os
parâmetros utilizados para avaliar o desempenho do algoritmo são a Sensibilidade (Se ) e
a Preditividade Positiva (P+ ).
Capítulo 6
Resultados e Discussões
Neste capítulo serão apresentados os resultados obtidos com o sistema proposto para
a análise das características do sinal ECG. O algoritmo foi validado utilizando um banco
de dados do MIT de sinais cardíacos com distúrbios causados por arritmias. Serão apre-
sentados os resultados com os métodos propostos para validação de bradicardia e taqui-
cardia supraventriculares, e contração ventricular prematura. Também serão apresentados
os resultados da extração das características do sinal sinal de ECG utilizando a TWDR
implementada com a db(2) e com a db(4).
6.1 Análise do Sinal ECG

A análise do sinal de ECG é feita utilizando a Transformada Wavelet Discreta Redun-
dante, sendo esta implementada de forma recursiva (análise em tempo real), conforme
apresentado no Capítulo 5. A TWDR decompõe o sina de ECG em seus coeficientes de
aproximação e wavelet, com base nos quais são extraídas as características do sinal, ou
melhor, suas singularidades.
Os coeficientes são resultados de uma filtragem digital do sinal. Os coeficientes de
aproximação resultam de um filtro passa-baixa e os coeficientes wavelet resultam de um
filtro passa-alta. Os coeficientes de aproximação apresentam comportamento semelhante
ao do sinal original, especialmente na primeira escala (nível de resolução), sendo real-
mente uma aproximação deste. Os coeficientes wavelet apresentam o comportamento
variante do sinal ECG, caso o sinal não apresentasse variações, os coeficientes wavelet
seriam zero (idealmente).
Além das singularidades do sinal ECG extraídas com a TWDR, a energia dos co-
eficientes wavelet também é utilizada para análise do sinal. Conforme apresentado no
Capítulo 3, a energia do complexo QRS corresponde à maior parcela de energia do sinal
ECG, sendo de fácil identificação a sua localização. Como visto no Capítulo 5 a primeira
análise a ser feita no sinal ECG é a distribuição das energias do sinal ECG nas escalas
CAPÍTULO 6. RESULTADOS E DISCUSSÕES 95
wavelet, e então selecionar as escalas para processamento do sinal. As Figuras 6.1, 6.2 e
6.3 apresentam a análise TWDR, utilizando a db(2), para diferentes gravações de ECG do
banco de dados MIT-BIH Arrhythmia Database. Essas gravações foram propositadamente
selecionadas devido à algumas ocorrências clínicas interessantes, como serão discutidas
a seguir.
A Figura 6.1 apresenta a análise wavelet do sinal ECG 100 (MIT-BIH Arrhythmia
Database). Essa gravação é oriunda de um paciente do sexo masculino, com 69 anos
de idade, apresentando comportamento rítmico normal, contudo com ocorrências de con-
trações ventriculares (PVC) e auriculares (APC, do inglês Atrial Premature Complexes)
prematuras. A origem do ectópico é supraventricular, e o paciente faz uso de dois medi-
camentos: Aldomet, Inderal. Na Figura são apresentados o sinal original, os coeficientes
de aproximação (na 1a escala) e wavelets, bem como a energia dos coeficientes wavelet
em todos os níveis de resolução da TWDR.
Na Figura 6.1a é apresentado o sinal original (em azul) e os coeficientes de aproxi-
mação (em vermelho) no primeiro nível de resolução (S1 ), onde pode-se verificar que o
comportamento dos coeficientes de aproximação é semelhante ao do sinal original, apre-
sentando um atraso da ordem de 2 j , sendo j o nível de resolução — neste trabalho são
utilizados os coeficientes de aproximação para a análise, já que o mesmo apresenta com-
portamento semelhante ao original, e por se tratar de um resultado de um filtro passa-
baixa, conforme Capítulo 4, os ruídos de alta frequência são atenuados. Pode-se observar
que o sinal apresenta um ruído de linha de base, contudo as ondas P, complexo QRS e T
são bem definidas.
Na Figura 6.1b tem-se os coeficientes wavelet do sinal ECG 100 nas seis escalas de
resolução. Observa-se que os maiores picos de variação acontecem durante a ocorrência
do complexo QRS, uma vez que estes coeficientes variam conforme a variação do sinal
original, e quanto maior for a variação deste maior será a amplitude dos coeficientes: no
instante de tempo 39,8 s observa-se a ocorrência do complexo QRS na 3a escala, e logo
em seguida observa-se sua ocorrência na 4a escala, e assim sucessivamente. As maiores
variações estão na 3a e 4a escalas, principalmente na 4 a escala, e nas escalas seguintes as
amplitudes das variações relativas ao complexo vão diminuindo, como pode-se observar
na 5a escala (intervalo 39,8 – 40 s), e na 6a escala (intervalo 40 – 40,2 s).
Através dos coeficientes wavelet nas primeiras escalas (ω1 e ω2 ) é quase impossível
observar (com detalhes) o comportamento das ondas P e T, somente do complexo QRS,
uma vez que, conforme Figura 3.14 e Tabela 5.1, a maior parcela de energia das ondas P e
T se encontram nas faixas correspondentes às escala 4 (quatro), 5 (cinco) e 6 (seis), prin-
cipalmente nas duas últimas escalas. No intervalo 40 – 40,4 s dos coeficientes na quinta
escala (ω5 ) é possível verificar o comportamento da onda T e no intervalo 40,4 – 40,6 s da
mesma escala tem-se o comportamento da onda P. Na sexta escala o comportamento das

ondas P e T é melhor verificado: no intervalo 40,2 – 40,6 s pode-se observar as variações
comportamentais da onda T e no intervalo 40,6 – 40,8 o comportamento da onda P.
As energias dos coeficientes wavelet do sinal ECG 100 são apresentadas na Figura
6.1c. Pode-se observar que a faixa de frequência que apresenta os maiores valores de
energia corresponde à 4a escala (ω4 ), onde se encontra a maior parcela de energia do
complexo QRS. A energia do complexo é observada em todas as escalas, e a energia das
ondas P e T são observadas mais facilmente nas escalas 5 e 6, e uma pequena parcela na
4a escala. Esses resultados comprovam o comportamento espectral do sinal ECG apre-
sentado na Figura 3.14. O início e o final da variação da energia implica no início e no
final do processo de geração das ondas do sinal ECG, respectivamente. Sendo assim, com
base nas energias pode-se aferir o início (onset) e o final (offset) de cada onda do sinal
ECG.
Assim, combinando os resultados das energias dos coeficientes wavelet e dos coefici-
entes de aproximação e wavelet pode-se levantar o comportamento do sinal ECG. Cada
cruzamento por zero dos coeficientes wavelet corresponde a um valor de máximo ou de
mínimo do sinal, como pode ser verificado nas figuras. Verifica-se também que quanto
mais distante a escala maior o atraso, uma vez que o atraso está relacionado com o nível
de resolução.
Figura 6.1: Análise wavelet do sinal ECG 100 do (MIT-BIH Arrhythmia Database): (a)
Sinal ECG e coeficientes escala (b) Coeficientes wavelet (c) Energia dos coeficientes wa-
velet.
1300
ECG
S1
1250
1200
1150
Amplitude [mV]
1100
1050
1000
950
900
39 39.2 39.4 39.6 39.8 40 40.2 40.4 40.6 40.8 41
Tempo [s]
(a)
150
ω1
ω2
ω3
100
ω4
ω5
ω6
Amplitude [mV]
50
-50
-100
39 39.2 39.4 39.6 39.8 40 40.2 40.4 40.6 40.8 41
Tempo [s]
(b)
4500
ω1
4000 ω2
ω3
3500
ω4
3000 ω5
ω6
Energia
2500
2000
1500
1000
500
-500
39 39.2 39.4 39.6 39.8 40 40.2 40.4 40.6 40.8 41
Tempo [s]
(c )

A Figura 6.2 apresenta a análise TWDR do sinal ECG 101 (MIT-BIH Arrhythmia
Database). Essa gravação é oriunda de um paciente do sexo feminino, com 75 anos de
idade, apresentando comportamento rítmico normal — embora em alguns períodos apre-
sente batimento cardíaco inferior a 60 bat/min —, contudo com ocorrências de contrações
auriculares prematuras e com a presença de ruídos e artefatos. O ectópico é de origem
supraventricular, e a paciente faz uso do medicamento Diapres. Na Figura são apresenta-
dos o sinal original, os coeficientes de aproximação (na 1a escala) e wavelets, bem como
a energia dos coeficientes wavelet em todos os níveis de resolução da TWDR.
comportamento dos coeficientes de aproximação é semelhante ao do sinal original, como
já discutido anteriormente (Capítulo 4). O sinal apresenta ondas bem definidas, porém o
co,plexo QRS apresenta uma morfologia diferente da tradicional, contudo isso não im-
plica necessariamente em uma patologia. A onda T também apresenta a amplitude um
pouco elevada, se comparada ao sinal ECG da Figura 6.1a. Isso pode ser um indicativo
de um começo de infarto do miocárdio, porém outros parâmetros devem ser analisados.
Na Figura 6.2b tem-se os coeficientes wavelet do sinal ECG 101 nos seis níveis de
resolução. O complexo QRS aprece com mais evidência na terceira e quarta escalas, apre-
sentando as maiores variações nesta. Isso implica que a maior parcela de energia do com-
plexo QRS pode ser aferida na quarta escala. Os coeficientes wavelet do sinal atingem seu
máximo na quarta escala, reduzindo seu valor nas escalas subsequentes. Comparando-se
com o sinal ECG 100, os valores de amplitude desse sinal são bem maiores, implicando
em coeficientes com valores também superiores. Também é importante salientar que o
complexo QRS apresenta um comportamento bem destacado na quinta escala, contri-
buindo com uma grande parcela de energia para o espaço espectral do complexo QRS.
Encontrado o comportamento do complexo QRS, as variações que o antecedem cor-
respondem 0 onda P, e as variações sucedem correspondem ao comportamento da onda T.
A onda T está bem evidente nas escalas cinco e seis, principalmente na escala seis, como
pode-se observar no intervalo 24,5 – 25 s, logo apos a ocorrência do complexo QRS.
Vale salientar que esse aumento de amplitude implicara numa maior parcela de energia
espectar da onda T nas escalas cinco e seis. Semelhantemente, o comportamento da onda
P pode ser verificado com maiores detalhes nas escalas cinco e seis. No intervalo 25 –
25,25 s pode-se observar as variações da onda P, que antecede o complexo QRS.
A energia dos coeficientes wavelet do sinal ECG 101 està mostrada na Figura 6.2c.
Inicialmente, apenas com base nos coeficientes wavelet pode-se imaginar que a maior
parcela de energia estaria contida na quarta escala, devido esta apresentar as maiores
amplitudes dos coeficientes. Contudo, neste caso, devido à elevação da amplitude da onda
T, a maior parcela de energia está situada na quinta escala. A influência da onda T pode
ser melhor verificada comparando-se estes resultados com os obtidos para o sinal ECG
100 (Figura 6.1c), podendo ser observada uma concentração maior de energia quando da
ocorrência da onda T.
velet.
1350
ECG
S1
1300
1250
1200
Amplitude [mV]
1150
1100
1050
1000
950
900
23 23.5 24 24.5 25 25.5 26
Tempo [s]
(a)
150
ω1
ω2
100 ω3
ω4
ω5
50 ω6
Amplitude [mV]
-50
-100
-150
23 23.5 24 24.5 25 25.5 26
Tempo [s]
(b)
6000
ω1
ω2
5000 ω3
ω4
ω5
4000 ω6
Energia
3000
2000
1000
0
23 23.5 24 24.5 25 25.5 26
Tempo [s]
(c )

A Figura 6.3 apresenta a análise da TWDR para o sinal ECG 230 (MIT-BIH Arrhyth-
mia Database). Essa gravação é oriunda de um paciente do sexo masculino, com 32 anos
de idade, apresentando comportamento rítmico normal — embora a regularidade dos ren-
dimentos oscilem bastante entre os limites considerados normais —, e a ocorrência de
PVC. Esse paciente apresenta um tipo de arritmia conhecida como síndrome de Wolff-
Parkinson-White (WPM) — essa arritmia é um tipo de taquicardia, sendo mais comum
em bebês, crianças e jovens, e pode apresentar risco quando o paciente submete-se a es-
forços físicos excessivos, podendo levar à morte súbita. A origem do estímulo ectópico é
ventricular e o paciente faz uso do medicamento Dilantin.
comportamento dos coeficientes de aproximação é semelhante ao do sinal original, con-
forme descrito anteriormente (Capítulo 4). Na Figura, destaca-se o aparecimento da onda
delta, um indicativo de WPM, que é caracterizada por uma pré-excitação do estímulo car-
díaco, modificando o comportamento do intervalo PR e do complexo QRS, resultando em
uma onda chamada onda delta, devido ao formato semelhante à letra grega ∆. Observa-se
também que ocorre elevação do sinal à cada ocorrência do complexo QRS: isso deve-se à
pré-excitação do estímulo causada pela síndrome.
Na Figura 6.3b tem-se os coeficientes wavelet do sinal ECG 230 nas seis escalas de
resolução. Observa-se que o comportamento destes é bastante distinto dos verificados
anteriormente para os sinais ECG 100 e 101. As singularidades do complexo QRS são
mais evidentes nas escalas quatro, cinco e seis, principalmente nas duas primeiras, como
pode-se observar entre os instantes 25,8 – 26 s e 26 – 26,2 s. Da mesma forma que
os coeficientes de aproximação, a amplitude dos coeficientes wavelet vai aumentando
devido a pré-excitação do estímulo. Sendo assim, a propagação do estímulo ocorre de
forma caótica, não resultando em um sinal ECG com ondas P e T bem definidas.
As ondas P e T podem ser observadas nas três últimas escalas, mais notadamente na
quinta e sexta escalas, porém não tão facilmente se comprado aos sinais analisados anteri-
ormente. Na quinta escala, no intervalo 25,4 – 25,6 s, pode-se observar o comportamento
da onda T em termos dos coeficientes wavelet, assim como o comportamento da onda P
durante o intervalo 25,6 – 25,6 s. Na sexta escala, a onda T não é tão evidente, contudo o
comportamento pode ser avaliado no intervalo 26,2 – 26,4 s. Já a onda as singularidades
da P podem ser melhor observadas, como por exemplo no intervalo 26,4 – 26,6 s.
Assim, é esperado que as energias dos coeficientes wavelet apresentem valores mai-
ores na 4a e 5a escalas, uma vez que as amplitudes dos coeficientes são mais expoentes
nestas escalas. Com base na Figura 6.3c é possível verificar a distribuição das energias
dos coeficientes wavelet nos seis níveis de resolução e comprovar que, realmente, as es-
calas 4 (quatro) e cinco (5) apresentam os maiores valores de energia. Também vale
destacar aue a terceira maior parcela de energia do sinal sinal ECG se encontra na sexta
escala. Percebe-se claramente o incremento da energia com o passar do tempo devido à
pré-excitação. E com base na energia do sinal pode-se aferir o inicio e o fim do complexo
QRS, contudo para as ondas P e T não são tão evidentes para esse caso.
velet.
1600
ECG
S1
1500
1400
1300
Amplitude [mV]
1200
Onda Delta
1100
1000
900
800
700
25 25.2 25.4 25.6 25.8 26 26.2 26.4 26.6 26.8 27
Tempo [s]
(a)
300
ω1
250 ω2
ω3
200
ω4
150 ω5
ω6
Amplitude [mV]
100
50
-50
-100
-150
-200
25 25.2 25.4 25.6 25.8 26 26.2 26.4 26.6 26.8 27
Tempo [s]
(b)
18000
ω1
16000 ω2
ω3
14000 ω4
ω5
12000 ω6
Energia
10000
8000
6000
4000
2000
0
25 25.2 25.4 25.6 25.8 26 26.2 26.4 26.6 26.8 27
Tempo [s]
(c )

Então, através dos coeficientes wavelet e da energia destes coeficientes detectam-se

as características do sinal ECG. O método utilizado para a detecção é baseado em th-
resholds, sendo definidos cinco thresholds baseados nos módulos máximos/mínimos dos
coeficientes wavelet dos quatro últimos níveis de resolução (3a , 4a , 5a e 6a escalas), con-
forme Capítulo 5. A Figura 6.4 ilustra a detecção das ondas P, QRS e T do sinal ECG 100
utilizando o algoritmo proposto. Então, com base nesses dados pode-se proceder com a
validação de dados cardíacos à partir de gravações de eletrocardiogramas.
Figura 6.4: Resultado da detecção do complexo QRS e das ondas P e T utilizando a

TWDR para análise do sinal ECG 100.
250
s1
200 Pp
Qp
Amplitude (mV)
150 Rp
100 Tp
Sp
50
-50
7.8 8 8.2 8.4 8.6 8.8 9 9.2 9.4 9.6 9.8
Tempo (s)
Devido às discussões acerca da melhor wavelet mãe a ser utilizada para análise de
sinais de ECG, neste trabalho é feita uma comparação entre a db(2) e a db(4), ambas da
família Daubechies. A escolha destas wavelets mães é devido aos resultados encontrados
no estudo efetuado no Capítulo 5 entre o desvio padrão dos coeficientes escala em relação
ao sinal original(Figura 5.2), os quais apontaram para a db(4), e resultados apresentados
em diversos artigos, os quais afirma que a db(4) apresenta as melhores características
comportamentais para análise de ECG. A escolha da utilização da db(2) é devido a mesma
resultar em um modelo de mais simples implementação prática.
Para validação do algoritmo foram utilizadas 39 gravações do banco de dados MIT-
BIH Arrhythmia Database — embora este apresente 48 gravações, devido à sensibilidade
do algoritmo proposto para com outros problemas, como ruídos externos e/ou outras pa-
tologias, algumas gravações foram descartadas, pois não apresentaram resultados satisfa-
tórios para a análise com o algoritmo implementado—. Na Tabela 6.1 estão mostrados os
resultados obtidos utilizando a wavelet mãe db(2), onde FP equivale aos Falsos Positivos
e FN aos Falsos Negativos. Com base na Tabela pode-se observar que houveram 493
falsos positivos e 542 falsos negativos, resultando em Se = 99, 51 % e P+ = 99, 55 %.
Tabela 6.1: Resultado da avaliação em tempo real do algoritmo de detecção das caracte-
rísticas do sinal ECG utilizando a TWDR, wavelet mãe db(2), aplicada ao banco de dados
MIT-BIH Arrhythmia Database.
SINAL TOTAL TOTAL TOTAL
FP FN
ECG BATIMENTOS FALHAS FALHAS (%)
100 2273 0 0 0 0
101 1865 0 0 0 0
102 2187 112 28 140 6,40
103 2084 0 0 0 0
104 2229 26 0 26 1,17
105 2572 59 21 71 2,76
106 2027 4 17 21 1,04
109 2532 0 0 0 0
111 2124 22 7 29 1,37
112 2539 0 0 0 0
114 1879 36 91 127 6,76
115 1953 0 0 0 0
116 2412 4 23 27 1,12
117 1535 48 56 104 6,78
119 1987 0 0 0 0
121 1863 0 0 0 0
122 2476 0 0 0 0
123 1518 0 0 0 0
124 1619 0 0 0 0
201 2000 77 27 104 5,20
202 2136 0 0 0 0
205 2656 0 11 11 0,41
208 2955 2 15 17 0,58
209 3005 0 0 0 0
210 2650 7 11 18 0,68
212 2748 0 0 0 0
213 3251 0 0 0 0
214 2262 0 13 13 0,57
215 3363 2 11 13 0,39
217 2208 27 9 36 1,63
220 2048 0 0 0 0
221 2427 0 0 0 0
222 2483 41 93 134 5,40
223 2605 0 11 11 0,42
230 2256 0 0 0 0
231 1573 0 0 0 0
232 1780 33 86 119 6,69
233 3079 2 12 14 0,45
234 2753 0 0 0 0
39 89912 493 542 1035 1,15

A Tabela 6.2 apresenta os resultados da análise utilizando a wavelet mãe db(4). Neste
caso, o algoritmo detectou 393 falsos positivos e 880 falsos negativos, resultando em Se =
99, 20 e P+ = 99, 64. Comparando-se os resultados obtidos com as duas implementações,
tem-se que os valores são bem próximos, e em ambos os casos os dois obtiveram Se e P+
acima de 90%, comprovando que o algoritmo proposto apresenta robustez e confiabilidade
para análise de sinais cardíacos.
Foi observado também que os resultados com a db(2) apresentam uma sensibilidade
maior que a db(4), em contrapartida a preditividade positiva apresenta um valor menor
que com a db(4). Então, tem-se, de certa forma uma questão de trade-off , ou melhor,
uma questão de compromisso com o que deseja na análise do algoritmo. Então, um
dos possíveis motivos que expliquem o uso da db(4) em diversos trabalhos pode ser a
preocupação por valores elevados de preditividade positiva em relação à sensibilidade,
ou melhor, o algoritmo detectar uma maior quantidade de falsos positivos do que falsos
negativos.
Pode-se observar, em ambos os casos, que algumas detecções apresentam erros dema-
siadamente alto (acima de 5 %). Isto deve-se às gravações apresentarem diversos acon-
tecimentos clínicos, sejam eles de origem intra ou extracorpórea, que são sensíveis ao
algoritmo, como por exemplo a influência de marcapasso, artefatos, ruídos de linha de
base elevados, ruídos externos, bloqueios de ramo, entre outras anotações clínicas.
Outro inconveniente para a implementação de algoritmos de análise de sinais de ECG
é o grande número de morfologias que este apresenta, além de uma diversidade de pa-
tologias clínicas que podem ser verificadas com base no ECG. Sendo assim, a detecção
robusta e confiável é de suma importância em algoritmos dessa natureza, principalmente
se esses resultados forem utilizados para validação de dados clínicos.
No algoritmo proposto, em muitos dos casos de FN ou FP detectados, na realidade
eram possíveis ondas patológicas, ou ruídos de natureza externa (ou mesmo interna, como
muscular). Contudo, os resultados foram satisfatórios, se comparados aos encontrados em
muitos trabalhos, como os descritos no Capítulo 2. Assim, com base nas características
detectadas pelo algoritmo, pode-se validar dados clínicos à partir da análise do ECG,
como detecção de arritmias cardíacas, infarto do miocárdio, entre outras patologias.
Tabela 6.2: Resultado da avaliação em tempo real do algoritmo de detecção das caracte-
rísticas do sinal ECG utilizando a TWDR, wavelet mãe db(4), aplicada ao banco de dados
MIT-BIH Arrhythmia Database.
FP FN
ECG BATIMENTOS FALHAS FALHAS (%)
100 2273 0 0 0 0
101 1865 0 0 0 0
102 2187 39 5 44 2,01
103 2084 2 11 13 0,62
104 2229 12 54 66 2,96
105 2572 28 94 122 4,74
106 2027 5 27 32 1,58
109 2532 0 13 13 0,51
111 2124 0 12 0 0,56
112 2539 0 0 0 0
113 1795 9 6 15 0,84
114 1879 32 88 120 6,39
115 1953 0 0 0 0
116 2412 8 19 27 1,12
117 1535 22 55 77 5,02
119 1987 0 0 0 0
121 1863 0 0 0 0
122 2476 0 0 0 0
123 1518 0 0 0 0
124 1619 0 0 0 0
201 2000 34 37 71 3,55
202 2136 0 13 13 0,61
205 2656 0 0 0 0
208 2955 3 15 18 0,61
209 3005 0 0 0 0
210 2650 2 31 33 1,25
212 2748 0 0 0 0
213 3251 4 24 28 0,86
214 2262 4 9 13 0,57
215 3363 2 15 17 0,51
220 2048 0 0 0 0
221 2427 3 12 15 0,62
222 2483 40 93 133 5,36
228 2053 26 107 133 6,48
230 2256 0 0 0 0
231 1573 0 0 0 0
232 1780 12 107 119 6,69
233 3079 106 22 128 4,16
234 2753 0 11 11 0,40
39 88947 393 880 1273 1,43

Então, se comprado com outros trabalho, o sistema proposto apresenta resultados sa-
tisfatórios e simples implementação prática, tanto utilizando a db(2) (Se = 99, 51 % e
P+ = 99, 55 %) quanto a db(4) (Se = 99, 20 % e P+ = 99, 64 %). Assim o sistema pode
ser implementado em diversas plataformas, seja hardware ou software, uma vez que o
modelo matemático do sistema trata-se de uma equação de diferenças, apresentando um
somatório de produtos em função da ordem do filtro e da quantidade de amostras do sinal
em análise. Abaixo, na Tabela 6.3, estão apresentados alguns trabalhos recentes impor-
tantes, e seus respectivos resultados. Todos eles apresentaram desempenhos superiores a
99 %, contudo todas as análises foram offline. O sistema proposto também apresentou
desempenho superior a 99 %, contudo com uma abordagem em tempo-real (online), além
de apresentar um algoritmo de fácil implementação.
Tabela 6.3: Comparação do sistema proposto com trabalhos de aplicação semelhante

ANÁLISE RESULTADO
REFERÊNCIA TÉCNICA EMPREGADA
online offline Se P+
√
SISTEMA PROPOSTO TWDR √- 99,51 99,55
Martinez et al. (2004) TWD - √ 99,66 99,56
Legarreta et al. (2005) TWC - √ 99,70 99,68
Andreao, Dorizzi e Boudy (2006) HMM - √ 99,79 99,96
Ghaffari, Golbayani e Ghasemi (2008) TWC - √ 99,91 99,72
Mukhopadhyay, Mitra e Mitra (2011) Hilbert - √ 99,81 99,93
Martis, Acharya e Min (2013) RNA - 99,97 99,21
6.2 Análise de Patologias Cardíacas

A análise do sinal de eletrocardiograma (ECG) possibilita a detecção de inúmeras
patologias cardíacas, sendo uma ferramenta fundamental para a análise comportamental
do coração. As características fundamentais para avaliação do ECG são as amplitudes e
durações das ondas P, QRS e T, com base nas quais pode-se aferir determinadas patologias
clínicas. Neste trabalho, o algoritmo proposto foi utilizado como uma ferramenta de
validação de dados médicos para análise de bradicardia e taquicardia supraventriculares,
e para a detecção da ocorrência de PVC.
6.2.1 Bradicardia e Taquicardia Supraventiculares

As arritimias cardíacas são caracterizadas pela variação da frequeência cardíaca. Va-
lores considerados normais estão na faixa de 60 – 100 bat/min, contudo durante o sono
esses batimentos podem cair para uma frequência da ordem de 50 bat/min. Essa frequên-
cia pode ser aferida com base na quantidade de ciclos R (intervalo RR) ou P (intervalos
PP) do sinal ECG. Normalmente, utiliza-se os intervalos RR por apresentarem um com-
portamento dominante no sinal, sendo mais fáceis de identificar. Na Subseção 5.5.1 foi
apresentado um algoritmo para aferição de bradicardia e taquicardia supraventriculares
(Figura 5.4). A Tabela 6.4 apresenta os resultados do sistema de validação para algumas
gravações do MIT-BIH Arrhythmia Database. Foi utilizada a TWDR com a wavelet mãe
db(2).
Tabela 6.4: Validação de gravações do banco de dados MIT-BIH Arrhythmia Database,

utilizando a TWDR, wavelet mãe db(2).
GRAVAÇÃO FREQUÊNCIA CARDÍACA (Mínima – Máxima)
100 73 – 80
101 59 – 72
103 66 – 72
106 57 – 82
109 81 – 91
111 67 – 80
113 59 – 77
121 57 – 84
122 77 – 93
123 49 – 54
202 52 – 118
205 81 – 91
208 90 – 107
209 93 – 124
210 76 – 100
212 85 – 100
221 71 – 89
230 65 – 87
234 89 – 101

6.2.2 Contração Ventricular Prematura

A Contração Ventricular Prematura (PVC) é um batimento ectópico de origem ven-
tricular ou supraventricular. É um dos tipo mais comuns de arritmia, não apresentando
significância clínica caso o indivíduo não apresente nenhuma doença cardíaca. Contudo,
é bem comum quando o indivíduo apresenta alguma patologia, como isquemia, hipoxia,
entre outras, representando um perigo constante de taquicardia ou fibrilação ventricu-
lar, podendo levar à morte súbita (NATALE, 2007), (MORRIS; BRADY; CAMM, 2009),
(MANN et al., 2014).
A Figura 6.5 apresenta um intervalo da gravação 100 (MIT-BIH Arrhythmia Database)
— — como apresentando anteriormente, essa gravação é oriunda de um paciente do sexo
masculino, com 69 anos de idade, com comportamento rítmico normal, com ocorrências
de PVC e APC, sendo o ectópico de origem do supraventricular, e o paciente faz uso de
dois medicamentos: Aldomet, Inderal. Com base na Figura 6.5, pode-se observar que no
intervalo 18 – 19 s ocorre um PVC, cujo comportamento característico é totalmente dis-
tinto do sinal ECG, apresentando somente uma espécie de complexo QRS com amplitude
elevada, e não sendo precedido por uma onda P. Observa-se também que a ocorrência do
PVC impõe um atraso na ocorrência do próximo ciclo cardíaco, a chamada pausa com-
pensatória, conforme discutido no Capítulo 3.
Figura 6.5: Sinal ECG 100 (MIT-BIH Arrhythmia Database): detalhe da ocorrência de
um PVC.
1300
PVC
1200
1100
Amplitude [mV]
1000
900
800
700
600
500
400
16 17 18 19 20 21 22
Tempo [s]
A Figura 6.6 mostra os coeficientes wavelet da gravação 100 referentes ao intervalo

apresentando na Figura 6.5. As maiores variações são observadas nas escalas 3 e 4, con-
tudo durante a ocorrência do PVC as maiores variações são observadas na 4a , 5a e 6a
escalas, destacando-se os coeficientes na 5a escala (intervalo 18 –19 s). Então, observa-se

que o PVC apresenta uma maior parcela de energia, segundo seus coeficientes wavelet,
na 5a escala. Assim, a detecção de PVC pose ser feita com base nos coeficientes wavelet,
contudo, neste trabalho a detecção é feita com base na energia dos coeficientes wavelet.
Figura 6.6: Coeficientes wavelet nos seis níveis de resolução do sinal ECG 100 (MIT-BIH
Arrhythmia Database): detalhe da ocorrência de um PVC.
PVC ω1
150 ω2
ω3
100 ω4
ω5
Amplitude [mV]
50 ω6
0
-50
-100
-150
-200
17.5 18 18.5 19 19.5
Tempo [s]
Na Figura 6.7 são apresentadas as energias dos coeficientes wavelet nos seis níveis
de resolução. Pode-se verificar que a maior parcela de energia se encontra na 5a escala.
Fica claro, que através da energia dos coeficientes wavelet é fácil detectar a ocorrência
de PVC. Contudo, existem outros acontecimentos que podem resultar em comportamento
semelhante ao PVC, como a ocorrência de algum artefato, por exemplo. Então, pode-se
observar que os maiores valores de energia estão compreendidos entre o intervalo 18 – 19
s.
Figura 6.7: Energia dos coeficientes wavelet nos seis níveis de resolução do sinal ECG
100 (MIT-BIH Arrhythmia Database): detalhe da ocorrência de um PVC.
4
x 10
2.5
ω1
ω2
2 ω3
ω4
ω5
1.5 ω6
Energia
0.5
0
17.5 18 18.5 19 19.5 20
Tempo [s]
A Figura 6.8 apresenta a análise do sinal ECG 102 do MIT-BIH Arrhythmia Database.
Essa gravação é oriunda de um paciente do sexo feminino, com 84 anos de idade, com
comportamento rítmico normal, contudo regulado por um marcapasso. Existem ocorrên-
cias de PVC, sendo o ectópico de origem do ventricular, e o paciente faz uso do medi-
camento Digoxin. Observa-se que existe uma mudança no comportamento do sinal ECG
após a ocorrência do PVC (Figura 6.8a). Isto deve-se ao fato de da ação do marcapasso,
então após o PVC o ritmo foi controlado pelo mesmo. Esse é um dos casos onde a ocor-
rência de um PVC é extremamente perigosa, podendo resultar em uma taquicardia ou
fibrilação ventricular, levando, talvez, à morte súbita.
A Figura 6.8b mostra a energia dos coeficientes wavelet do sinal ECG 102 durante o
intervalo em que acontece o PVC. Observe-se que a maior parcela de energia está con-
centrada na 6a escala. Vale salientar, que as variações na energia são mais expressivas
na 5a e 6a escalas de resolução. Vale salientar que neste caso a origem do estímulo ectó-
pico é ventricular, o que resultou em um comportamento distinto do PVC se comparado
com a gravação anterior (ECG 100). Então, a análise de energia do PVC pode ser uma
ferramenta de auxílio para a aferição da localização do estímulo ectópico.
Figura 6.8: Análise do sinal ECG 102 (MIT-BIH Arrhythmia Database): (a) Detalhe da
ocorrência de um PVC (b) Energia dos coeficientes wavelet nos seis níveis de resolução.
1200
PVC
1100
Amplitude [mV]
1000
900
800
700
32 32.5 33 33.5 34 34.5 35 35.5 36
Tempo [s]
(a)
6000
ω1
5000 ω2
ω3
ω4
4000 ω5
ω6
Energia
3000
2000
1000
0
32.5 33 33.5 34 34.5 35 35.5 36
Tempo [s]
(b)
A Tabela 6.5 apresenta os resultados obtidos do algoritmo proposto para análise de

PVC (Subseção 5.5.2). Foram utilizadas 36 gravações do banco de dados do MIT (MIT-
BIH Arrhythmia Database), embora esse banco apresente 48 gravações, devido à sensi-
bilidade do algoritmo para outros problemas, como ruídos externos ou outras patologias,
não apresentando resultado satisfatório para a análise com o algoritmo. Foi utilizada a
wavelet mãe db(2) para a análise, devido esta apresentar valores próximos de sensibi-
lidade e preditividade positiva. Assim, o algoritmo resultou em um desempenho com
Se = 99, 18% e P+ = 99, 15%, se mostrando bastante eficaz na detecção de PVC.
Tabela 6.5: Resultado da avaliação do algoritmo de validação de PVC, aplicado ao banco

de dados MIT-BIH Arrhythmia Database.
FP FN
ECG PVC FALHAS FALHAS (%)
100 1 0 0 0 0
101 1 0 0 0 0
102 4 0 5 44 0
103 0 0 0 0 0
105 41 0 5 5 12,20
106 520 0 0 0 0
107 59 8 2 0 16,95
108 17 0 0 0 0
109 38 0 0 0 0
111 1 0 0 0 0
112 0 0 0 0 0
113 0 0 0 0 0
114 43 4 0 4 9,30
115 0 0 0 0 0
116 109 1 9 10 9,17
117 0 0 0 0 0
119 444 4 16 20 4,50
121 1 0 1 1 100
122 0 0 0 0 0
123 3 0 0 0 0
124 47 9 0 9 19,15
202 19 0 2 2 10,53
205 82 8 3 11 13,41
209 1 1 0 1 100
210 194 5 2 7 3,61
212 0 1 0 1 100
213 220 0 0 0 0
215 164 0 0 0 0
217 162 3 7 10 6,17
220 0 0 0 0 0
221 396 6 1 7 1,77
223 473 0 0 0 0
228 362 0 0 0 0
230 1 0 0 0 0
231 2 0 0 0 0
234 3 0 0 0 0
36 3408 50 48 98 2,87

Embora o algoritmo tenha apresentado um erro elevado para alguns sinais, devido
estes apresentarem distúrbios bem expressivos, que em alguns casos se confundem com
um PVC, os resultados foram satisfatórios. Uma forma de tornar o algoritmo mais robusto
seria aumentando a ordem do filtro, já que a ordem do filtro reduz a sensibilidade do
algoritmo, conforme discutido anteriormente no Capítulo 5. Contudo, aumentando-se
a ordem do filtro, aumenta-se a complexidade de implementação do algoritmo, e nesse
trabalho é proposto um sistema rápido e de simples implementação.
6.3 Resumo
Neste capítulo foram apresentados os resultados obtidos com o algoritmo proposto.
Foi utilizados para a validação do algoritmo o banco de dados (MIT-BIH Arrhythmia
Database), o qual disponibiliza 48 gravações com diversas anotações clínicas acerca de
arritmias cardíacas. Através do algoritmo proposto, são extraídas as características do
sinal ECG, e com base nestas são efetuadas as validações de algumas arritmia cardíacas
(bradicardia, taquicardia e contração prematura do ventrículo) para validar todo o sistema.
É utilizada para análise do ECG a Transformada Wavelet Discreta Redundante (TWDR),
sendo implementada de forma discursiva (tempo-real). Foram utilizadas as wavelets mães
db(2) e db(4), ambas da família Daubechies, e os resultados apontaram que quanto menor
a quantidade de coeficientes da wavelet mãe utilizada, maior a Sensibilidade (Se ) do algo-
ritmo, em contrapartida, menor a Preditividade Positiva (P+ ). Então, na realidade existe
uma questão de trade-off (compromisso) para a escolha da wavelet mãe. Contudo, vale
salientar que quanto maior a ordem dos filtros wavelet, maior o tempo de processamento
computacional (numérico).
O algoritmo implementado utilizando a db(2) obteve uma Se = 99, 51 % e P+ = 99, 55
%, sendo 493 falsos positivos e 542 falsos negativos. No caso do algoritmo utilizando a
db(4), Se = 99, 20 % e P+ = 99, 64 %, sendo detectados 393 falsos positivos e 880 falsos
negativos. O atraso encontrado é da ordem de 2 j , sendo j o nível de resolução wavelet.
Então, de posse das características dos sinais de eletrocardiograma, foi implementado
um sistema para validação de dados clínicos baseados em gravações de ECG. Foram
analisadas as seguintes arritmias: bradicardia e taquicardia supraventricular, e contração
ventricular prematura (PVC). A taquicardia ocorre quando a frequência cardíaca é inferior
a 60 bat/min, já a taquicardia ocorre quando a frequência cardíaca está acima de 100
bat/min. Essa análise é feita com base na quantidade de intervalos RR durante um minuto,
os quais são detectados utilizando os coeficientes wavelet. No caso de PVC, estes são
analisados através da energia dos coeficientes wavelet nas 4a , 5a e 6a escalas de resolução.
Foi verificado que os níveis de energia dos coeficientes wavelet se elevam bastante durante
a ocorrência de um PVC, o que torna fácil a identificação a ocorrência de um batimento
ectópico. Os resultados obtidos com o sistema de validação de PVC foram Se = 99, 18 %
e P+ = 99, 15 %.
Capítulo 7
Conclusões e Trabalhos Futuros
7.1 Conclusões Gerais

Neste trabalho foi proposto um sistema para análise de sinais cardíacos aplicado à
telecardiologia. O Sistema é implementado utilizando a Transformada Wavelet Discreta
Redundante (TWDR) e métodos threshold para a extração das características do sinal de
eletrocardiograma (ECG). A TWDR é modelada utilizando uma abordagem recursiva (em
tempo real), visando uma rápida análise do sinal.
No Capítulo 2 foi apresentado o Estado da Arte acerca de algoritmos/soluções para a
análise de sinais cardíacos. Diversas ferramentas matemáticas são exploradas para a aná-
lise de sinais cardíacos, destacando-se filtros digitais, filtros adaptativos, Redes Neurais
Artificiais (RNA), Transformadas Wavelets (TW), Modelos de Markov, Transformada de
Hilbert, entre outras.
Alguns trabalhos propõem a utilização conjunta de ferramentas para análise, como
uma forma de aumentar a robustez do algoritmo, bem como melhorar a capacidade de
detecção de características do sinal cardíaco. Outro ponto que foi verificado no Estado da
Arte foi o tipo de processamento dos dados: online ou offline. Neste caso, a maioria das
soluções propostas foram para análise offline.
Foi verificado que, atualmente, existe uma tendência na utilização das Transformada
Wavelets para a análise de sinais de eletrocardiograma, contudo o processamento em
tempo real não é tão explorado, bem como a Transformada Wavelet proposta nesta tese, a
TWDR, que uma é versão redundante da Transformada Wavelet Discreta (TWD). A prin-
cipal vantagem da TWDR em relação à TWD é que aquela não apresenta o processo de
subamostragem por 2.
Neste trabalho foi utilizada uma abordagem recursiva da TWDR, para aplicação em
tempo real. Foram analisados representantes das famílias wavelets Daubechies (db(2),
db(4), db(6), db(8), db(10) e db(12)), Coiflets (coif(6), coif(12) e coif(18)) e Symlets
(sym(4), sym(6), sym(8) e sym(10)), com o intuito de avaliar a wavelet mãe que apre-
CAPÍTULO 7. CONCLUSÕES E TRABALHOS FUTUROS 118
senta as melhores características para o tratamento de sinais ECG. Foi verificado que a
família Daubechies apresenta os melhores resultados para análise de eletrocardiogramas,
em especial as wavelets mães db(2) e db(4).
A maioria dos trabalhos analisados afirmam que a db(4) apresenta os melhores resul-
tados para análise de sinais ECG. Contudo, a análise desempenhada para avaliação das
wavelets mães citadas, a db(2) apresentou resultados mais significativos que a db(2). En-
tão, com base neste resultados e nas discussões em torno da utilização da db(4), o sistema
proposto foi validado utilizando tanto a db(2) quanto a db(4).
A principal característica da Transformada Wavelet é a análise em multiresolução
na escala tempo-frequência, que permite a análise por janelas de tamanhos variados de
acordo com a precisão e a resolução desejada no projeto. Essa é grande vantagem da
utilização da TW, uma vez que o sinal ECG é um somatório de diversos sinais de frequên-
cias distintas, ou melhor, cada onda que compõe o sinal de eletrocardiograma (P, QRS
e T) apresenta uma determinada resposta em frequência. Sendo assim, uma análise em
tempo-frequência facilita a aferição das características (singularidades) do sinal ECG.
No sistema proposto foram utilizados seis níveis de resolução, sendo utilizada uma
taxa de amostragem de 350 Hz. Essa frequência de amostragem foi utilizada para facilitar
a análise do sinal ECG, conforme comportamento espectral descrito no Capítulo 3. Desse
modo, a energia do complexo QRS pode ser melhor verificada na 4a escala, a onda P na
5a escala, e a onda T na 5a e 6a escalas.
Para a validação do sistema proposto foram utilizadas gravações do banco de dados
MIT-BIH Arrhythmia Database, que apresenta 48 gravações com anotações clínicas re-
lacionadas à arrtimias. Os parâmetros utilizados para análise de desempenho foram a
Sensibilidade (Se ) e a Preditividade Positiva (P+ ): o primeiro indica a capacidade do al-
goritmo em detectar características verdadeiramente positivas, reais, já o segundo indica
a capacidade do algoritmo em detectar características positivas.
Esses parâmetros são calculados em relação à quantidade de detecções positivas, de
falsos positivos e falsos negativos. Em suma, quanto menor a quantidade de falsos nega-
tivos melhor a sensibilidade do algoritmo, e quanto menor o número de falsos positivos
melhor a preditividade positiva. O sistema utilizando a db(2) resultou em uma Sensibili-
dade de Se = 99, 51 e Preditividade Positiva P+ = 99, 55, já para o sistema utilizando a
db(4), Se = 99, 20 e P+ = 99, 64.
Foi observado que quanto menor a ordem do filtro wavelet melhor a Sensibilidade,
em contrapartida quanto maior a ordem do filtro melhor a Preditividade Positiva. Assim,
o que existe na realidade é uma questão de trade-off, ou melhor, de compromisso com o
que se deseja na análise dos sinais. Talvez, seja esse um dos motivos para a utilização da
db(4) por grande parte dos autores, visando uma melhor Preditividade Positiva.
CAPÍTULO 7. CONCLUSÕES E TRABALHOS FUTUROS 119
Então, analisado o desempenho do sistema proposto, o mesmo foi aplicado na valida-

ção de dados clínicos relativos à arritmias cardíacas. Foi implementado um sistema para
validação de bradicardia e taquicardia supraventriculares e Contração Ventricular Prema-
tura (PVC). O sistema de validação de bradicardia e taquicardia foi implementado com
base nos coeficientes wavelet do sinal, já a validação de PVC foi implementada utilizando
a energia dos coeficientes wavelet. Ambos os resultados foram satisfatórios, e no caso da
validação de PVC a Se = 99, 18 e P+ = 99, 15.
De um modo geral, os resultados obtidos mostraram que a TWDR é uma ferramenta
poderosa para análise em tempo real de sinais de eletrocardiograma, possibilitando uma
análise detalhada do comportamento do sinal cardíaco, caracterizando muito bem as sin-
gularidades do sinal, por mais que este apresente diversas morfologias. Os resultados ob-
tidos foram bem satisfatórios se comparados com resultado de outros algoritmos/métodos
propostos para a detecção das características do sinal ECG em tempo real, além do mais
o sistema resultante é de fácil implementação prática, podendo ser utilizado tanto em
plataformas de software ou hardware.
Em suma, o sistema proposto apresenta uma grande potencialidade de aplicação na
área da telecardiologia, especialmente no telediagnóstico eletrocardiográfico, auxiliando
profissionais da saúde no monitoramento de pacientes, bem como na validação de dados
clínicos oriundos de eletrocardiogramas. Embora o sistema tenha sido aplicado apenas na
validação de algumas arritmias, as singularidades do sinal ECG extraídas com o algoritmo
implementado podem ser utilizadas para validação de outras patologias, como detecção
de infarto agudo do miocárdio, por exemplo.
7.2 Trabalhos Futuros

Como continuidade deste trabalho diversos temas podem ser explorados, os quais po-
dem contribuir bastante para o meio científico, gerando novas discussões e contribuições
interessantes para a área da telessaúde/telemedicina, especialmente para a área da telecar-
diologia. São, então, sugeridas as seguintes propostas:
• Implementação em hardware do sistema proposto;

• Análise de outras patologias cardíacas, como por exemplo infarto agudo do miocár-
dio, fibrilação ventricular, isquemia;
• Aplicação da TWDR em outras áreas da telessaúde, como por exemplo, oftalmolo-
gia, radiologia, pneumologia.
Referências Bibliográficas
ADER, C. Sur un nouvel appareil enregistreur pour cables sousmarins. Compt. rend.
Acad. Sci. (Paris), v. 124, p. 1440–1442, 1897.
AHLSTROM, M. L.; TOMPKINS, W. J. Automated high-speed analysis of holter tapes

with microcomputers. Biomedical Engineering, IEEE Transactions on, BME-30, n. 10, p.
651–657, Oct 1983. ISSN 0018-9294.
AKAY, M. Nonlinear Biomedical Signal Processing: Fuzzy logic, neural networks, and
new algorithms. [S.l.]: Wiley-IEEE Press, 2000.
ALGHAMDI, B.; FOUCHAL, H. A mobile wireless body area network platform. Journal
of Computational Science, v. 5, n. 4, p. 664 – 674, 2014. ISSN 1877-7503. Disponível em:
<http://www.sciencedirect.com/science/article/pii/S1877750314000313>.
ALGHATRIF, M.; LINDSAY, J. A brief review: history to understand fundamentals of

electrocardiography. Journal of Community Hospital Internal Medicine Perspectives, v. 2,
n. 1, p. 1–5, Apr 2012.
ANDRADE, L. de; LEAO, M. Ponce de. Fault location for transmission lines using wa-
velet. Latin America Transactions, IEEE (Revista IEEE America Latina), v. 12, n. 6, p.
1043–1048, Sept 2014. ISSN 1548-0992.
ANDREAO, R.; DORIZZI, B.; BOUDY, J. Ecg signal analysis through hidden markov
models. Biomedical Engineering, IEEE Transactions on, v. 53, n. 8, p. 1541–1549, Aug
2006. ISSN 0018-9294.
ANDREÃO, R. V. et al. Incremental hmm training applied to ecg signal analysis. Com-
puters in biology and medicine, Elsevier, v. 38, n. 6, p. 659–667, 2008.
ARRAIS, E. et al. Fpga versus dsp for wavelet transform based voltage sags detection. In:
Instrumentation and Measurement Technology Conference (I2MTC) Proceedings, 2014
IEEE International. [S.l.: s.n.], 2014. p. 643–647.
ASSOCIATION, A. H. AHA Database. ECRI, 5200 Butler Pike, Plymouth Meeting, PA

19462 USA: [s.n.], 2016. Disponível em: <http://www.ecri.org/>.
BAHOURA, M.; HASSANI, M.; HUBIN, M. Dsp implementation of wavelet transform

for real time ecg wave forms detection and heart rate analysis. Computer methods and
programs in biomedicine, Elsevier, v. 52, n. 1, p. 35–44, 1997.
120
REFERÊNCIAS BIBLIOGRÁFICAS 121
BARRO, S. et al. Classifying multichannel ecg patterns with an adaptive neural network.
Engineering in Medicine and Biology Magazine, IEEE, v. 17, n. 1, p. 45–55, Jan 1998.
ISSN 0739-5175.
BHATNAGAR, G.; WU, Q.; RAMAN, B. A new fractional random wavelet transform for
fingerprint security. Systems, Man and Cybernetics, Part A: Systems and Humans, IEEE
Transactions on, v. 42, n. 1, p. 262–275, Jan 2012. ISSN 1083-4427.
BISHOP, C. M. Neural networks for pattern recognition. [S.l.]: Oxford university press,
1995.
BORJESSON, P. et al. Adaptive qrs detection based on maximum a posteriori estimation.

Biomedical Engineering, IEEE Transactions on, BME-29, n. 5, p. 341–351, May 1982.
ISSN 0018-9294.
BR, N. de Informação e Coordenação do P. TIC Saúde 2014: Pesquisa sobre o uso das
tecnologias de informação e comunicação nos estabelecimentos de saúde brasileiros. São
Paulo: Comitê Gestor da Internet no Brasil - CGI.br, 2015. Disponível em: <http://cetic.
br/media/docs/publicacoes/2/tic-saude-2013.pdf>.
BRASIL, M. d. S. D.13 Proporção de internações hospitalares (SUS) por grupos de

causas. 2009. Disponível em: <http://tabnet.datasus.gov.br/cgi/tabcgi.exe?idb2010/d13.
def>.
BRASIL, M. d. S. PORTARIA No 2.546, DE 27 DE OUTUBRO DE 2011: Redefine e

amplia o Programa Telessaúde Brasil, que passa a ser denominado Programa Nacional
Telessaúde Brasil Redes (Telessaúde Brasil Redes). 2011. Acessado em 13 de julho de
2016. Disponível em: <http://bvsms.saude.gov.br/bvs/saudelegis/gm/2011/prt2546\_27\
_10\_2011.html>.
BRASIL, M. d. S. Manual de Telessaúde para Atenção Básica / Atenção Primária à

Saúde. [S.l.], 2012. Acessado em 13 de junho de 2016. Disponível em: <http://bvsms.
saude.gov.br/bvs/publicacoes/manual\_telessaude\_atencao\_basica.pdf>.
BRAUNWALD, E. et al. Acc/aha 2002 guideline update for the management of patients
with unstable angina and non–st-segment elevation myocardial infarction - summary ar-
ticle: a report of the american college of cardiology/american heart association task force
on practice guidelines (committee on the management of patients with unstable angina).
Journal of the American College of Cardiology, Journal of the American College of Car-
diology, v. 40, n. 7, p. 1366–1374, 2002.
BRONZINO, J. D. (Ed.). The Biomedical Engineering HandBook. [S.l.]: CRC Press LLC
and IEEE Press, 2000. I.
BRONZINO, J. D. (Ed.). The Biomedical Engineering HandBook. [S.l.]: CRC Press LLC
and IEEE Press, 2000. II.
BRUCE, E. N. Biomedical Signal Processing and Signal Modeling. [S.l.]: USA: John
Wiley & Sons, 2001.
BURRUS, C. S.; GOPINATH, R. A.; GUO, H. Introduction to Wavelets and Wavelet

Transforms: A Primer. 1. ed. [S.l.]: Prentice Hall, 1997.
CARVALHO, D. R. d. Uma arquitetura para detecção online de transientes em sinais de

eletrocardiograma sobre o protocolo IEEE 802.3 com PM-AH. Dissertação (Mestrado)
— Universidade Federal do Rio Grande do Norte, 2011.
CATTANI, C. et al. Biomedical signal processing and modeling complexity of living

systems. Computational and Mathematical Methods in Medicine, Hindawi Publishing
Corporation, v. 2012, 2012.
CERUTTI, S.; MARCHESI, C. Advanced methods of biomedical signal processing. [S.l.]:

John Wiley & Sons, 2011. v. 27.
CHANG, P.-C. et al. Myocardial infarction classification with multi-lead ecg using hidden
markov models and gaussian mixture models. Applied Soft Computing, Elsevier, v. 12,
n. 10, p. 3165–3175, 2012.
CHEN, S. et al. Study of ultra-wideband fuze signal processing method based on wavelet
transform. Radar, Sonar Navigation, IET, v. 8, n. 3, p. 167–172, March 2014. ISSN 1751-
8784.
CHEN, X. et al. Composite damage detection based on redundant second-generation wa-

velet transform and fractal dimension tomography algorithm of lamb wave. Instrumenta-
tion and Measurement, IEEE Transactions on, v. 62, n. 5, p. 1354–1363, May 2013. ISSN
0018-9456.
CHRISTE, B. Introduction to biomedical instrumentation: The technology of patient

care. [S.l.]: Cambridge University Press, 2009.
CHU, C.-H.; DELP, E. Electrocardiogram signal processing by morphological operators.

In: Computers in Cardiology, 1988. Proceedings. [S.l.: s.n.], 1988. p. 153–156.
CHU, C.-H.; DELP, E. Impulsive noise suppression and background normalization of

electrocardiogram signals using morphological operators. Biomedical Engineering, IEEE
Transactions on, v. 36, n. 2, p. 262–273, Feb 1989. ISSN 0018-9294.
CLIFFORD, G. D.; AZUAJE, F.; MCSHARRY, P. E. (Ed.). Advanced Methods and Tools
for ECG Analysis. 1. ed. Norwood, MA, USA: Artech House, 2006. v. 1. (Engineering in
Medicine and Biology, v. 1). ISBN 1-58053-966-1.
COAST, D. et al. An approach to cardiac arrhythmia analysis using hidden markov mo-
dels. Biomedical Engineering, IEEE Transactions on, v. 37, n. 9, p. 826–836, Sept 1990.
ISSN 0018-9294.
COSTA, F. et al. The effects of the mother wavelet for transmission line fault detection
and classification. In: Energetics (IYCE), Proceedings of the 2011 3rd International Youth
Conference on. [S.l.: s.n.], 2011. p. 1–6.
COSTA, F. B. Uma Técnica de Diagnóstico em Tempo Real de Distúrbios Transitórios

Baseada na Transformada Wavelet Para Uso em Registradores Digitais de Perturbação.
Tese (Doutorado) — Universidade Federal de Campina Grande, Campina Grande, Brazil,
2010.
COX J.R., J.; NOLLE, F.; ARTHUR, R. Digital analysis of the electroencephalogram, the
blood pressure wave, and the electrocardiogram. Proceedings of the IEEE, v. 60, n. 10, p.
1137–1164, Oct 1972. ISSN 0018-9219.
DAUBECHIES, I. The wavelet transform, time-frequency localization and signal analy-

sis. Information Theory, IEEE Transactions on, v. 36, n. 5, p. 961–1005, Sep 1990. ISSN
0018-9448.
DAUBECHIES, I. Ten lectures on Wavelets. In: CBMS-NSF Regional Conference Series,

Siam. [S.l.: s.n.], 1992.
DHAR, S. et al. Noise reduction and ecg feature extraction using interpolation and hil-
bert transform. In: Control, Instrumentation, Energy and Communication (CIEC), 2014
International Conference on. [S.l.: s.n.], 2014. p. 232–236.
DILLON, K. A.; SZYMKIEWICZ, S. J.; KAIB, T. E. Evaluation of the effectiveness

of a wearable cardioverter defibrillator detection algorithm. Journal of Electrocardiology,
v. 43, n. 1, p. 63 – 67, 2010. ISSN 0022-0736. Disponível em: <http://www.sciencedirect.
com/science/article/pii/S0022073609002374>.
DONG, J. et al. A remote diagnosis service platform for wearable ecg monitors. Intelligent
Systems, IEEE, v. 27, n. 6, p. 36–43, Nov 2012. ISSN 1541-1672.
DUPONT, W. D.; DUPONT, W. D. Statistical modeling for biomedical researchers: a

simple introduction to the analysis of complex data. [S.l.]: Cambridge University Press,
2009.
DURRER, D. et al. Total excitation of the isolated human heart. Circulation, Am Heart
Assoc, v. 41, n. 6, p. 899–912, 1970.
EINTHOVEN, W. Weiteres über das elektrokardiogramm. Archiv für die gesamte Physi-
ologie des Menschen und der Tiere, v. 122, n. 12, p. 517–584, May 1908.
ENDERLE, J. D.; BRONZINO, J. D. Introduction to biomedical engineering. [S.l.]: Aca-

demic press, 2012.
ENGELSE, W.; ZEELENBERG, C. A single scan algorithm for qrs detection and feature
extraction. IEEE Computers in Cardiology, p. 37–42, 1979.
FANCOTT, T.; WONG, D. H. A minicomputer system for direct high speed analysis
of cardiac arrhythmia in 24 h ambulatory ecg tape recordings. Biomedical Engineering,
IEEE Transactions on, BME-27, n. 12, p. 685–693, Dec 1980. ISSN 0018-9294.
FATEMIAN, S. Z. A wavelet-based approach to electrocardiogram (ECG) and phonocar-

diogram (PCG) subject recognition. Tese (Doutorado) — University of Toronto, 2009.
FOZZARD, H. The Heart and cardiovascular system: scientific foundations. Raven

Press, 1986. (The Heart and Cardiovascular System). ISBN 9780881671261. Disponível
em: <https://books.google.com.br/books?id=DdlqAAAAMAAJ>.
FRIESEN, G. et al. A comparison of the noise sensitivity of nine qrs detection algorithms.
Biomedical Engineering, IEEE Transactions on, v. 37, n. 1, p. 85–98, Jan 1990. ISSN
0018-9294.
GACEK, A.; PEDRYCZ, W. A genetic segmentation of ecg signals. Biomedical Engine-

ering, IEEE Transactions on, v. 50, n. 10, p. 1203–1208, Oct 2003. ISSN 0018-9294.
GARGOUR, C. et al. A short introduction to wavelets and their applications. Circuits and
Systems Magazine, IEEE, v. 9, n. 2, p. 57–68, Second 2009. ISSN 1531-636X.
GAUTAM, A.; LEE, H. J.; CHUNG, W.-Y. Adaptive neuro-fuzzy interference cancella-
tion for ubiquitous wearable ecg sensor node. In: Advanced Communication Technology,
2009. ICACT 2009. 11th International Conference on. [S.l.: s.n.], 2009. v. 03, p. 2321–
2324. ISSN 1738-9445.
GESELOWITZ, D. B. Dipole theory in electrocardiography. The American journal of

cardiology, Elsevier, v. 14, n. 3, p. 301–306, 1964.
GHAFFARI, A.; GOLBAYANI, H.; GHASEMI, M. A new mathematical based qrs detec-
tor using continuous wavelet transform. Computers & Electrical Engineering, Elsevier,
v. 34, n. 2, p. 81–91, 2008.
GOLDBERGER, A. L. et al. Physiobank, physiotoolkit, and physionet: Components of

a new research resource for complex physiologic signals. In: Computers in Cardiology
2000. [s.n.], 2000. v. 101, n. 23, p. e215–e220. Disponível em: <http://circ.ahajournals.
org/cgi/content/full/101/23/e215>.
GOLDBERGER, E. The avl, avr, and avf leads: A simplification of standard lead
electrocardiography. American Heart Journal, v. 24, n. 3, p. 378 – 396, 1942.
ISSN 0002-8703. Disponível em: <http://www.sciencedirect.com/science/article/pii/
S0002870342908214>.
GOLDBERGER, E. A simple, indifferent, electrocardiographic electrode of zero poten-

tial and a technique of obtaining augmented, unipolar, extremity leads. American He-
art Journal, v. 23, n. 4, p. 483–492, 1942. ISSN 0002-8703. Disponível em: <http:
//www.sciencedirect.com/science/article/pii/S000287034290293X>.
GRAJA, S.; BOUCHER, J.-M. Hidden markov tree model applied to ecg delineation.
Instrumentation and Measurement, IEEE Transactions on, v. 54, n. 6, p. 2163–2168, Dec
2005. ISSN 0018-9456.
GRAPS, A. An introduction to wavelets. Computational Science Engineering, IEEE, v. 2,

n. 2, p. 50–61, Summer 1995. ISSN 1070-9924.
GRELL, E. d. S. O eletrocardiograma de alta resolução no domínio do tempo em por-

tadores de insuficiência cardíaca congestiva. Tese (Doutorado) — Universidade de São
Paulo, 2003.
GROSSMAN, A.; MORLET, J. Decompositor of hardy functions into square integrable

wavelets of constant shape. Society for Industrial and Applied Mathematics Journal on
Mathematical Analysis, p. 155–166, 1984.
HAAR, A. On the theory of orthogonal function systems. In: Mathematische Annalen.

[S.l.: s.n.], 1910. v. 69, p. 331–371.
HADDADI, R. et al. Discrete wavelet transform based algorithm for recognition of qrs
complexes. In: IEEE. Multimedia Computing and Systems (ICMCS), 2014 International
Conference on. [S.l.], 2014. p. 375–379.
HALLAKE, J. Eletrocardiografia. [S.l.]: Medsi Editora Médica e Científica Ltda., 1994.
HAMDI, O. et al. ehealth: Survey on research projects, comparative study of telemo-

nitoring architectures and main issues. Journal of Network and Computer Applications,
Elsevier, v. 46, p. 100–112, 2014.
HAMILTON, P.; TOMPKINS, W. Adaptive matched filtering for qrs detection. In: Engi-
neering in Medicine and Biology Society, 1988. Proceedings of the Annual International
Conference of the IEEE. [S.l.: s.n.], 1988. p. 147–148 vol.1.
HAMILTON, P. S.; TOMPKINS, W. J. Quantitative investigation of qrs detection rules

using the mit/bih arrhythmia database. Biomedical Engineering, IEEE Transactions on,
BME-33, n. 12, p. 1157–1165, Dec 1986. ISSN 0018-9294.
HAYWOOD, L. et al. On-line real time computer algorithm for monitoring the
{ECG} waveform. Computers and Biomedical Research, v. 3, n. 1, p. 15 – 25,
1970. ISSN 0010-4809. Disponível em: <http://www.sciencedirect.com/science/article/
pii/0010480970900467>.
HOLSINGER, W. P.; KEMPNER, K. M.; MILLER, M. H. A qrs preprocessor based on

digital differentiation. Biomedical Engineering, IEEE Transactions on, BME-18, n. 3, p.
212–217, May 1971. ISSN 0018-9294.
HONG, Y.; LIAN, Y. A memristor-based continuous-time digital fir filter for biomedical
signal processing. Circuits and Systems I: Regular Papers, IEEE Transactions on, v. 62,
n. 5, p. 1392–1401, May 2015. ISSN 1549-8328.
HUANG, A. et al. We-care: An intelligent mobile telecardiology system to enable mhe-

alth applications. Biomedical and Health Informatics, IEEE Journal of, v. 18, n. 2, p.
693–702, March 2014.
HUDAK, R.; PENHAKER, M.; MAJERNIK, J. (Ed.). Biomedical Engineering - Techni-

cal Applications in Medicine. [S.l.]: InTech, 2012.
HUDAK, R.; PENHAKER, M.; MAJERNIK, J. (Ed.). Biomedical Engineering: Techni-

cal Applications in Medicine. [S.l.]: InTech, 2012.
HUGHES, N. P. Probabilistic models for automated ECG interval analysis. Tese (Douto-
rado) — University of Oxford, 2006.
IEONG, C.-I. et al. A 0.83- µw qrs detection processor using quadratic spline wavelet
transform for wireless ecg acquisition in 0.35- µm cmos. Biomedical Circuits and Systems,
IEEE Transactions on, v. 6, n. 6, p. 586–595, Dec 2012. ISSN 1932-4545.
INGLIS, S. Structured telephone support or telemonitoring programmes for patients with

chronic heart failure. Journal of Evidence-Based Medicine, Wiley Online Library, v. 3,
n. 4, p. 228–228, 2010.
JENKINS, J. M. Ann Arbor Electrogram Libraries. 2016. Disponível em: <http://

electrogram.com/>.
J.H. van B.; J.L., W. Standardization and validation of medical decision-support systems:
the cse project. Methods Inf. Med., v. 29(4), p. 261–262, Sep 1990. PubMed PMID.
JIANG, M. Tele-cardiology Sensor Networks for Remote ECG Monitoring. Dissertação

(Mestrado) — Rochester Institute of Technology, 2006.
JIN, Z.; SUN, Y.; CHENG, A. Predicting cardiovascular disease from real-time electro-
cardiographic monitoring: An adaptive machine learning approach on a cell phone. In:
Engineering in Medicine and Biology Society, 2009. EMBC 2009. Annual International
Conference of the IEEE. [S.l.: s.n.], 2009. p. 6889–6892. ISSN 1557-170X.
KADAMBE, S.; MURRAY, R.; BOUDREAUX-BARTELS, G. Wavelet transform-based

qrs complex detector. Biomedical Engineering, IEEE Transactions on, v. 46, n. 7, p. 838–
848, July 1999. ISSN 0018-9294.
KHAZAEE, A.; EBRAHIMZADEH, A. Classification of electrocardiogram signals with

support vector machines and genetic algorithms using power spectral features. Biomedical
Signal Processing and Control, Elsevier, v. 5, n. 4, p. 252–263, 2010.
KLERSY, C. et al. A meta-analysis of remote monitoring of heart failure patients. Journal

of the American College of Cardiology, Am Coll Cardio Found, v. 54, n. 18, p. 1683–1694,
2009.
KOHLER, B.-U.; HENNIG, C.; ORGLMEISTER, R. The principles of software qrs de-
tection. Engineering in Medicine and Biology Magazine, IEEE, v. 21, n. 1, p. 42–57, Jan
2002. ISSN 0739-5175.
LAGUNA, P. et al. A database for evaluation of algorithms for measurement of qt and

other waveform intervals in the ecg. Computers in Cardiology, v. 24, p. 673–676, 1997.
LAKHWANI, R. et al. Comparison of different digital filters for qrs complex extraction
from electrocardiogram. In: Computational Intelligence and Communication Networks
(CICN), 2012 Fourth International Conference on. [S.l.: s.n.], 2012. p. 276–282.
LEE, J. et al. Automatic motion and noise artifact detection in holter ecg data using em-
pirical mode decomposition and statistical approaches. Biomedical Engineering, IEEE
Transactions on, v. 59, n. 6, p. 1499–1506, June 2012. ISSN 0018-9294.
LEE, Y.-D.; CHUNG, W.-Y. Wireless sensor network based wearable smart shirt for ubi-
quitous health and activity monitoring. Sensors and Actuators B: Chemical, Elsevier,
v. 140, n. 2, p. 390–395, 2009.
LEGARRETA, I. R. et al. Continuous wavelet transform modulus maxima analysis of

the electrocardiogram: beat characterisation and beat-to-beat measurement. International
Journal of Wavelets, Multiresolution and Information Processing, World Scientific, v. 3,
n. 01, p. 19–42, 2005.
LI, C.; ZHENG, C.; TAI, C. Detection of ecg characteristic points using wavelet trans-
forms. Biomedical Engineering, IEEE Transactions on, v. 42, n. 1, p. 21–28, Jan 1995.
ISSN 0018-9294.
LI, Q.; RAJAGOPALAN, C.; CLIFFORD, G. Ventricular fibrillation and tachycardia

classification using a machine learning approach. Biomedical Engineering, IEEE Tran-
sactions on, v. 61, n. 6, p. 1607–1613, June 2014. ISSN 0018-9294.
LIAN, Y.; YU, J. A low power linear phase digital fir filter for wearable ecg devices.
In: Engineering in Medicine and Biology Society, 2005. IEEE-EMBS 2005. 27th Annual
International Conference of the. [S.l.: s.n.], 2005. p. 7357–7360.
LIGTENBERG, A.; KUNT, M. A robust-digital qrs-detection algorithm for arrhythmia

monitoring. Computers and Biomedical Research, Elsevier, v. 16, n. 3, p. 273–286, 1983.
LIM, J. Finding features for real-time premature ventricular contraction detection using
a fuzzy neural network system. Neural Networks, IEEE Transactions on, v. 20, n. 3, p.
522–527, March 2009. ISSN 1045-9227.
LIN, K. P.; CHANG, W. H. Qrs feature extraction using linear prediction. Biomedical
Engineering, IEEE Transactions on, v. 36, n. 10, p. 1050–1055, Oct 1989. ISSN 0018-
9294.
LIU, X. et al. Multiple functional ecg signal is processing for wearable applications of
long-term cardiac monitoring. Biomedical Engineering, IEEE Transactions on, v. 58, n. 2,
p. 380–389, Feb 2011. ISSN 0018-9294.
LUNA, A. B. de. Basic Electrocardiography: Normal and Abnormal ECG Patterns. [S.l.]:
Wiley-Blackwell, 2007.
MACFARLANE, P. Trends in computer processed electrocardiograms: ed. by j. h. van

bemmel and j. l. willems, north holland publishing company, amsterdam, 1977, 430 pp.
International Journal of Bio-Medical Computing, v. 9, n. 6, p. 497–498, 1978. ISSN
0020-7101.
MAHMOODABADI, S.; AHMADIAN, A.; ABOLHASANI, M. Ecg feature extraction

using daubechies wavelets. In: Proceedings of the fifth IASTED International conference
on Visualization, Imaging and Image Processing. [S.l.: s.n.], 2005. p. 343–348.
MALLAT, S. Zero-crossings of a wavelet transform. Information Theory, IEEE Transac-

tions on, v. 37, n. 4, p. 1019–1033, Jul 1991. ISSN 0018-9448.
MALLAT, S. A wavelet tour of signal processing, third edition: The sparse way. Acade-
mic Press, v. 3rd, 2008.
MALLAT, S.; HWANG, W. Singularity detection and processing with wavelets. Informa-
tion Theory, IEEE Transactions on, v. 38, n. 2, p. 617–643, March 1992. ISSN 0018-9448.
MALLAT, S. G. Multiresolution approximations and wavelet orthonormal bases of l 2 (r).

Transactions of the American Mathematical Society, v. 315, n. 1, p. 69–87, 1989.
MALLAT, S. G. A theory for multiresolution signal decomposition: the wavelet repre-

sentation. Pattern Analysis and Machine Intelligence, IEEE Transactions on, v. 11, n. 7,
p. 674–693, Jul 1989. ISSN 0162-8828.
MALMIVUO, J.; PLONSEY, R. Bioelectromagnetism: Principles and Applications of

Bioelectric and Biomagnetic Fields. [S.l.]: OXFORD UNIVERSITY PRESS, 1995.
MANN, D. L. et al. Braunwald’s heart disease: a textbook of cardiovascular medicine.

Elsevier Health Sciences, 2014.
MARK, R. G. et al. Real-time ambulatory arrhythmia analysis with a microcomputer.

Computers in Cardiology, p. 57–62, 1979.
MARTINEZ, J. et al. A wavelet-based ecg delineator: evaluation on standard databases.

Biomedical Engineering, IEEE Transactions on, v. 51, n. 4, p. 570–581, April 2004. ISSN
0018-9294.
MARTIS, R. J.; ACHARYA, U. R.; ADELI, H. Current methods in electrocardiogram

characterization. Computers in biology and medicine, Elsevier, v. 48, p. 133–149, 2014.
MARTIS, R. J.; ACHARYA, U. R.; MIN, L. C. Ecg beat classification using pca, lda, ica
and discrete wavelet transform. Biomedical Signal Processing and Control, Elsevier, v. 8,
n. 5, p. 437–448, 2013.
MEDL, A. Time frequency and wavelets in biomedical signal processing. Engineering in

Medicine and Biology Magazine, IEEE, v. 17, n. 6, p. 15–97, Nov 1998. ISSN 0739-5175.
MESSINA, L. A.; FILHO, J. L. R.; LOPES, P. R. de L. (Ed.). RUTE 100 : as 100 primei-
ras unidades de telemedicina no Brasil e o impacto da Rede Universitária de Telemedi-
cina (RUTE). 1. ed. Rio de Janeiro: E-papers, 2014.
MIT, M. I. of T. MIT-BIH Database Distribution: Harvard-MIT Division of Health Sci-

ences and Technology. 2016. Disponível em: <http://ecg.mit.edu/>.
MOODY, G.; MARK, R. The impact of the mit-bih arrhythmia database. Engineering in
Medicine and Biology Magazine, IEEE, v. 20, n. 3, p. 45–50, May 2001. ISSN 0739-5175.
MORIZET-MAHOUDEAUX, P. et al. Simple microprocessor-based system for on-line

ecg arrhythmia analysis. Medical and Biological Engineering and Computing, Springer,
v. 19, n. 4, p. 497–500, 1981.
MORRIS, F.; BRADY, W. J.; CAMM, J. ABC of clinical electrocardiography. [S.l.]: John
Wiley & Sons, 2009. v. 93.
MUKHOPADHYAY, S.; MITRA, M.; MITRA, S. Time plane ecg feature extraction using
hilbert transform, variable threshold and slope reversal approach. In: Communication and
Industrial Application (ICCIA), 2011 International Conference on. [S.l.: s.n.], 2011. p. 1–
4.
NAGENDRA, H.; MUKHERJEE, S.; KUMAR, V. Application of wavelet techniques in

ecg signal processing: an overview. Int J Eng Sci Technol, v. 3, n. 10, p. 7432–7443, 2011.
NATALE, A. Handbook of cardiac electrophysiology. CRC Press, 2007.
NIKOLAEV, N. et al. Suppression of electromyogram interference on the electrocardio-

gram by transform domain denoising. Medical and Biological Engineering and Compu-
ting, Springer, v. 39, n. 6, p. 649–655, 2001.
NING, X.; SELESNICK, I. W. Ecg enhancement and qrs detection based on sparse deri-
vatives. Biomedical Signal Processing and Control, Elsevier, v. 8, n. 6, p. 713–723, 2013.
NOMURA, Y.; TAKAKI, Y.; TOYAMA, S. A method for computer diagnosis of the
electrocardiogram. Japanese circulation journal, v. 30, n. 5, p. 499–508, 1966.
NYGåRDS, M. E.; SöRNMO, L. Delineation of the qrs complex using the envelope of
the e.c.g. Medical and Biological Engineering and Computing, v. 21, n. 5, p. 538–547,
Nov 1983.
OKADA, M. A digital filter for the ors complex detection. Biomedical Engineering, IEEE
Transactions on, BME-26, n. 12, p. 700–703, Dec 1979. ISSN 0018-9294.
OLIVEIRA, J. M. et al. Diretriz de telecardiologia no cuidado de pacientes com sÍndrome

coronariana aguda e outras doenÇas cardÍacas. REVISTA DA SOCIEDADE BRASILEIRA
DE CARDIOLOGIA, v. 151, n. 5, p. 40, Maio 2015. Sociedade Brasileira de Cardiologia:
Arquivos Brasileiros de Cardiologia. Disponível em: <http://publicacoes.cardiol.br/2014/
diretrizes/2015/01\_DIRETRIZ\_TELECARDIOLOGIA\_SCA.pdf>.
OLMEZ, T. Classification of ecg waveforms by using rce neural network and genetic
algorithms. Electronics Letters, v. 33, n. 18, p. 1561–1562, Aug 1997. ISSN 0013-5194.
OLMOS, C. et al. Wearable wireless remote monitoring system: An alternative for pro-
longed electrocardiographic monitoring. International Journal of Cardiology, v. 172, n. 1,
p. e43 – e44, 2014.
OPPENHEIM, A. V. et al. Discrete-time signal processing. [S.l.]: Prentice-hall En-

glewood Cliffs, 1989. v. 2.
ORESKO, J. et al. A wearable smartphone-based platform for real-time cardiovascular

disease detection via electrocardiogram processing. Information Technology in Biomedi-
cine, IEEE Transactions on, v. 14, n. 3, p. 734–740, May 2010. ISSN 1089-7771.
ORGANIZATION, W. H. GLOBAL HEALTH ESTIMATES SUMMARY TABLES: PRO-

JECTION OF DEATHS BY CAUSE, AGE AND SEX. 2013. Disponível em: <http:
//www.who.int/healthinfo/global\_burden\_disease/en/>.
OSTER, J. et al. Semisupervised ecg ventricular beat classification with novelty detection
based on switching kalman filters. Biomedical Engineering, IEEE Transactions on, v. 62,
n. 9, p. 2125–2134, Sept 2015. ISSN 0018-9294.
PAHLM, O.; SÖRNMO, L. Software qrs detection in ambulatory monitoring?a review.

Medical and Biological Engineering and Computing, Springer, v. 22, n. 4, p. 289–297,
1984.
PAL, S.; MITRA, M. Detection of ecg characteristic points using multiresolution wavelet
analysis based selective coefficient method. Measurement, Elsevier, v. 43, n. 2, p. 255–
261, 2010.
PAN, G. Intuitive introduction to wavelets. In: . Wavelets in Electromagnetics and

Device Modeling. Wiley-IEEE Press, 2003. p. 15–29. ISBN 9780471433910. Disponível
em: <http://ieeexplore.ieee.org/xpl/articleDetails.jsp?arnumber=5236594>.
PAN, J.; TOMPKINS, W. J. A real-time qrs detection algorithm. Biomedical Engineering,

IEEE Transactions on, BME-32, n. 3, p. 230–236, March 1985. ISSN 0018-9294.
PANDIAN, P. et al. Smart vest: Wearable multi-parameter remote physiological mo-

nitoring system. Medical Engineering & Physics, v. 30, n. 4, p. 466 – 477, 2008.
ISSN 1350-4533. Disponível em: <http://www.sciencedirect.com/science/article/pii/
S1350453307000975>.
PATOMAKI, L. et al. On line recording and analysis of the ecg in ambulatory patients.
Computers in Cardiology, p. 173–175, 1981.
PERCIVAL D. B.; WALDEN, A. T. Wevelet Methods for Time Series Analysis. New York,
USA: Cambridge University Press, 2000.
PISKOROWSKI, J. Digital q -varying notch iir filter with transient suppression. Instru-
mentation and Measurement, IEEE Transactions on, v. 59, n. 4, p. 866–872, April 2010.
ISSN 0018-9456.
POLI, R.; CAGNONI, S.; VALLI, G. Genetic design of optimum linear and nonlinear
qrs detectors. Biomedical Engineering, IEEE Transactions on, v. 42, n. 11, p. 1137–1141,
Nov 1995. ISSN 0018-9294.
PROAKIS, J. G.; MANOLAKIS, D. K. Digital Signal Processing: principles, algorithms

and applications. 4. ed. [S.l.]: Prentice Hall, 2007.
QUERO, J. et al. Cardiosmart: Cardiological monitoring intelligent system using gprs.

Latin America Transactions, IEEE (Revista IEEE America Latina), v. 3, n. 2, p. 152–158,
April 2005. ISSN 1548-0992.
RAI, H. M.; TRIVEDI, A.; SHUKLA, S. Ecg signal processing for abnormalities de-
tection using multi-resolution wavelet transform and artificial neural network classifier.
Measurement, Elsevier, v. 46, n. 9, p. 3238–3246, 2013.
RAMO, T. Chapter 74: Biopotentials and Electrophysiology Measurement. 2006. Dispo-

nível em: <https://www.google.com.br/url?sa=t&rct=j&q=&esrc=s&source=web&cd=
1&ved=0ahUKEwju7ImMlvjMAhXHj5AKHS5qC50QFggcMAA&url=http\%3A\
%2F\%2Fmetrology.tkk.fi\%2Fcourses\%2FS-108.4010\%2F2006\%2FBiopotentials.
ppt&usg=AFQjCNHYsZoa5ZgOHpVP5AWuM-lq5zt2XA&bvm=bv.122852650,d.
Y2I&cad=rja>.
RANGAYYAN, R. Frequencydomain characterization of signals and systems. In: .

Biomedical Signal Analysis:A Case-Study Approach. [S.l.]: Wiley-IEEE Press, 2002.
ISBN 9780470544204.
RAVIER, P. et al. Redefining performance evaluation tools for real-time qrs complex clas-
sification systems. Biomedical Engineering, IEEE Transactions on, v. 54, n. 9, p. 1706–
1710, Sept 2007. ISSN 0018-9294.
RIKLI, A. E. et al. Computer analysis of electrocardiographic measurements. Circulation,

Elsevier, v. 24, p. 643–649, 1961.
RINCóN, F. et al. Development and evaluation of multilead wavelet-based ecg delineation

algorithms for embedded wireless sensor nodes. Information Technology in Biomedicine,
IEEE Transactions on, v. 15, n. 6, p. 854–863, Nov 2011. ISSN 1089-7771.
RODRIGUEZ, J.; GOñI, A.; ILLARRAMENDI, A. Real-time classification of ecgs on a

pda. Information Technology in Biomedicine, IEEE Transactions on, v. 9, n. 1, p. 23–34,
March 2005. ISSN 1089-7771.
SAúDE, M. da. Doenças cardiovasculares causam quase 30 % das mortes no País.

2014. Acessado em 25 Set 2015. Disponível em: <http://www.brasil.gov.br/saude/2011/
09/doencas-cardiovasculares-causam-quase-30-das-mortes-no-pais>.
SAúDE/SVS, S. de Informações sobre Mortalidade SIM Ministério da. Indicadores e

Dados Básicos - Brasil - 2012: Taxa de mortalidade específica por doenças do aparelho
circulatório - C.8. [S.l.], 2012.
SAHAMBI, J.; TANDON, S.; BHATT, R. Using wavelet transforms for ecg characteri-
zation. an on-line digital signal processing system. Engineering in Medicine and Biology
Magazine, IEEE, v. 16, n. 1, p. 77–83, Jan 1997. ISSN 0739-5175.
SANDBERG, F.; STRIDH, M.; SORNMO, L. Frequency tracking of atrial fibrillation

using hidden markov models. Biomedical Engineering, IEEE Transactions on, v. 55, n. 2,
p. 502–511, Feb 2008. ISSN 0018-9294.
SANTOSO, S. et al. Power quality assessment via wavelet transform analysis. Power
Delivery, IEEE Transactions on, v. 11, n. 2, p. 924–930, Apr 1996. ISSN 0885-8977.
SASIKALA, P.; WAHIDABANU, R. Robust r peak and qrs detection in electrocardio-

gram using wavelet transform. International Journal of Advanced Computer Science and
Applications-IJACSA, Citeseer, v. 1, n. 6, p. 48–53, 2010.
SEJERSTEN, M. et al. Effect on treatment delay of prehospital teletransmission of 12-

lead electrocardiogram to a cardiologist for immediate triage and direct referral of patients
with st-segment elevation acute myocardial infarction to primary percutaneous coronary
intervention. The American journal of cardiology, Elsevier, v. 101, n. 7, p. 941–946, 2008.
SILVA, G. A. C. Projeto de um ECG de alta resolução com 12 canais e interface USB

utilizando microcontrolador ARM. Dissertação (Mestrado) — Universidade de Brasília,
2009.
SILVA, K. M. Estimação de Fasores Baseada na Transformada Wavelet para Uso na Pro-

teção de Distância de Linhas de Transmissão. Tese (Doutorado) — Universidade Federal
de Campina Grande, Campina Grande, 2009.
SINGH, B. N.; TIWARI, A. K. Optimal selection of wavelet basis function applied to ecg
signal denoising. Digital Signal Processing, Elsevier, v. 16, n. 3, p. 275–287, 2006.
SIVANNARAYANA, N.; REDDY, D. Biorthogonal wavelet transforms for ecg parame-

ters estimation. Medical engineering & physics, Elsevier, v. 21, n. 3, p. 167–174, 1999.
SONG-KAI, Z.; JIAN-TAO, W.; JUN-RONG, X. The real-time detection of qrs-complex

using the envelope of ecg. In: Engineering in Medicine and Biology Society, 1988. Pro-
ceedings of the Annual International Conference of the IEEE. [S.l.: s.n.], 1988. p. 38
vol.1–.
SÖRNMO, L.; LAGUNA, P. Bioelectrical signal processing in cardiac and neurological

applications. [S.l.]: Academic Press, 2005.
SORNMO, L.; PAKLM, O.; NYGARDS, M.-E. Adaptive qrs detection: A study of per-
formance. Biomedical Engineering, IEEE Transactions on, BME-32, n. 6, p. 392–401,
June 1985. ISSN 0018-9294.
STERNICKEL, K. Automatic pattern recognition in ecg time series. Computer methods

and programs in biomedicine, Elsevier, v. 68, n. 2, p. 109–115, 2002.
SUMATHI, S.; SANAVULLAH, D. M. Y. Comparative Study of QRS Complex Detection

in ECG Based on Discrete Wavelet Transform. [S.l.]: ACADEMY PUBLISHER, 2009.
273–277 p.
SUN, P. et al. An improved morphological approach to background normalization of ecg

signals. Biomedical Engineering, IEEE Transactions on, v. 50, n. 1, p. 117–121, Jan 2003.
ISSN 0018-9294.
SUN, Y.; CHAN, K. L.; KRISHNAN, S. M. Ecg signal conditioning by morphological

filtering. Computers in biology and medicine, Elsevier, v. 32, n. 6, p. 465–479, 2002.
TADDEI, A. et al. The european st-t database: standard for evaluating systems for the
analysis of st-t changes in ambulatory electrocardiography. European Heart Journal,
v. 13, p. 1164–1172, 1992.
TAMIL, E. M. et al. Heartbeat electrocardiogram (ecg) signal feature extraction using dis-
crete wavelet transforms (dwt). In: In Proceedings of CSPA. [S.l.: s.n.], 2008. p. 1112?–
1117.
TANG, X.; SHU, L. Classification of electrocardiogram signals with rs and quantum neu-
ral networks. Int?l J. of Multimedia and Ubiquitous Engineering, Citeseer, v. 9, n. 2, p.
363–372, 2014.
TENG, S.-L.; RIEGER, R.; LIN, Y.-B. Programmable exg biopotential front-end ic for
wearable applications. Biomedical Circuits and Systems, IEEE Transactions on, v. 8, n. 4,
p. 543–551, Aug 2014. ISSN 1932-4545.
THAKOR, N.; WEBSTER, J.; TOMPKINS, W. J. Estimation of qrs complex power spec-
tra for design of a qrs filter. Biomedical Engineering, IEEE Transactions on, BME-31,
n. 11, p. 702–706, Nov 1984. ISSN 0018-9294.
THAKOR, N.; ZHU, Y.-S. Applications of adaptive filtering to ecg analysis: noise can-
cellation and arrhythmia detection. Biomedical Engineering, IEEE Transactions on, v. 38,
n. 8, p. 785–794, Aug 1991. ISSN 0018-9294.
THAKOR, N. V.; WEBSTER, J.; TOMPKINS, W. Design, implementation and evalua-

tion of amicrocomputer-based portable arrhythmia monitor. Medical and Biological En-
gineering and Computing, Springer, v. 22, n. 2, p. 151–159, 1984.
TIKKANEN, P. Nonlinear wavelet and wavelet packet denoising of electrocardiogram

signal. Biological cybernetics, Springer, v. 80, n. 4, p. 259–267, 1999.
TINATI, M. A.; MOZAFFARY, B. A wavelet packets approach to electrocardiograph ba-

seline drift cancellation. International journal of biomedical imaging, Hindawi Publishing
Corporation, v. 2006, 2006.
TRAHANIAS, P. An approach to qrs complex detection using mathematical morphology.

Biomedical Engineering, IEEE Transactions on, v. 40, n. 2, p. 201–205, Feb 1993. ISSN
0018-9294.
ULUSAR, U. et al. Adaptive rule based fetal qrs complex detection using hilbert trans-
form. In: Engineering in Medicine and Biology Society, 2009. EMBC 2009. Annual In-
ternational Conference of the IEEE. [S.l.: s.n.], 2009. p. 4666–4669. ISSN 1557-170X.
UNSER, M.; ALDROUBI, A. A review of wavelets in biomedical applications. Procee-

dings of the IEEE, v. 84, n. 4, p. 626–638, Apr 1996. ISSN 0018-9219.
VALENTIM, R. A. de Medeiros et al. A Telessaúde no Brasil: e a inovação tecnológica

na atenção primária. [S.l.]: Natal, RN: EDUFRN, 2015. 449 p.
VALENZA, G. et al. Real-time discrimination of multiple cardiac arrhythmias for wea-

rable systems based on neural networks. In: Computers in Cardiology, 2008. [S.l.: s.n.],
2008. p. 1053–1056. ISSN 0276-6547.
VENEGAS, J.; MARK, R. HST.542J Quantitative Physiology: Organ Transport Systems.

2004. Disponível em: <http://ocw.mit.edu(Accessed28May,2016).>
VULLINGS, R.; VRIES, B. de; BERGMANS, J. An adaptive kalman filter for ecg signal
enhancement. Biomedical Engineering, IEEE Transactions on, v. 58, n. 4, p. 1094–1103,
April 2011. ISSN 0018-9294.
WALLER, A. D. A demonstration on man of electromotive changes accompanying the

heart’s beat. The Journal of Physiology, v. 8, n. 5, p. 229–234, Nov 1887.
WALLER, A. D. On the electromotive changes connected with the beat of the mamma-
lian heart, and of the human heart in particular. Philosophical Transactions of the Royal
Society of London B: Biological Sciences, The Royal Society, v. 180, p. 169–194, 1889.
ISSN 0264-3839.
WEBSTER, J. Interference and motion artifact in biopotentials. In: Region Six Conference
Record, 1977. IEEE 1977. [S.l.: s.n.], 1977. p. 53–64.
WEBSTER, J. Reducing motion artifacts and interference in biopotential recording. Bi-

omedical Engineering, IEEE Transactions on, BME-31, n. 12, p. 823–826, Dec 1984.
ISSN 0018-9294.
WEBSTER, J. The measurement, instrumentation, and sensors handbook. IEEE, New

York, NY (US), 1999.
WELCH, J. et al. The massachusetts general hospital-marquette foundation hemodynamic

and electrocardiographic database: Comprehensive collection of critical care waveforms.
J Clinical Monitoring, v. 7(1), p. 96–97, 1991.
WILSON, F. N. et al. Electrocardiograms that represent the potential variations of a single

electrode. American Heart Journal, Elsevier, v. 9, n. 4, p. 447–458, 1934.
WILSON, F. N. et al. The precordial electrocardiogram. American Heart Journal, v. 27,

n. 1, p. 19–85, 1944. ISSN 0002-8703. Disponível em: <http://www.sciencedirect.com/
science/article/pii/S000287034290293X>.
WILSON, F. N.; MACLEOD, A.; BARKER, P. S. The potential variations produced by

the heart beat at the apices of einthoven’s triangle. American Heart Journal, v. 7, n. 2,
p. 207 – 211, 1931. ISSN 0002-8703. Disponível em: <http://www.sciencedirect.com/
science/article/pii/S0002870331904110>.
WOLF, A. S. ANÁLISE AUTOMÁTICA DE SINAIS ELETROCARDIOGRÁFICOS POR

REDES NEURAIS ARTIFICIAIS. Dissertação (Mestrado) — Pontífica Universidade Ca-
tólica, 2004.
XIE, J. et al. A reconfigurable wireless health monitoring system with undecimated wa-
velet transform implemented. In: Electronics, Computer and Applications, 2014 IEEE
Workshop on. [S.l.: s.n.], 2014. p. 848–851.
YASUI, S.; WHIPPLE, G. H.; STARK, L. Comparison of human and computer electro-
cardiographic wave-form classification and identification. American heart journal, Else-
vier, v. 68, n. 2, p. 236–242, 1964.
YE, C.; KUMAR, B.; COIMBRA, M. Heartbeat classification using morphological and
dynamic features of ecg signals. Biomedical Engineering, IEEE Transactions on, v. 59,
n. 10, p. 2930–2941, Oct 2012. ISSN 0018-9294.
YONG, D. D.; REINERI, C.; MAGNAGO, F. Educational software for power quality
analysis. Latin America Transactions, IEEE (Revista IEEE America Latina), v. 11, n. 1,
p. 479–485, Feb 2013. ISSN 1548-0992.
YOUNG, T.; HUGGINS, W. Computer analysis of electrocardiograms using a linear re-

gression technique. Biomedical Engineering, IEEE Transactions on, BME-11, n. 3, p.
60–67, July 1964. ISSN 0018-9294.
ZHANG, C.; BAE, T.-W. Vlsi friendly ecg qrs complex detector for body sensor
networks. Emerging and Selected Topics in Circuits and Systems, IEEE Journal on, v. 2,
n. 1, p. 52–59, March 2012. ISSN 2156-3357.
ZHANG, F.; LIAN, Y. Wavelet and hilbert transforms based qrs complexes detection
algorithm for wearable ecg devices in wireless body sensor networks. In: Biomedical
Circuits and Systems Conference, 2009. BioCAS 2009. IEEE. [S.l.: s.n.], 2009. p. 225–
228.
ZHANG, X.; LIAN, Y. A 300-mv 220-nw event-driven adc with real-time qrs detection
for wearable ecg sensors. Biomedical Circuits and Systems, IEEE Transactions on, v. 8,
n. 6, p. 834–843, Dec 2014. ISSN 1932-4545.
ZHAO, J. et al. Ecg signal adaptive filtering and qrs complex detecting method. In: Bi-
omedical Engineering and Informatics (BMEI), 2010 3rd International Conference on.
[S.l.: s.n.], 2010. v. 2, p. 869–872.
Índice Remissivo
Árvore, 19 Bradicardia Sinusal, 50

Átrio, 27, 28, 31
Cardiologia, 3
Wavelet Mãe, 84
Cardiopatia Congênita, 49
Wavelet Packet, 22
Cateterismo, 9
Acidente Vascular Cerebral, 4, 49 Circuito Integrado, 23
Agioplastia Coronariana, 9 Circulação Pulmonar, 27, 28
Algoritmo Genético, 8, 13, 19 Circulação Sistêmica, 28
Algoritmo Piramidal, 63, 76 Classificação Morfológica, 14
Análise Multirresolução, 62, 63 Coeficientes Wavelet, 19, 21, 23, 63, 77,
Aorta, 27, 28 84–86, 88, 94
Aparelho Circulatório, 9 Coeficientes de Aproximação, 63, 77, 85,
Arritmia, 4, 7, 14, 15, 17, 18, 20, 22, 47, 49, 94
51–54, 56, 57, 83 Complexo Estimulante do Coração, 31
Arritmia Sinusal, 51 Complexo QRS, 13–22, 41, 44, 49, 54–57,
Arritmia Sinusal Respiratória, 51 59, 66, 70, 79, 85, 86, 88, 89, 94
Arritmia Supraventricular, 50 Complexo QRS Fetal, 15
Arritmia Ventricular, 55 Comunicação, 1
Artéria, 4, 9, 28 Contração Ventricular Prematura, 17, 55, 92,
Artéria Pulmonar, 28 110, 111
Artefato, 21, 59 Coração, 4, 26–28, 31, 40, 47, 48
Assembly, 16
Derivada, 8, 13, 15, 16
Atenção Básica, 1
Dermatologia, 3
Aterosclerose, 4
Desfibrilador, 57
Banco de Dados, 14, 22, 81 Despolarização, 30, 40
Banco de Filtros, 8, 13 Despolarização Atrial, 41, 42, 54
Batimento Ectópico, 56, 92, 110 Despolarização Ventricular, 41, 43, 44, 46,
Biopotencial, 33, 35, 40, 60 57
Bomba Sódio-Potássio, 29 Diástole, 45
Bradicardia, 7, 90 Digital Signal Processor, 21
136
ÍNDICE REMISSIVO 137
Dispositivo Móvel, 15, 17 Filtro Passa-Baixa, 64, 85, 94

Doença Pulmonar Obstrutiva Crônica, 49 Filtro Passaa-Baixa, 71
Doenças Cardiovasculares, 4, 5, 8, 9, 17, Filtros Adaptativo, 13
22, 26 Filtros Adaptativos, 8
Filtros Digitais, 13
Educação Permanente em Saúde, 1
Flutter Atrial, 53
Eletrômetro Capilar, 33
Flutuação da Linha de Base, 59
Eletrocardiografia, 26, 35, 58
Frequência Cardíaca, 44–46, 49–51, 56, 90,
Eletrocardiograma, 7–9, 13, 14, 16–19, 21–
91
23, 26, 34, 40–42, 46, 47, 58, 60,
65, 66, 71, 81, 83, 84, 91, 94, 106 Galvanômetro de Corda, 34
Eletrodo, 33, 58, 60 Grande Circulação, 29
Eletromiograma, 22
Hardware, 8, 17
Embolia Pulmonar, 48, 49
Hemodinâmica, 9
Energia, 16, 85, 94
Hipertensão, 4, 49
Equilíbrio Iônico, 29
Hipertensão Arterial, 9
Espectro de Energia, 20
Hipertensão Pulmonar, 48, 49
Estenose Aórtica, 49
Hipoxia, 110
Falsos Negativos, 84, 104 Holter, 15
Falsos Positivos, 84, 104 Holterb, 19
Famílias Wavelet, 62, 81 Hospital, 6
Feixe de His, 32
Impulso Nervoso, 29
Fenômenos Bioelétricos, 29
Infarto Agudo do Miocárdio, 4, 9, 19, 57
Fibras de Purkinje, 32
Insuficiência Cardíaca, 9, 49, 51, 56
Fibras Musculares, 7
Interferência da Rede Elétrica, 58
Fibrilação Atrial, 54
Interferência Eletromagnéticas, 19
Fibrilação Auricular, 7
Internações Hospitalares, 9
Fibrilação Ventricular, 7, 57, 110
Intervalo Isoelétrico, 53
Filtragem Linear, 16
Intervalo PQ, 52
Filtragem Não-Linear, 16
Intervalo PR, 45
Filtro Adaptativo, 18
Intervalo QT, 46
Filtro de Kalman, 18
Intervalo ST, 46
Filtro Digital, 8, 14–16, 23
Isquemia, 4, 7, 19, 47, 56, 110
Filtro FIR, 16
isquemia, 49
Filtro Linear, 20
Filtro Não-Linear, 20 Linha de Base, 18, 19, 21, 54, 59, 66, 72,
Filtro Passa-Alta, 64, 71, 85, 94 88
Linha Isoelétrica, 46, 88 Operadores Morfológicos, 19
Métodos Estocásticos, 18, 19 Pediatria, 3

Múltiplos Diferenciadores Digitais, 15 Pequena Circulação, 28
Músculo Cardíaco, 27, 38, 57 Pericárdio, 26
Músculo Esquelético, 27, 29 Personal Digital Assistant, 17, 22
Marcapasso, 31, 52 Pneumologia, 3
Marcapasso Atrial Migratório, 52 Portaria 2.546/2011, 1
Matemática Morfológica, 8, 13, 19 Potencial de Ação, 29, 31, 40
Membrana Celular, 29 Potencial de Repouso, 30
Miócitos, 29, 40 Preditividade Positiva, 84, 104, 106, 108
Miocárdio, 7, 26, 27, 29, 40 Problema Cardíaco, 17
MIT-BIH Arrhythmia Database, 81 Problemas Cardíacos, 9, 13
Modelo Oculto de Markov, 18, 19 Problemas Cardiovasculares, 3, 10, 33, 47
Modelos de Markov, 8, 19 Processador Intel 8085, 14
modelos de Markov, 13 Processamento de Imagem, 19
Modelos Gaussianos, 19 Processamento de Sinais, 15, 20, 21, 83
Morfologia, 16, 17 Processamento de sinais, 23
Morte Súbita, 49, 110 Processo Biológico, 18, 29
Musculatura Papilar, 41, 45 Processo biológico, 30
Musculatura Ventricular, 44 Programa Nacional Telessaúde Brasil, 1
Nó Atrioventricular, 31, 46, 55 Radiologia, 3

Nó Sinoatrial, 31, 40, 42, 45, 49–52, 54 Razão de Rejeição de Modo Comum, 35
Núcleo de Telessaúde, 2 Reconhecimento de Padrões, 14, 17, 39
Níveis de Resolução, 62, 84 Rede Neural, 8, 13, 16, 17, 20, 22, 23
Neonatal, 19 Relação Sinal-Ruído, 18, 21
Neurônio, 29 Repolarização, 30
Repolarização Atrial, 41
Odontologia, 3
Repolarização Ventrícular, 41
Offline, 7, 8, 13, 23, 79
Repolarização Ventricular, 44, 46
Oftalmologia, 3
Repolatização, 40
Onda P, 21, 41, 42, 44, 46, 52, 53, 56, 57,
Ruído de Contato do Eletrodo, 58
66, 85, 89, 91
Ruído Eletrocirúrgico, 60
Onda T, 21, 41, 44, 53, 57, 66, 85, 89, 91
Ruído Gaussiano, 86
Onda U, 41, 45
Ruído Impulsivo, 19
Ondas Flutter, 53, 54
Ruídos Eletromiográficos, 59
Online, 13
Sístole, 44 Taxa de Mortalidade, 6

Segmento PR, 46 Tecnologia da Informação, 1
Segmento ST, 46 Telecardiologia, 4, 6–10, 79
Segunda Opinião Formativa, 2 Teleconsultoria, 2
Sensibilidade, 84, 104, 106, 108 Telediagnóstico, 2
Sensor Wireless, 23 Teleducação, 2
Sinais Biológicos, 21 Telemedicina, 1
Sinais Biomédicos, 16 Telemonitoramento, 4, 6
Sinal Cardíaco, 16, 18, 20, 22 Telessaúde, 1, 3
Sistema Único de Saúde, 1 Telessaúde Brasil Redes, 1–3
Sistema Cardiovascular, 26 Tempo Real, 7, 8, 10, 14–19, 21–23, 70, 77,
Sistema Circulatório, 26 88, 94
Sistema com 12 Derivações, 38, 49 Teorema da Amostragem, 64
Sistema com 12 derivações, 38 Threshold, 8, 15, 16, 86–89, 104
Sistema de Condução, 31, 55 Trade-Off, 106
Sistema de derivação Bipolar, 35 Transformada Wavelet, 8, 13, 20–22, 62, 81
Sistema de Derivação de Einthoven, 34 Transformada Wavelet Contínua, 20, 22, 62
Sistema de derivação de Goldberger, 36 Transformada Wavelet Discreta, 20, 22, 23,
Sistema de Derivação Precordial, 37 70
Sistema de Derivação Unipolar, 35 Transformada Wavelet Discreta Redundante,
Sistema Digital, 15, 16 8, 70, 84, 94, 109
Sistema Embarcado, 23 Transformada de Haar, 62
Sistema Esquelético, 27 Transformada de Hilbert, 8, 13–15
Sistema His-Purkinje, 44 Triângulo de Einthoven, 34, 35
Sistema Móvel, 22
Unidade Básica de Saúde, 6
Sistema Telecárdio, 23
Sistemas Digitais, 8 Válvula Aórtica, 28
Sistemas Inteligentes, 14 Válvula Mitral, 28
Sistemas Não-Lineares, 16 Válvula Pulmonar, 28
Subamostragem por Dois, 64 Válvula Tricúspide, 28
System-on-Chip, 16 Veia, 28
Veia Cava, 28, 31
Tônus Simpático, 90
Ventrículo, 27, 28, 31, 40
Tônus Vagal, 50, 52, 90
Vetor Cardíaco, 37
Taquicardia, 7, 90, 110
Taquicardia Sinusal, 51
Taquicardia Ventricular, 56

Aula 4 Artigo 1

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aula 4 Artigo 1

Enviado por

Direitos autorais:

Formatos disponíveis

U NIVERSIDADE F EDERAL DO R IO G RANDE DO N ORTE

Sistema de Análise de Sinal Cardíaco para

Ernano Arrais Junior

Orientador: Prof. Dr. Ricardo Alexsandro de Medeiros Valentim

Co-orientador: Prof. Dr. Gláucio Bezerra Brandão

Tese de Doutorado apresentada ao Pro-

Número de ordem PPgEEC: D180

Arrais Junior, Ernano.

Tese (doutorado) - Universidade Federal do Rio Grande do Norte. Centro de

Orientador: Prof. Dr. Ricardo Alexsandro de Medeiros Valentim.

1. Arritmia - Tese. 2. Eletrocardiografia - Tese. 3. Telecardiologia - Tese. 4.

RN/UF/BCZM CDU 616.12-008.318

Ernano Arrais Junior

Prof. Dr. Ricardo Alexsandro de Medeiros Valentim (Orientador) . . . . . . UFRN

Prof. Dr. Gláucio Bezerra Brandão (Co-Orientador) . . . . . . . . . . . . . . . . . . UFRN

Prof. Dr. Allan de Medeiros Martins . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . UFRN

Prof. Dr. Antônio Higor Freire de Morais . . . . . . . . . . . . . . . . . . . . . . . . . . . . IFRN

Prof. Dr. Custódio Leopoldino de Brito Guerra Neto . . . . . . . . . . . . . . . . . UFRN

Prof. Dr. Vinícius Samuel Valério de Souza . . . . . . . . . . . . . . . . . . . . . . . UFERSA

Ao meu orientador, Ricardo Alexsandro de Medeiros Valentim, e ao Professor Gláucio

À minha companheira Ana Gabrielle de Carvalho, pela compreensão e motivação durante

À Universidade Federal do Rio Grande do Norte (UFRN), em especial ao Laboratório de

À Universidade Federal Rural do Semi-Árido (UFERSA), pela colaboração em reduzir

Ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) pelo apoio

Os problemas cardiovasculares estão entre as principais causas de mortandade no

Palavras-chave: Telecardiologia, Eletrocardiografia, Arritmia, Transformada Wave-

Keywords: Telecardiology, Electrocardiogram, Cardiac Arrhythmias, Wavelet Trans-

Lista de Figuras iii

Lista de Símbolos viii

4 Fundamentos da Transformada Wavelet 62

7 Conclusões e Trabalhos Futuros 117

Referências Bibliográficas 120

Índice Remissivo 135

1.1 Principais causas de morte no mundo em 2015. . . . . . . . . . . . . . . 5

3.1 Visão geral da localização do coração. . . . . . . . . . . . . . . . . . . . 27

4.1 Diagrama de blocos para dois níveis de resolução da TWD. . . . . . . . . 64

6.1 Análise wavelet do sinal ECG 100 do (MIT-BIH Arrhythmia Database):

2.1 Resumo da revisão bibliográfica. . . . . . . . . . . . . . . . . . . . . . . 25

3.1 Relação entre a anatomia do coração e o sistema de 12 derivações. . . . . 40

6.1 Resultado da avaliação em tempo real do algoritmo de detecção das carac-

VI Tensão na Derivação I (Einthoven)

AAEL Ann Arbor Electrogram Libraries

1.1 Relevância do Tema

O Telessaúde Brasil Redes é fundamentado em diversos núcleos de telessaúde espa-

os gestores e profissionais de suas respectivas equipes de apoio, bem como a falta ou

al., 2015), (VALENTIM, 2015).

Figura 1.1: Principais causas de morte no mundo em 2015.

Fonte: o Autor (2016).

Figura 1.2: Projeção das causas de morte no mundo em 2030.

Fonte: o Autor (2016).

Fonte: o Autor (2016).

Figura 1.3: Sistema telecárdio.

A análise automática de sinais cardíacos (eletrocardiograma - ECG) vem sendo bas-

• Detecção de arritmias cardíacas, como por exemplo bradicardia e taquicardia;

Os primeiros trabalhos que abordaram a análise computadorizada de sinais ECG fo-

• Desenvolver, matematicamente, as equações para análise do sinal ECG utilizando

1.6 Organização do Trabalho

• No Capítulo 2 será apresentado um levantamento do estado da arte, destacando-se

Com o avanço dos sistemas computacionais houve uma disseminação de algoritmos de

2.1 Sistemas de Detecção

para validação de desempenho desses algoritmos são a Sensibilidade (Se ) e a Preditivi-

(2013) apresentaram um técnica de classificação de sinais ECG utilizando três algorit-

desempenho com Se = 99, 79% e P+ = 99, 96%.