INSTITUTO FEDERAL DE SANTA CATARINA

BRUNO MARCOS ESPINDOLA

Análise do Sinal de Eletrocardiograma para Detecção de Cardiopatias

São José - SC

novembro/2018
ANÁLISE DO SINAL DE ELETROCARDIOGRAMA PARA DETECÇÃO DE
CARDIOPATIAS

Trabalho de conclusão de curso apresentado

à Coordenadoria do Curso de Engenharia de
Telecomunicações do campus São José do Instituto
Federal de Santa Catarina para a obtenção do diploma
de Engenheiro de Telecomunicações.

Orientador: Elen Macedo Lobato

São José - SC

novembro/2018
Bruno Marcos Espindola
Análise do Sinal de Eletrocardiograma para Detecção de Cardiopatias/ Bruno Marcos Espindola.
– São José - SC, novembro/2018-
48 p. : il. (algumas color.) ; 30 cm.

Orientador: Elen Macedo Lobato

Monografia (Graduação) – Instituto Federal de Santa Catarina – IFSC

Campus São José
Engenharia de Telecomunicações, novembro/2018.
1. Eletrocardiograma. 2. Cardiopatias. 3. Processamento de Sinais. 4. Wavelets. I. Dra Elen
Macedo Lobato. II. Instituto Federal de Santa Catarina. III. Campus São José. IV. Análise do Sinal
de Eletrocardiograma para Detecção de Cardiopatias
 BRUNO MARCOS ESPINDOLA

ANÁLISE DO SINAL DE ELETROCARDIOGRAMA PARA DETECÇÃO DE

CARDIOPATIAS

Este trabalho foi julgado adequado para obtenção do título de Engenheiro de Telecomunicações, pelo
Instituto Federal de Educação, Ciência e Tecnologia de Santa Catarina, e aprovado na sua forma final
pela comissão avaliadora abaixo indicada.

São José - SC, 30 de novembro de 2018.

Elen Macedo Lobato, Dra.

Orientador
Instituto Federal de Santa Catarina

Ramon Mayor Martins, Me.

Instituto Federal de Santa Catarina

Diego da Silva Medeiros, Me.

Instituto Federal de Santa Catarina
 AGRADECIMENTOS

Dedico o esforço na realização deste trabalho às pessoas que amo. Aos meus pais novamente
agradeço o suporte financeiro e emocional que me permitiram voltar a estudar. Aos meus amigos agradeço
o apoio e os momentos felizes que compartilhamos.

Agradeço à professora Dra. Elen Macelo Lobato pela orientação e auxílio na elaboração deste
trabalho, e ao meu grande amigo Murilo Bauer pela parceria nos estudos durante todo o curso. Por final,
agradeço aos demais professores por todos os ensinamentos que adquiri no decorrer do curso.
 “Inovação não é sinônimo de algo complicado. Ao contrário do
que muitos pensam, as maiores inovações surgem de ideias simples
que resolvem plenamente o problema observado. É em toda sua
simplicidade que a roda, a maior invenção de todos os tempos, move o
mundo moderno.”
Robson Feitosa
 RESUMO
As cardiopatias são uma das maiores causadoras de mortes prematuras no mundo. Dentre as formas de
detectar problemas cardíacos, destaca-se a análise de sinais de eletrocardiogramas, os ECGs. Os ECGs
realizam a medição, através de eletrodos posicionados sobre a pele, dos potenciais elétricos gerados pelo
coração. Este trabalho tem como objetivo o reconhecimento e classificação de cardiopatias comuns através
da análise de eletrocardiogramas. Amostras de ECGs, disponíveis nos bancos de dados de arritmias e
sinusais da Physionet, foram processadas no MATLAB R , de forma a permitir a localização das ondas e a
identificação de alterações no ritmo cardíaco. Bons resultados foram obtidos com as técnicas implementadas,
podendo este trabalho servir como base para diversas outras pesquisas na área.

Palavras-chave: Eletrocardiograma. Cardiopatias. Processamento de Sinais. Wavelets.

 ABSTRACT
Heart diseases are one of the biggest causes of premature deaths in the world. Among the ways to detect
cardiac problems, we highlight the analysis of electrocardiogram exams, ECGs. ECGs measure through
electrodes placed on the skin the electrical potentials generated by the heart. This study aims to recognize
and classify common cardiopathies through the analysis of electrocardiograms. ECG samples, available
from the Physionet arrhythmia and sinus database, were processed in MATLAB R to allow the localization
of waves and identification of changes in heart rate. Good results were obtained with the techniques
implemented, and this work can serve as the basis for several other researches in the area.

Keywords: Electrocardiogram. Cardiac disorders. Signal Processing. Wavelets.

 LISTA DE ILUSTRAÇÕES

Figura 1 – Diagrama do coração humano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

Figura 2 – Diagrama do sistema elétrico cardíaco. . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
Figura 3 – Elementos do eletrocardiograma em um ciclo cardíaco completo. . . . . . . . . . . . . 23
Figura 4 – Relação entre as ondas do ECG e os movimentos cardíacos. . . . . . . . . . . . . . . . 24
Figura 5 – Posicionamento dos eletrodos nas derivações precordiais. . . . . . . . . . . . . . . . . . 25
Figura 6 – Posicionamento dos eletrodos nas derivações periféricas. . . . . . . . . . . . . . . . . . 25
Figura 7 – Filtragem de um sinal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Figura 8 – Decomposição de um sinal em três níveis pela Análise de Multiresolução (AMR). . . . 30
Figura 9 – Esquema geral do processamento de sinais de ECG. . . . . . . . . . . . . . . . . . . . 31
Figura 10 – Marcação das ondas em um sinal com duração de 30 minutos. . . . . . . . . . . . . . . 32
Figura 11 – Correção da linha de base. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
Figura 12 – Sinal original e sinal a3 sobrepostos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Figura 13 – Sobreposição entre sinal original e sinal reconstruído zerando detalhes. . . . . . . . . . 35
Figura 14 – Sobreposição entre sinal original e sinal após o denoising wavelet. . . . . . . . . . . . . 36
Figura 15 – Filtragem de ruído utilizando filtro passa-baixas. . . . . . . . . . . . . . . . . . . . . . 37
Figura 16 – Coeficientes de aproximação e detalhe de três níveis de decomposição wavelet. . . . . . 38
2
Figura 17 – Picos marcados no sinal d3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
Figura 18 – Ondas R marcadas pelo método dos picos. . . . . . . . . . . . . . . . . . . . . . . . . . 39
Figura 19 – Marcação dos complexos QRS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Figura 20 – Frequência cardíaca pelos dois métodos de localização das ondas R . . . . . . . . . . . 40
Figura 21 – Detecção de batimento fora do ritmo em um paciente com arritmia. . . . . . . . . . . 41
Figura 22 – Batimentos por minuto em cada intervalo R-R em um paciente com arritmia. . . . . . 41
Figura 23 – Sinal sinusal nos domínios do tempo e frequência. . . . . . . . . . . . . . . . . . . . . 42
Figura 24 – Sinal não sinusal nos domínios do tempo e frequência. . . . . . . . . . . . . . . . . . . 42
Figura 25 – Duração média do intervalo QS para diferentes SNRs. . . . . . . . . . . . . . . . . . . 43
Figura 26 – Fluxograma do algoritmo gerador de diagnóstico. . . . . . . . . . . . . . . . . . . . . . 44
 LISTA DE ABREVIATURAS E SIGLAS

FFT Transformada Rápida de Fourier (Fast Fourier Transform) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

AMR Análise de Multiresolução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

TWD Transformada Wavelet Discreta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

ECG Eletrocardiograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

OMS Organização Mundial da Saúde (World Health Organization) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

OPAS Organização Pan-Americana da Saúde . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

IAM Infarto Agudo do Miocárdio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

bpm batimentos por minuto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

FIR Resposta ao Impulso Finita (Finite Impulse Response). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .28

IIR Resposta ao Impulso Infinita (Infinite Impulse Response) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

 SUMÁRIO

1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.1 Estudos Correlatos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.2 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.3 Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.4 Organização do Texto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

2 FUNDAMENTAÇÃO TEÓRICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.1 Anatomia do Coração . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.1.1 Sistema Elétrico do Coração . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.1.2 Frequência cardíaca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2 Eletrocardiografia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.1 Princípios Básicos da Eletrocardiografia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.1.1 Eventos do eletrocardiograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.2 Derivações do Eletrocardiograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.2.1 Derivações Precordiais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.2.2 Derivações Periféricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3 Cardiopatias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3.1 Arritmias Cardíacas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3.2 Infarto Agudo do Miocárdio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3.3 Hipertrofia Ventricular Cardíaca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3.3.1 Hipertrofia Ventricular Esquerda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3.3.2 Hipertrofia Ventricular Direita . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3.4 Bloqueios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3.5 Miocardite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.4 Filtros Digitais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.5 Transformada Wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.5.1 Análise de Multiresolução (AMR) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

3 DESENVOLVIMENTO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.1 Aquisição do Sinal de ECG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.1.1 Janelamento de Sinal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2 Pré-Processamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.1 Frequência de Amostragem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.2 Ganho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.3 Linha de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.4 Ruído . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.4.1 Sinal de Aproximação de Nível 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.4.2 Zerar Componentes de Detalhe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2.4.3 Denoising Wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2.4.4 Filtro Passa-Baixas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3 Processamento do Sinal de ECG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3.1 Localização das Ondas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3.1.1 Onda R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3.1.1.1 Decomposição Wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3.1.1.2 Método dos Picos (direto) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.3.1.2 Complexo QRS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.3.1.3 Ondas P e T . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3.2 Frequência Cardíaca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3.3 Alerta de Batimento Fora do Ritmo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3.4 Correlação com Sinal Sinusal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3.5 Robustez ao Ruído . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.3.6 Diagnóstico automatizado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

4 CONCLUSÕES E TRABALHOS FUTUROS . . . . . . . . . . . . . . . . . . . . . . 45

REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
 19

1 INTRODUÇÃO

O coração é o principal órgão do sistema circulatório humano. Sua função é bombear sangue para
todo o corpo de forma a nutrir as células e permitir a eliminação de excreções metabólicas (HEART, 2018).
Contudo, este órgão fantástico está sujeito à diversas falhas, como por exemplo o infarto do miocárdio,
hipertrofia, arritmias e bloqueios.

As doenças cardiovasculares são umas das maiores causadoras de mortes no mundo. Segundo a
Organização Mundial da Saúde (World Health Organization) (OMS), as doenças isquêmicas do coração e
derrames cerebrais lideram a listagem de mortes, totalizando cerca de 15,2 milhões de óbitos em 2016
(WHO, 2018). Os dados são ainda mais alarmantes já que indicam um crescimento deste tipo de morte nos
últimos anos. Não é à toa que isto está acontecendo. À medida que os confortos do mundo moderno foram
aumentando, tivemos um crescimento do sedentarismo e do consumo de alimentos gordurosos. Aliado a
isto, temos ainda o elevado nível de estresse por motivos como trânsito, contas a pagar, impostos, política,
e até mesmo futebol.

A Organização Pan-Americana da Saúde (OPAS), um organismo internacional dedicado a melhorar

as condições de saúde pública dos países da América, enfatiza a necessidade de ser realizado o diagnóstico
e o tratamento precoce das pessoas com doenças cardiovasculares ou com alto risco cardiovascular (devido
à presença de um ou mais fatores de risco como hipertensão, diabetes, hiperlipidemia ou doença já
estabelecida) (OPAS, 2017). Dentre as possíveis formas de detectar problemas cardíacos, destaca-se a
análise do Eletrocardiograma (ECG) .

O ECG é o exame mais utilizado pelos médicos cardiologistas. Sua grande difusão ocorre pelo
fato de que além de ser um procedimento não invasivo, é simples de ser realizado, indolor, barato e não
provoca riscos à saúde do paciente. No ECG, eletrodos são posicionados em pontos específicos do corpo do
paciente para realizar a leitura dos sinais elétricos gerados pelo coração (BUENO, 2006), sendo possível
visualizar o ritmo, frequência cardíaca e o tempo de propagação dos impulsos elétricos dentro do órgão.
O ECG é também muito utilizado na avaliação de cardiopatias como pericardite, doenças das válvulas
cardíacas, arritmias, bloqueios, cardiomiopatia e sequelas cardíacas da hipertensão arterial.

O sinal de ECG é composto pela repetição sucessiva de cinco ondas que representam um ciclo
cardíaco. Estas ondas são nomeadas como P, Q, R, S e T. Cada uma destas ondas possui uma faixa
normal de amplitude e duração, e a aferição de valores fora desta faixa pode indicar que o paciente possui
algum tipo de doença cardíaca (SILVA; SOARES; SOTOMAYOR, 2015).

1.1 Estudos Correlatos

Grande parte dos trabalhos relacionados ao eletrocardiograma possuem como ponto de início a
localização dos complexos QRS e, a partir destes, realizam a localização das demais ondas, intervalos e
segmentos. Conforme será visto na seção 2.3, para cada cardiopatia estudada neste trabalho, existe uma
alteração característica no sinal de ECG, e por isto, localizar suas ondas é fundamental para o diagnóstico.

No trabalho de Narayana e Rao (2011), fez-se o uso de um algoritmo baseado em wavelets para
realizar a filtragem de ruído e a detecção dos complexos QRS, comparando os resultados com outros dois
métodos, o algoritmo AF2 e de Pan-Tompkins. Segundo os autores, os melhores resultados foram obtidos
utilizando wavelet.
20 Capítulo 1. Introdução

No trabalho de Silva, Soares e Sotomayor (2015), a localização das ondas R foi implementada
utilizando decomposição wavelet. O sinal de ECG foi decomposto em quatro níveis com a wavelet Daubechies
6. O sinal de detalhe D4 foi elevado ao quadrado e seus picos localizados, de forma a marcar a posição das
ondas R. Segundo os autores a eficiência do algoritmo foi superior a 99%.

A dissertação de Bueno (2006) utiliza o modelo matemático de previsão de comportamento de

curvas, chamado de auto-regressivo. Esse modelo utiliza o passado histórico recente da curva para determi-
nar o próximo ponto. Nesse trabalho, utilizou-se o algoritmo dos mínimos quadrados para adequação do
erro. A rede neural de topologia perceptron multicamadas e com algoritmo de treinamento backpropagation
foi escolhida para o reconhecimento dos padrões, pela sua capacidade de generalização. Segundo a autora,
o método se mostrou adequado e eficiente ao objetivo de reconhecer e classificar cardiopatias.

1.2 Motivação

Apesar do ECG ser um exame realizado rapidamente, sua interpretação ainda precisa ser feita
visualmente por um médico especialista. A automação do diagnóstico não é comum aos equipamentos
disponíveis atualmente, porém programas podem auxiliar o médico a realizar esta tarefa, localizando os
indícios de cardiopatias de difícil detecção. Diversos estudos são publicados todos os anos sobre o assunto,
mas ainda há muito o que evoluir. Novos métodos de processamento de sinais poderão, em um futuro não
tão distante, automatizar totalmente o diagnóstico de pacientes com problemas cardíacos e, através do
tratamento adequado, conseguir prolongar suas vidas.

1.3 Objetivo

O objetivo deste trabalho é implementar um algoritmo capaz de identificar, através de sinais do

ECG, alguns tipos de cardiopatias mais comuns, tais como arritmias e bloqueios de ramo, de forma a
auxiliar o médico a conseguir o diagnóstico mais preciso.

1.4 Organização do Texto

Este trabalho de conclusão de curso foi organizado da seguinte forma: no Capítulo 2 será
apresentada a fundamentação teórica necessária para compreender o coração e seus sinais elétricos, bem
como conhecer o comportamento dos tais sinais perante as principais doenças cardíacas. No Capítulo 3
será apresentado com detalhes todas as etapas utilizadas para analisar o ECG, assim como o algoritmo
proposto para identificar algumas cardiopatias. No Capítulo 4 serão apresentadas as conclusões e sugestões
de trabalhos futuros.
 21

2 FUNDAMENTAÇÃO TEÓRICA

Este capítulo apresenta a fundamentação teórica básica necessária para entender o funcionamento
do coração e dos ECGs. São abordados ainda, temas referentes às cardiopatias, filtros digitais e decompo-
sição wavelet. Os algoritmos apresentados neste trabalho, foram desenvolvidos com o intuito de auxiliar os
médicos na realização de diagnósticos de problemas cardíacos. Porém, sabe-se que é grande o número de
patologias que afetam o coração. Para que este trabalho não se tornasse demasiadamente extenso, optou-se
por estudar e analisar apenas algumas das principais doenças. Muitas das doenças estudadas neste capítulo
não foram identificadas pelo algoritmo implementado, porém achou-se interessante mantê-las para servir
de base em trabalhos futuros.

2.1 Anatomia do Coração

O coração humano é composto por quatro cavidades distintas, sendo elas dois átrios e dois
ventrículos. A Figura 1 apresenta um diagrama de funcionamento do coração para facilitar a compreensão.
Os dois átrios estão localizados na parte superior do órgão, enquanto os dois ventrículos na parte inferior
(HEART, 2018). O átrio e o ventrículo direito são separados pela válvula tricúspide, que possui a função
de permitir a passagem do sangue apenas no sentido do átrio para o ventrículo. O átrio direito recebe o
sangue venoso (pobre em oxigênio) através da veia cava inferior e veia cava superior, dando vazão para o
ventrículo direito através da válvula tricúspide (ÁTRIO. . . , 2018). O ventrículo direito envia o sangue,
proveniente do átrio, para os pulmões através da artéria pulmonar.

Figura 1 – Diagrama do coração humano

Fonte: (ÁTRIO. . . , 2018)

Nos pulmões são realizadas as trocas gasosas necessárias para tornar o sangue rico em oxigênio e
eliminar o dióxido de carbono do corpo. Este sangue, chamado agora de arterial, retorna para o átrio
22 Capítulo 2. Fundamentação Teórica

esquerdo através das veias pulmonares. A válvula que separa o átrio esquerdo do ventrículo esquerdo é
chamada de mitral e, assim como a tricúspide, é responsável por manter o fluxo sanguíneo apenas do átrio
para o ventrículo. O sangue presente no átrio esquerdo é enviado para o ventrículo esquerdo pela válvula
mitral. Finalmente o ventrículo esquerdo distribui o sangue arterial para todo o corpo através da artéria
aorta.

A circulação sanguínea ocorre de forma paralela nos dois lados do coração. Enquanto o sangue
venoso entra no átrio direito, o sangue arterial entra no átrio esquerdo. Da mesma forma, durante o
bombeamento do sangue do ventrículo direito em direção aos pulmões, ocorre o bombeamento do sangue
do ventrículo esquerdo em direção às demais partes do corpo.

2.1.1 Sistema Elétrico do Coração

O coração é formado por dois tipos de células: os cardiomiócitos e as células marca-passo. Os
cardiomiócitos são células musculares com a capacidade de se contraírem facilmente, e representam 99%
do órgão. Já as células marca-passo executam a importante tarefa de gerar e conduzir impulsos elétricos.
Estes impulsos elétricos provocam uma contração rítmica das células musculares, resultando no batimento
cardíaco (HEART, 2018).

Os impulsos elétricos são produzidos por alterações químicas nas células marca-passo do nódulo
sinusal, localizado na parede superior do átrio direito. Estes impulsos são conduzidos rapidamente por um
outro grupo de células que formam um sistema de condução dentro do coração. O sinal elétrico gerado
pelo nódulo sinusal percorre o átrio direito e chega ao átrio esquerdo através do feixe de Bachmann,
fazendo com que os dois átrios se contraiam quase ao mesmo tempo. Em seguida, o sinal passa para o
nódulo atrioventricular, situado na parte inferior do septo atrioventricular, parede que divide os átrios dos
ventrículos (SANTOS, 2017). Quando o impulso chega ao nodo atrioventricular ele sofre um atraso na
propagação de forma a assegurar uma ativação coordenada de todo o ventrículo. O sinal percorre então o
feixe de His e os seus dois ramos através dos ventrículos do coração. Nos ventrículos, o sinal é ramificado
por um tecido especializado denominado fibras de Purkinje. No momento que esse impulso chega à base
dos ventrículos a contração dos mesmos é realizada, de baixo para cima, fazendo os ventrículos expulsarem
o volume de sangue no seu interior. A Figura 2 apresenta um diagrama do coração mostrando a localização
dos principais componentes que geram e conduzem corrente elétrica no órgão.

Figura 2 – Diagrama do sistema elétrico cardíaco.

Fonte: (SANTOS, 2017)

2.2. Eletrocardiografia 23

2.1.2 Frequência cardíaca

A frequência cardíaca é o número de vezes que o coração bate por minuto. O ritmo cardíaco
normal em repouso é chamado de ritmo sinusal, isto porque neste caso o estímulo elétrico do coração é
gerado no nódulo sinusal. A frequência cardíaca normal de uma pessoa adulta em repouso oscila entre 48
e 98 batimentos por minuto (bpm) (MASON et al., 2007). O ritmo cardíaco aumenta temporariamente
durante a prática de exercícios físicos e fortes emoções, e diminui durante o sono.

2.2 Eletrocardiografia

O primeiro eletrocardiograma realizado em humano foi registrado pelo fisiologista Augustus

D. Waller no ano de 1887. Ele conectou eletrodos no tórax e demonstrou que cada batimento cardíaco
era acompanhado por uma oscilação elétrica (GIFFONI; TORRES, 2010). Os experimentos de Waller
estimularam a pesquisa do fisiologista holandês Willem Einthoven. Einthoven elaborou o galvanômetro de
corda, instrumento que revolucionou e, de forma concreta, alicerçou a eletrocardiografia, em 1903. Seu
primeiro eletrocardiógrafo já permitia registros com qualidade muito semelhantes às dos aparelhos atuais.
Em 1924, ganhou o prêmio Nobel de Fisiologia e Medicina pelo desenvolvimento do galvanômetro e suas
aplicações.

2.2.1 Princípios Básicos da Eletrocardiografia

O eletrocardiograma realiza a medição, através de eletrodos posicionados sobre a pele, dos

potenciais elétricos gerados pelo coração. O padrão do ECG é representado por uma série de ondas que
são geradas por cada fase do ciclo cardíaco. Normalmente um ciclo cardíaco é composto pelas ondas P, Q,
R, S, T e eventualmente, ocorre o aparecimento de mais uma onda denominada U. As linhas entre as
ondas, chamadas de segmentos, também são importantes na análise do ECG. Além destas, também são
nomeados alguns intervalos, porção do ECG que inclui um segmento e uma ou mais ondas. A Figura 3
apresenta uma representação gráfica das ondas, intervalos e segmentos do sinal de ECG.

Figura 3 – Elementos do eletrocardiograma em um ciclo cardíaco completo.

Fonte: (FELDMAN; GOLDWASSER, 2004)

24 Capítulo 2. Fundamentação Teórica

2.2.1.1 Eventos do eletrocardiograma

• Onda P: representa a despolarização atrial, ou seja, ela registra o momento em que acontece a
contração dos átrios, conforme pode ser observado na Figura 4.

• Segmento PR: representa passagem do estímulo elétrico pelo nodo átrio-ventricular.

• Intervalo PR: representa o intervalo entre o início da onda P e início do complexo QRS. É um
indicativo da velocidade de condução entre os átrios e os ventrículos e corresponde ao tempo de
condução do impulso elétrico desde o nodo sinusal até os ventrículos.

• Complexo QRS: evidencia a despolarização e o início da contração dos ventrículos.

• Segmento ST: representa um período de inatividade entre a despolarização e o início da repolari-

zação ventricular.

• Onda T: representa a fase de repolarização dos ventrículos, quando as fibras ventriculares começam
a relaxar.

• Intervalo QT: representa o conjunto da despolarização e repolarização dos ventrículos.

• Intervalo RR: É o intervalo entre duas ondas R. Corresponde a frequência de despolarização

ventricular, comumente utilizado para o cálculo da frequência cardíaca.

Figura 4 – Relação entre as ondas do ECG e os movimentos cardíacos.

Fonte: (ELETROCARDIOGRAMA, 2018)

2.2.2 Derivações do Eletrocardiograma

As derivações são formas de analisar os mesmos estímulos elétricos de pontos de vista diferentes.
Tratam-se de registros da diferença de potencial elétrico entre dois pontos. Existem dois tipos de derivações,
as unipolares e as bipolares. As derivações bipolares medem a diferença de potencial entre dois eletrodos,
2.2. Eletrocardiografia 25

enquanto as monopolares medem a diferença de potencial entre um eletrodo e um ponto virtual (BUENO,
2006). Um ECG normalmente é composto por seis derivações precordiais e seis derivações periféricas.

2.2.2.1 Derivações Precordiais

São derivações unipolares que registram o potencial do ponto onde o eletrodo é posicionado.
São chamadas de V1, V2, V3, V4, V5 e V6. A posição de cada eletrodo é mostrada na Figura 5. No
eletrocardiograma normal, os complexos QRS são predominantemente negativos nas derivações V1 e V2 e
predominantemente positivos nas derivações V4, V5, e V6.

Figura 5 – Posicionamento dos eletrodos nas derivações precordiais.

Fonte: (SANTOS, 2017)

2.2.2.2 Derivações Periféricas

São as derivações obtidas a partir de eletrodos posicionados nos membros do paciente. As

derivações periféricas são divididas em bipolares e unipolares aumentadas. As derivações periféricas
bipolares, também conhecidas como derivações de Einthoven, são nomeadas como D1, D2 e D3. A
derivação D1 mede a diferença de potencial entre braço direito e o braço esquerdo, a D2 entre o braço
direito e a perna esquerda, e a D3 entre o braço esquerdo e a perna esquerda, conforme pode ser visto na
Figura 6.

Figura 6 – Posicionamento dos eletrodos nas derivações periféricas.

Fonte: (BUENO, 2006)

26 Capítulo 2. Fundamentação Teórica

As derivações periféricas unipolares medem a diferença de potencial entre os eletrodos posicionados

nos membros e um ponto virtual de tensão zero. Por possuir amplitude baixa, precisam ser amplificadas.
São nomeadas como aVR, aVL e aVF. A derivação aVR mede o potencial absoluto do braço direito, a
aVL mede o potencial absoluto do braço esquerdo, e a aVF mede o potencial absoluto da perna esquerda.

2.3 Cardiopatias

O termo cardiopatia engloba todos os tipos de doenças que prejudicam o correto funcionamento do
coração. Algumas destas doenças, onde o ECG pode ser utilizado para o diagnóstico, serão resumidamente
abordadas nos tópicos abaixo.

2.3.1 Arritmias Cardíacas

Toda alteração no ritmo cardíaco normal, já visto na subseção 2.1.2, é considerada uma arritmia
cardíaca. Os casos que o paciente em repouso apresenta frequência cardíaca maior que 100 bpm são
chamados de taquicardias, enquanto os menores que 50 bpm são chamados de bradicardias. Além disso,
existem os casos em que ocorre irregularidades no ritmo cardíaco, e que por não alterar a frequência
cardíaca, não podem ser chamados de taquicardia nem bradicardia.

As arritmias podem ser classificadas em quatro tipos: supraventriculares, ventriculares, prema-

turas e bradiarritmia. As arritmias supraventriculares são alterações que atingem os átrios ou o nodo
atrioventricular e são consideradas taquicardias. As arritmias ventriculares são aquelas iniciadas nos
ventrículos, tendendo a ser perigosas e normalmente estão relacionadas à problemas cardíacos. As arritmias
prematuras são o tipo mais comum e inofensivo, tratando-se da presença de batimentos cardíacos extras
fora do ritmo normal. A bradicardia, como já explicado anteriormente, ocorre quando o batimento cardíaco
está lento.

As arritmias podem ser diagnosticadas no ECG realizando uma análise da regularidade e frequência
dos complexos QRS. Além disso, segundo Santos (2017), um sinal de ritmo sinusal possui necessariamente
a presença de ondas P positivas e com morfologia mantida ao longo dos batimentos nas derivações D1 e
aVF.

2.3.2 Infarto Agudo do Miocárdio

O Infarto Agudo do Miocárdio (IAM) é uma patologia decorrente da obstrução da artéria

coronária, que são os vasos responsáveis pela chegada de oxigênio e outros nutrientes ao músculo cardíaco,
o miocárdio. Esta obstrução ocasiona um desequilíbrio entre oferta e consumo de oxigênio, devido ao
baixo fluxo sanguíneo no miocárdio, levando a morte das células desse tecido (BRANDL, 2017).

O ECG durante o IAM apresenta alterações progressivas à medida que a duração do infarto
aumenta. A primeira fase, chamada de superaguda, apresenta um ECG com ondas T aumentadas. Na
segunda fase, chamada de fase aguda, ocorre o supradesnivelamento do segmento ST, que normalmente é
isoelétrico, em pelo menos duas derivações próximas. O supradesnível deve ser medido no chamado ponto J,
ponto entre o fim do QRS e o início do segmento ST, sendo ≥ 2 mm em homens ou ≥ 1,5 mm em mulheres
em V2 e V3 ou ainda ≥ 1 mm em outras derivações precordiais contíguas, ou derivações periféricas
(THYGESEN et al., 2012). Em seguida, ocorre o aparecimento de ondas Q patológicas, caracterizadas por
um pico negativo maior do que o normal, sinalizando a necrose no miocárdio. O próximo estágio, chamado
de subagudo, apresenta inversão da onda T e o retorno do segmento ST para a linha isoelétrica. A última
fase, chamada de crônica, o ECG apresenta ondas Q patológicas com a elevação do segmento ST.
2.3. Cardiopatias 27

2.3.3 Hipertrofia Ventricular Cardíaca

Hipertrofia ventricular é o aumento de espessura das paredes dos ventrículos do coração. Conforme
já visto na seção 2.1, o ventrículo direito é responsável por bombear o sangue para os pulmões, enquanto o
esquerdo é responsável pelo bombeamento de sangue para todo o corpo, e por este motivo, é mais comum
ocorrer hipertrofia ventricular esquerda. O crescimento de um ventrículo está associado a causas como
hipertensão arterial e doença de Chagas (BUENO, 2006). O aumento do tamanho do ventrículo aumenta
as distâncias das ondas e intervalos registradas no ECG.

2.3.3.1 Hipertrofia Ventricular Esquerda

Segundo Póvoa e Souza (2008) o aumento da massa do ventrículo esquerdo geralmente causa um
aumento na amplitude e tempo de duração do QRS das derivações V5 e V6, além de originar ondas S
profundas nas derivações V1 e V2.

2.3.3.2 Hipertrofia Ventricular Direita

O aumento da massa do ventrículo direito ocasiona uma elevação de amplitude da onda R e

diminuição da amplitude da onda S nas derivações V1 e V2, tornando a relação R/S maior que 1. Já nas
derivações V5 e V6 ocorre a diminuição da amplitude da onda R e aumento da onda S, tornando a relação
R/S menor que 1.

2.3.4 Bloqueios
São chamados de bloqueios os atrasos na condução dos impulsos elétricos no tecido cardíaco. O
bloqueio dificulta a passagem destes impulsos da sua origem, o nodo sinusal, às demais partes do coração.
Por alterar o ritmo cardíaco, os bloqueios são considerados um tipo de arritmia. Em geral os bloqueios
podem ser classificados como:

• Bloqueio sinoatrial: distúrbio de condução dos impulsos elétricos na área compreendida entre o nodo
sinusal e os átrios. É também denominado bloqueio de saída do nó sinusal. Pode ser diagnosticado
no ECG pela ocorrência de pausas cuja duração em geral é o dobro do intervalo RR normal além de
ocorrer ausência de onda P (FRIEDMANNI, 2015).

• Bloqueio interatrial e intra-atrial: São bloqueios que ocorrem dentro do átrio. No interatrial existe
uma alteração da condução entre o átrio esquerdo e o átrio direito, enquanto o intra-atrial é o bloqueio
que ocorre dentro de um mesmo átrio (CONDE et al., 2015). A alteração na condução pode ocorrer
em qualquer parte do átrio, mas no caso dos bloqueios interatriais ocorre normalmente na região
entre os átrios, próxima ao Feixe de Bachmann. O ECG com bloqueio interatrial é caracterizado por
duração da onda P ≥ 120 ms e frequentemente com forma bimodal (com entalhes) ou bifásica nas
derivações D1, D2, D3 e aVF.

• Bloqueio átrio-ventricular: ocorre no momento que o impulso elétrico originado no nodo sinusal
encontra o nodo atrioventricular. Devido ao bloqueio o sinal possui dificuldade para passar entre
o átrio e o ventrículo. É dividido em três graus, onde no primeiro grau o sinal apenas sofre um
atraso, no segundo ocorre um bloqueio intermitente, e no terceiro acontece o bloqueio total do
sinal (BUENO, 2006). Os sinais de ECG de pacientes com bloqueio de primeiro grau apresentam
complexos QRS atrasados com relação as ondas P. No bloqueio de segundo grau é observado a
presença de algumas ondas P não seguidas de complexo QRS. No bloqueio de terceiro grau nenhum
estímulo gerado no nodo sinusal passa para os ventrículos, de modo que os átrios e os ventrículos
28 Capítulo 2. Fundamentação Teórica

são contraídos com ritmos independentes. O ECG deste grau apresenta ondas P e complexos QRS
sem relação entre eles, sendo maior a frequência das ondas P.

• Bloqueio de Ramo: bloqueio que ocorre nos ventrículos, na passagem do sinal pelos ramos do Feixe
de His. O Feixe de His divide-se em dois ramos, e por este motivo é possível ocorrer bloqueio de
ramo direito e bloqueio de ramo esquerdo. O ECG de um paciente com bloqueio de ramo apresenta
complexos QRS alargados, com duração entre 0,1 s e 0,12 s quando o bloqueio é incompleto, e
superiores a 0,12 s nos casos de bloqueio completo.

2.3.5 Miocardite
A miocardite é uma inflamação no miocárdio, o músculo cardíaco. Esta doença pode se desenvolver
a partir de uma complicação de alguma doença infecciosa. Casos graves podem levar a uma destruição
do tecido cardíaco. O sinal de ECG apresenta como característica a presença ondas T com amplitude
elevadas em todas as derivações (BUENO, 2006).

2.4 Filtros Digitais

Os sinais de ECG estão sujeitos a ruídos aleatórios e perturbações que podem dificultar a análise
de um sinal ou outro procedimento. Em processamento de sinais, a função de um filtro é eliminar partes
indesejadas, tais como ruídos, e principalmente, extrair partes úteis fazendo o tratamento das informações
no domínio da frequência, separando, classificando e medindo sinais.

Existem dois tipos principais de filtros: os analógicos e os digitais. Os filtros analógicos são
constituídos essencialmente de componentes eletrônicos como resistores, indutores e capacitores. Estes
componentes costumam apresentar imperfeições de fabricação que levam a desvios com relação as
especificações iniciais. Os filtros analógicos são mais baratos, porém são menos precisos e com desempenho
muito inferior aos filtros digitais.

Os filtros digitais são implementados utilizando elementos básicos como multiplicadores, somadores
e elementos de atraso, de acordo com o algoritmo determinado pela função de transferência dos filtros e
suas formas de realização. Eles oferecem uma maior flexibilidade e versatilidade em relação aos filtros
analógicos já que vem a ser uma tarefa fácil alterar o valor dos coeficientes de um filtro digital, mudando
assim a sua função de transferência. Além disso, os filtros digitais são mais estáveis, visto que os filtros
analógicos são sujeitos a variações de temperatura, variações de valores devido aos componentes usados
no circuito, e outros parâmetros que dependem da aplicação e do projeto (SHENOI, 2005).

Os filtros digitais são descritos por dois tipos de funções de transferência: Resposta ao Impulso
Infinita (Infinite Impulse Response) (IIR) e Resposta ao Impulso Finita (Finite Impulse Response) (FIR).
Os filtros FIRs diferenciam-se dos IIRs por serem não recursivos, portanto a resposta de um filtro FIR
depende exclusivamente do sinal de entrada atual e anteriores, sem depender dos valores de saída anteriores.

Os filtros FIRs possuem algumas vantagens em relação aos IIRs, tais como: podem ser projetados
de forma a ter fase sempre linear; são sempre estáveis; as amostras da resposta ao impulso são os mesmos
valores dos coeficientes da função de transferência. Já os filtros IIRs possuem a vantagem de exigirem
uma menor ordem para realizarem uma determinada resposta em frequência.

2.5 Transformada Wavelet

Em processamento de sinais é possível identificar características específicas sobre algum processo,

realizando a extração de informação tanto no domínio do tempo quanto no domínio da frequência. Uma
2.5. Transformada Wavelet 29

ferramenta clássica para análise de sinais é a chamada transformada de Fourier. Esta transformada permite
que um sinal no domínio do tempo, seja visualizado no domínio da frequência. Este método possui como
limitação a falta de compromisso entre a localização temporal e a frequencial. A transformada de Fourier
apresenta o domínio da frequência do sinal como um todo, sendo impossível identificar quais frequências
estão presentes em determinado tempo específico. Esta limitação pode ser contornada utilizando técnicas
de janelamento de sinal, mas isto acaba resultando em perdas de resolução. Janelas pequenas no tempo
resultam em baixa resolução em frequência, enquanto janelas grandes no tempo resultam em melhores
resoluções no domínio da frequência mas pouca precisão no tempo.

A transformada wavelet consiste em um mapeamento do sinal em uma representação tempo-

frequência. Esta transformação, diferentemente da transformada de Fourier, preserva a localização temporal
do sinal (LOBATO et al., 2000) e, por este motivo, tem se revelado ser uma ferramenta poderosa no
processamento de sinais para inúmeras aplicações, entre elas a análise de ECG.

A transformada wavelet utiliza funções wavelets como base, assim como na transformada de
Fourier faz-se o uso de exponenciais complexas. Para ser considerada uma wavelet, uma função precisa ter
energia finita e ter área sob a curva igual a zero, ou seja, sua integral de menos infinito a mais infinito
precisa ser nula. Existem vários tipos de wavelets e o uso de uma ou de outra está associado à aplicação.
A forma geral de uma família wavelet é dada por:
 
1 t−b
ψ(a,b) = √ ψ (2.1)
a a

onde ψ(t), que também pode ser escrita como ψ(1,0) (t), é chamada de wavelet mãe. A operação de
escalonamento, representada na fórmula pela letra a, e de translação, representada pela letra b, da wavelet
mãe geram as chamadas wavelets filhas.

A definição matemática da transformada wavelet contínua é dada pela fórmula:

∞  
t−b
Z
1
W (a, b) = f (t) √ ψ ∗ dt (2.2)
−∞ a a
A operação mostrada na Equação 2.2 pode ser interpretada como o produto interno do sinal que se quer
fazer a transformada f (t), com a família wavelet ψ(a,b) (t). Neste trabalho foram utilizadas as famílias
Daubechie e Symlets.

Se assumirmos que, na Equação 2.2, a e b recebam somente valores inteiros, é possível obtermos a
Transformada Wavelet Discreta (TWD). Nesta transformada os parâmetros de translação e escalonamento
são discretizados, enquanto o tempo permanece sendo uma variável contínua. Para chegar na equação da
TWD através da equação da transformada contínua, é necessário realizar a discretização dos parâmetros
a = am m
0 e b = nb0 a0 , onde m e n são inteiros (POZZEBON et al., 2009), conforme mostrado abaixo.

−m
Z ∞
T W D(m, n) = a0 2 f (t)ψ (am
0 t − nb0 ) dt (2.3)
−∞

2.5.1 Análise de Multiresolução (AMR)

O conceito de multiresolução está relacionado à análise de sinais em diferentes níveis de resoluções,
que por sua vez possui relação com a qualidade do conteúdo no domínio da frequência. Este conceito
aplicado às wavelets surgiu em 1986 no trabalho de Stéphane Mallat e Yeves Meyer (POZZEBON et al.,
2009).

A ideia fundamental da AMR é representar um sinal f (t) como o limite de sucessivas aproximações,
que correspondem a diferentes níveis de resolução. O processo de filtragem apresenta uma forma prática
30 Capítulo 2. Fundamentação Teórica

de realizar a AMR. Este processo baseia-se na filtragem do sinal a ser analisado através de filtros passa
alta e passa baixa.

Em análises que utilizam wavelets, é usual chamar de aproximação o sinal de saída do filtro passa
baixa, enquanto o sinal da saída do filtro passa alta é normalmente chamado de detalhe. Na Figura 7,
o processo de filtragem do sinal original S resulta no sinal de aproximação A e de detalhe D. Em uma
filtragem normal, cada um dos sinais A e D apresentaria o número de amostras iguais ao sinal original.
Isto resultaria em duas vezes mais dados em relação ao sinal original. Para corrigir isto, é realizado uma
operação de sub-amostragem do sinal. Desta forma, o número de amostras dos sinais A e D são reduzidos
pela metade, mantendo a mesma quantidade de dados do sinal original.

Figura 7 – Filtragem de um sinal.

Fonte: (POZZEBON et al., 2009)

O processo de decomposição pode ser realizado em múltiplos níveis, com sucessivas decomposições
das aproximações, de modo que o sinal é dividido em outras componentes de menor resolução, conforme
pode ser observado na Figura 8.

Figura 8 – Decomposição de um sinal em três níveis pela AMR.

 31

3 DESENVOLVIMENTO

O processamento de ECG tem sido muito estudado desde sua criação, surgindo diversos métodos
eficientes de realizar esta tarefa. De uma forma geral, os sinais de ECG passam por três fases, conforme
esquematizado na Figura 9.

Figura 9 – Esquema geral do processamento de sinais de ECG.

Neste trabalho, amostras de sinais de ECG foram adquiridas do banco de dados da Physionet e
processadas no software MATLAB R . O trabalho foi dividido em tarefas apresentadas a seguir.

3.1 Aquisição do Sinal de ECG

Os sinais de ECG utilizados neste trabalho foram adquiridos da Physionet (GOLDBERGER et al.,
2000 (June 13)). Este grande banco de dados contém mais de noventa mil sinais fisiológicos digitalizados
e divididos em 80 bases de dados. Nesse contexto, uma base de dados é simplesmente uma coleção de
gravações agrupadas por alguma característica em comum.

Neste trabalho, foram utilizadas as bases de dados MIT-BIH Arrhythmia Database, contendo
sinais de pacientes com arritmia, e MIT-BIH Normal Sinus Rhythm Database, contendo sinais de pacientes
com batimentos sinusais. A base de arritmia foi publicada em 1992 e possui 48 registros de batimentos
cardíacos, amostrados a uma frequência de 360 Hz. A base de sinais sinusais foi publicada em 2000 e
possui 18 registros de pacientes que não possuem arritmias significantes, amostrados a uma frequência
de 128 Hz. Ambos os bancos possuem sinais com duração de até 30 minutos. Nos testes do algoritmo
implementado, foram utilizados 35 sinais do banco de arritmia e 15 do banco de sinais sinusais.

3.1.1 Janelamento de Sinal

O MATLAB R é um software otimizado para realizar operações matriciais. Sendo assim, para
processar dados mais rapidamente é preciso executar a maior parte das operações utilizando matrizes.
Na implementação do algoritmo deste trabalho, foi levado em consideração este importante fator para o
desempenho. As operações para localizar as ondas foram implementadas de forma matricial. Os sinais de
ECG com até um minuto são processados em menos de um segundo. O ponto negativo deste método é
que à medida que o número de amostras do sinal aumenta, o tamanho das matrizes também aumenta.

Ao baixar um ECG do banco de dados da Physionet, é possível selecionar a duração do sinal.

As opções disponíveis geralmente variam entre de 10 segundos e 30 minutos. Sinais com 30 minutos
amostrados a 128 Hz possuem 230400 amostras, e as matrizes utilizadas no algoritmo terão, em pelo
menos uma de suas dimensões, este comprimento. Processar este grande número de amostras de forma
matricial exige muito espaço em memória RAM. Nos casos em que o tamanho de memória necessária
para o processamento é maior do que o disponível no computador, o algoritmo trava. Para contornar este
32 Capítulo 3. Desenvolvimento

problema e conseguir processar sinais com qualquer número de amostras, foi implementado um método de
janelamento de sinal. Sinais com duração maior que 60 segundos são divididos em janelas desta mesma
duração. As posições das ondas encontradas em cada janela são agrupadas para formar o resultado do
sinal completo. A Figura 10 apresenta o resultado do processamento de um sinal com 30 minutos de
duração. Analisando esta imagem é possível perceber que, em alguns pacientes, o coração se comporta de
maneira normal por longos períodos de tempo antes de apresentar uma irregularidade, que neste caso
ocorreu apenas após cerca de 1100 segundos de medição.

Figura 10 – Marcação das ondas em um sinal com duração de 30 minutos.

3.2 Pré-Processamento

Os sinais de ECG hospedados no banco de dados da PhysioNet possuem ganho de captação e

apresentam, em alguns casos, uma flutuação na linha de base, proveniente de movimentos respiratórios ou
musculares do paciente. Além disto, é comum ocorrer interferência na frequência de 60 Hz proveniente
da rede elétrica. A primeira etapa de processamento dos sinais do banco de dados tem como principal
objetivo adequar os sinais para uma melhor identificação das ondas do ECG.

3.2.1 Frequência de Amostragem

Os sinais utilizados neste trabalho possuem taxa de amostragem de 128 Hz ou 360 Hz. Para
padronizar os sinais de entrada e permitir que os mesmos filtros pudessem ser utilizados em ambos,
optou-se por realizar um upsampling nos sinais com taxa de amostragem de 128 Hz, utilizando a função
interp que faz uma interpolação das amostras, resultando em sinais de 384 Hz, três vezes mais amostras
do que o sinal original. Optou-se por realizar o upsampling ao invés do downsampling pois, em sinais
com baixa taxa de amostragem, as técnicas que utilizam decomposições wavelets resultam em perda de
qualidade do sinal devido ao downsampling que ocorre a cada nível de decomposição.

3.2.2 Ganho

Ao realizar o download do arquivo .mat no banco de dados é disponibilizado também um outro

arquivo de extensão .info. Este arquivo possui informações importantes, como por exemplo a duração do
sinal, taxa de amostragem e o ganho de captação. Este ganho é aplicado no sinal e altera a amplitude
original. Para realizar a análise da amplitude do sinal de maneira correta, faz-se necessário dividir a
amplitude do sinal pelo ganho especificado no arquivo de extensão .info, tendo valor 200 nos sinais dos
dois bancos utilizados.
3.2. Pré-Processamento 33

3.2.3 Linha de Base

A correção da linha de base dos sinais é importante para a correta identificação dos pontos do
ECG. A flutuação da linha de base geralmente é proveniente de movimentos musculares e da frequência
respiratória gerando sinais em torno de 0,5 Hz. Neste trabalho optou-se por realizar esta correção filtrando
estas componentes de baixa frequências. Para isto, foi implementado um filtro FIR passa-altas em
MATLAB R , utilizando a ferramenta fdatool. O filtro projetado possui ordem 300 e é do tipo Constrained
Equiripple, com frequência de corte de 0,2 Hz e atenuação de 30 dB. Os coeficientes gerados pela ferramenta
foram exportados como objetos e utilizados no MATLAB R pela função filter para realizar a filtragem
do sinal. Alguns outros tipos de filtros foram testados e, dentre eles, este apresentou o melhor resultado.
Porém, não preocupou-se em economizar processamento na implementação deste filtro. A Figura 11
apresenta um mesmo exemplo de sinal ECG com flutuação da linha de base (cor azul) e após a filtragem
(cor vermelha). É possível perceber que o filtro não alterou as características do sinal original.

Figura 11 – Correção da linha de base.

3.2.4 Ruído
Normalmente o sinal de ECG possui frequências entre 0,05 Hz e 100 Hz e amplitude de 1 a 10
mV. Por ser um sinal com baixa amplitude, é muito suscetível a ruídos provenientes de diversas fontes,
inclusive da rede elétrica. Por este motivo é importante realizar uma filtragem que permita a eliminação de
grande parte do ruído sem alterar as características do sinal. Alguns métodos foram testados para realizar
esta tarefa, e serão descritos a seguir. Para mensurar a similaridade do sinal sem ruído com relação ao
original, em três dos quatro métodos apresentados utilizou-se da correlação cruzada, descrita pela fórmula:

PN
i=1 x(i).y(i)
C = 100. qP (3.1)
N PN
i=1 x2 (i). i=1 y 2 (i)
Onde x representa o ECG original e y o sinal sem ruído.

3.2.4.1 Sinal de Aproximação de Nível 3

Conforme mencionado em subseção 2.5.1, é possível realizar sucessivas decomposições wavelet

para diminuir a resolução do sinal. Neste trabalho observou-se que o sinal de aproximação de nível 3 (a3 ),
após alguns ajustes, torna-se muito parecido com o sinal original eliminado o ruído. A Figura 12 apresenta
a sobreposição de um ECG com sua aproximação de nível 3 após os ajustes.
34 Capítulo 3. Desenvolvimento

Figura 12 – Sinal original e sinal a3 sobrepostos.

O processo de decomposição utiliza-se de filtros passa altas e passa baixas e ainda realiza uma
subamostragem por 2 em cada nível. Sendo assim, a taxa de amostragem do sinal a3 é oito vezes menor
do que a do sinal original. Foi necessário ajustar a amplitude do a3 dividindo o sinal por três, e atrasá-lo
no tempo por um valor que depende da família wavelet e frequência de amostragem do sinal original. Os
testes realizados mostraram melhores resultados utilizando a wavelet Symlets 6 (sym6 ).

Por possuírem o número de amostras diferentes devido a subamostragem que ocorre na decompo-
sição, não foi possível realizar a correlação cruzada entre o sinal original e o sinal sem ruído. Sendo assim,
a análise dos resultados precisou ser realizada de forma apenas visual. Os resultados foram positivos
quanto a eliminação de ruído e a permitir a detecção das ondas. O ponto negativo deste método está no
fato de ocorrer um pequeno alargamento no complexo QRS que resulta em uma detecção das ondas Q e S
em posições não precisas quando os pontos achados são transportados para o sinal original. Além disto, a
amplitude do complexo QRS também sofre uma grande atenuação.

O transporte das ondas encontradas no a3 para o sinal original foi realizado de duas formas
diferentes. A primeira realiza os ajustes do sinal a3, conforme mencionado anteriormente, para que os dois
sinais possuam a mesma escala de tempo. Na segunda nenhum ajuste é feito no sinal a3, e após localizar
as posições das ondas, estas posições são transportadas para o sinal original realizando a multiplicação da
posição por oito, de forma a compensar a subamostragem realizada na decomposição wavelet. Os dois
métodos apresentaram resultados semelhantes.

3.2.4.2 Zerar Componentes de Detalhe

Assim como no método apresentado na subseção 3.2.4.1, utilizou-se da função dwt para realizar
três níveis de decomposição wavelet. No entanto, o sinal foi reconstruído, nível por nível, utilizando a
função inversa idwt, zerando as componentes de detalhe em cada nível. Zerar as componentes de detalhe
elimina o ruído de alta frequência presente no sinal. A reconstrução do sinal mantém a mesma taxa de
amostragem do sinal original.

A Figura 13 apresenta um sinal filtrado, utilizando 3 níveis de decomposição e Daubechies 5,

sobreposto ao sinal original, de forma a permitir analisar o resultado. Assim como no método que utiliza a
componente de aproximação, o ruído é eliminado com sucesso mas ocorre um alargamento ainda maior no
complexo QRS. Conforme apresentado na Tabela 1, os melhores resultados foram alcançados utilizando
as wavelets Symlets 6 (sym6 ) e Daubechies 5 (db5 ), em três níveis de decomposição. A aplicação desta
técnica com apenas um ou dois níveis não consegue eliminar com sucesso os ruídos do sinal. A vantagem
deste método com relação ao anterior é que nenhum ajuste de amplitude ou deslocamento no tempo
precisa ser realizado.
3.2. Pré-Processamento 35

Figura 13 – Sobreposição entre sinal original e sinal reconstruído zerando detalhes.

Tabela 1 – Resultados da correlação cruzada entre o sinal original e o eliminado ruído zerando componentes
de detalhe.

Wavelet Correlação da dec. em 3 níveis Correlação da dec. em 4 níveis

Daubechies 1 85,2111 % 66,2764 %
Daubechies 2 89,0560 % 71,6142 %
Daubechies 3 90,3616 % 71,2447 %
Daubechies 4 90,5729 % 69,9848 %
Daubechies 5 91,0106 % 72,1533 %
Daubechies 6 91,0023 % 70,9451 %
Symlets 1 85,2111 % 66,2764 %
Symlets 2 89,0560 % 71,6142 %
Symlets 3 90,1636 % 71,2447 %
Symlets 4 90,6784 % 71,2723 %
Symlets 5 91,0008 % 72,2578 %
Symlets 6 91,1357 % 70,8027 %

3.2.4.3 Denoising Wavelet

É possível implementar um denoising wavelet utilizando apenas duas funções do MATLAB R ,

conforme apresentado no Código 3.1.

Código 3.1 – Código para implementar um denoising wavelet em MATLAB.

1 wname=’db4’;
2 n=3;
3 [thr,sorh,keepapp]=ddencmp(’den’,’wv’,x);
4 denoised_signal=wdencmp(’gbl’,x,wname,n,thr,sorh,keepapp);

A função ddencmp, recebendo como argumentos ‘den’ e ‘wv’, retorna valores padrões para realizar o
denoising wavelet do sinal x através da função wdencmp. A função wdencmp retorna uma versão do sinal x
sem ruído, obtido através da decomposição wavelet de n níveis, utilizando a wavelet wname. O argumento
‘gb1 ’ sinaliza que o limiar de decisão (threshold) thr é uma grandeza escalar. O argumento sorth por
padrão possui valor ‘s’ para sinalizar que o limiar de decisão é do tipo suave. O argumento keepapp pode
receber valor 0 ou 1 e, por padrão, recebe valor 1 indicando que os coeficientes de aproximação não devem
ser filtrados.

Os melhores resultados foram encontrados utilizando as wavelets Daubechies 4 (db4 ), Daubechies

5 (db5 ), Daubechies 6 (db6 ), Symlets 4 (sym4 ), Symlets 5 (sym5 ) e Symlets 6 (sym6 ), sendo tão parecidos
que tornou-se difícil concluir qual a melhor opção. Os testes realizados também apontaram melhores
resultados ao utilizar pelo menos três níveis de decomposição. Para alguns sinais, alterar o valor do
36 Capítulo 3. Desenvolvimento

argumento keepapp para 0 melhorou a qualidade da filtragem, enquanto para outros sinais esta alteração
resultou em mudanças no formato de alguma onda. O valor do limiar de decisão retornado pela função
ddencmp foi o que apresentou melhores resultados. A Tabela 2 apresenta os resultados da correlação
cruzada entre o sinal original e o filtrado. Os valores da correlação apresentados são altos, demonstrando
a grande similaridade entre os dois sinais.

A Figura 14 apresenta o resultado da filtragem de ruído utilizando a wavelet Daubechies 4 em uma

decomposição de três níveis. É possível notar que a forma de todas as ondas permaneceram inalteradas
enquanto o ruído foi eliminado com sucesso. Como ponto negativo do método, é perceptível o surgimento
de um pequeno pico, de tamanho variável dependendo da wavelet utilizada, logo após o complexo QRS.

Figura 14 – Sobreposição entre sinal original e sinal após o denoising wavelet.

Tabela 2 – Resultados da correlação cruzada entre o sinal original e o eliminado ruído através do denoising
wavelet.

Wavelet Correlação da dec. em 3 níveis Correlação da dec. em 4 níveis

Daubechies 1 99,2631 % 99,1126 %
Daubechies 2 99,4592 % 99,3140 %
Daubechies 3 99,4766 % 99,3329 %
Daubechies 4 99,4837 % 99,3422 %
Daubechies 5 99,4796 % 99,3408 %
Daubechies 6 99,4761 % 99,3359 %
Symlets 1 99,2630 % 99,1121 %
Symlets 2 99,4595 % 99,3142 %
Symlets 3 99,4766 % 99,3331 %
Symlets 4 99,4880 % 99,3449 %
Symlets 5 99,4929% 99,3512 %
Symlets 6 99,4868 % 99,3503 %

3.2.4.4 Filtro Passa-Baixas

Assim como no filtro passa-altas descrito em subseção 3.2.3, fez-se o uso da ferramenta fdatool
para projetar um filtro IIR de ordem 2. O filtro projetado foi do tipo Butterworth com frequência de corte
em 30 Hz. O filtro IIR com a frequência de corte de 30 Hz é conhecido na literatura por preservar as
características mais importantes das ondas P, Q, R, S, T e eliminar cerca de 90% do ruído (MOODY,
1997). Os coeficientes do filtro foram armazenados em um arquivo e utilizados para a filtragem pela função
filtfilt. Esta função já executa a filtragem bidirecional de forma a evitar distorção de fase. A Figura 15
apresenta o resultado da filtragem. É possível perceber que o ruído foi eliminado com sucesso, e que as
características do sinal foram conservadas.
3.3. Processamento do Sinal de ECG 37

A correlação cruzada entre o sinal original e o sinal filtrado apresentou resultado 98,37 %. Esta
correlação é menor do que a do denoising wavelet indicando que o sinal filtrado possui mais diferenças
quando comparado ao original. Ainda assim, este método apresentou ótimos resultados já que preservou
as principais características de todas as ondas, exige pouco processamento e consegue reduzir o ruído
com sucesso em todos os sinais testados. Apesar do denoising wavelet também ter apresentado ótimos
resultados, este foi o método escolhido para ser utilizado neste trabalho pois, diferentemente do denoising
wavelet, não ocorre o aparecimento do pequeno pico após o complexo QRS.

Figura 15 – Filtragem de ruído utilizando filtro passa-baixas.

3.3 Processamento do Sinal de ECG

3.3.1 Localização das Ondas

3.3.1.1 Onda R

Foi implementado dois métodos diferentes para realizar esta tarefa. Um deles utilizou-se de
decomposições wavelets e no outro realizou-se a localização dos picos R diretamente no sinal pré-processado.

3.3.1.1.1 Decomposição Wavelet

Neste método, o sinal pré-processado passou por uma decomposição wavelet de três níveis
utilizando a função dwt. A wavelet que apresentou os melhores resultados foi a Daubechies 7 (db7), pois
ela é bastante parecida com o complexo QRS. A Figura 16 apresenta um exemplo de sinal decomposto
em três níveis db7. O sinal de detalhe nível 3 (d3) foi elevado ao quadrado, resultando em um sinal
inteiramente positivo. Os picos do d32 foram encontrados utilizando a função findpeaks, rejeitando os
picos menores que 3% do pico máximo e respeitando uma distância mínima entre picos de 0,3 segundos.
A Figura 17 apresenta a marcação dos picos encontrados no d32 . Este método apresentou um resultado
satisfatório, porém notou-se que a precisão dos pontos encontrados é reduzida devido à subamostragem do
sinal que ocorre em cada nível da decomposição wavelet. Isto pode ser notado analisando a coluna Média
da Defasagem da Tabela 3. As ondas R localizadas apresentaram uma defasagem média com relação aos
valores fornecidos pela Physionet maior do que 110 ms. Além disto, ocorreu em alguns casos a detecção
de ondas R inexistentes, reduzindo a eficiência do método.

Por outro lado, o número de amostras do sinal d3 é oito vezes menor do que o do sinal pré-
processado, tornando rápida a tarefa de detectar os picos. Também foi possível localizar as ondas R, com
resultados parecidos, encontrando os picos do sinal aproximação de nível 3 (a3) ao invés de utilizar o d32 .
38 Capítulo 3. Desenvolvimento

Figura 16 – Coeficientes de aproximação e detalhe de três níveis de decomposição wavelet.

Figura 17 – Picos marcados no sinal d32 .

Tabela 3 – Resultados da detecção das ondas R através do método da decomposição wavelet.

Sinal Ondas R Ondas R encontradas Eficiência (%) Média da Defasagem (s)

100 2273 2273 100 0,1376
209 3005 3023 99,40 0,1230
123 1518 1524 99,61 0,1163
115 1953 1954 99,95 0,1201
115 2753 2745 99,71 0,1214
3.3. Processamento do Sinal de ECG 39

3.3.1.1.2 Método dos Picos (direto)

Neste método a detecção da onda R é feita diretamente no sinal pré-processado. Assim como no
método anterior, fez-se o uso da função findpeaks, porém foi rejeitado os picos menores que 50% do valor
máximo e ainda respeitando uma distância mínima entre picos de 0,3 segundos. A Figura 18 apresenta o
plot de um ECG com as marcações da ondas R. Conforme pode ser observado na Tabela 4, este método
apresentou resultados que indicaram maior eficiência e precisão com relação ao método da decomposição
wavelet e, por este motivo, foi utilizado como base para localizar as demais ondas.

Figura 18 – Ondas R marcadas pelo método dos picos.

Tabela 4 – Resultados da detecção das ondas R através do método dos picos.

Sinal Ondas R Ondas R encontradas Eficiência (%) Média da Defasagem (s)

100 2273 2272 99,96 0,0075
209 3005 2299 99,80 0,0016
123 1518 1518 100 0,0013
115 1953 1953 100 0,0022
115 2753 2752 99,96 0,00051

3.3.1.2 Complexo QRS

A localização dos complexos QRS é de suma importância na análise dos ECGs. Neste trabalho
a marcação das ondas Q e S foi realizada à partir das ondas R encontradas. Para localizar as ondas
Q, o algoritmo cria um vetor com a posição de todas as amostras localizadas no intervalo 0,3 segundos
anteriores aos picos R. Já nas ondas S, o vetor possui a posição das amostras no intervalo 0,3 segundos
posteriores aos picos R. Foi utilizado a função findpeaks para localizar os picos somente dentro destes
intervalos. A Figura 19 apresenta a marcação do complexo QRS no sinal pré-processado.

Figura 19 – Marcação dos complexos QRS.

Os valores encontrados foram utilizados para calcular a média de tempo entre as ondas Q e S.
Conforme mencionado na subseção 2.3.4, intervalos Q-S com duração maior que 120 ms indicam um
40 Capítulo 3. Desenvolvimento

possível bloqueio de ramo completo. O sinal da Figura 19 apresenta intervalo Q-S médio de 136 ms,
estando fora da faixa normal.

3.3.1.3 Ondas P e T

As ondas P são marcadas à partir da localização ondas Q encontradas previamente. Para realizar
esta tarefa, um vetor armazena todos intervalos, com tamanho de um terço da média dos intervalos R-R,
anteriores às ondas Q. A função findpeaks foi utilizada para localizar os picos somente dentro destes
intervalos. De forma análoga à localização das ondas P, as marcações das ondas T utilizam as localizações
das ondas S encontradas previamente. Porém, o vetor armazena os intervalos, com comprimento de metade
da média dos intervalos R-R, iniciados 100 ms após às ondas S.

O método utilizado apresentou bons resultados na identificação das ondas com formatos bem
definidos. Porém, alguns sinais do banco de arritmia possuem irregularidades nas ondas T, que dificultam
sua localização com precisão e, nestes casos, o algoritmo identificou algumas ondas T em pontos errados.

3.3.2 Frequência Cardíaca

Sabe-se que o intervalo R-R do ECG representa um ciclo cardíaco completo. Sendo assim, após
localizar as ondas R é possível calcular a frequência cardíaca através do intervalo de tempo entre os
picos encontrados. A localização das ondas R foram armazenadas em dois vetores que representam a
amplitude y[n] e o tempo x[n]. Para achar os intervalos R-R realizou-se a operação: i[n] = x[n + 1] − x[n].
Os intervalos encontrados na escala de segundos foram convertidos para batimentos por minutos fazendo
a operação bpm[n] = 60i[n]. A Figura 20 apresenta o plot da frequência cardíaca pelos dois métodos de
localização das ondas R.

Figura 20 – Frequência cardíaca pelos dois métodos de localização das ondas R

A média dos valores encontrados nos dois métodos é muito próxima. Porém, é fácil notar que o
método da decomposição wavelet não apresenta uma boa precisão, e isto ocorre devido à subamostragem
realizada. Por este motivo, para realizar uma análise de arritmia é mais interessante utilizar o método dos
picos para localizas as ondas R.

3.3.3 Alerta de Batimento Fora do Ritmo

Conforme mencionado na subseção 2.3.1, irregularidades no ritmo cardíaco são consideradas casos
de arritmia. Sendo assim, um dos requisitos para o sinal ser considerado sinusal é que os intervalos R-R
mantenham-se com pouca oscilação. Neste trabalho, foi implementado um simples método de detecção de
batimentos fora do ritmo verificando a diferença de tempo entre intervalos R-R subsequentes, armazenando
3.3. Processamento do Sinal de ECG 41

a posição dos pontos que apresentam diferença maior do que 100 ms. Optou-se por este valor de 100 ms
por obter bons resultados em testes realizados com sinais dos bancos de dados de arritmias e sinusais.

Figura 21 – Detecção de batimento fora do ritmo em um paciente com arritmia.

A Figura 21 apresenta um sinal adquirido do banco de dados de arritmia. Neste ECG, ondas R
foram localizadas nos tempos 4,24 s, 4,979 s , 5,833 s. O algoritmo calcula o tempo dos dois intervalos que
existem entre as três ondas, sendo respectivamente 0,739 s e 0,854 s. Como o módulo da diferença entre
os dois intervalos é maior do que 100 ms, um alerta é escrito no gráfico na posição onde a irregularidade
ocorreu. A Figura 22 apresenta um gráfico de batimentos por minutos calculado em cada intervalo R-R
deste mesmo ECG. Por esta imagem é possível perceber que a frequência cardíaca do paciente se mantém
em torno de 73 BPMs, exceto aos 5 s quando ocorre um batimento antes do tempo, elevando a frequência
cardíaca para 91 BPMs. Após este batimento fora do ritmo, o coração voltou a bater na frequência normal.
A detecção deste tipo de problema sem o auxílio de um software torna-se uma tarefa quase impossível, e
provavelmente passaria despercebido até mesmo por cardiologistas experientes.

Figura 22 – Batimentos por minuto em cada intervalo R-R em um paciente com arritmia.

3.3.4 Correlação com Sinal Sinusal

Uma das informações mais importantes a serem extraídas de um exame de eletrocardiograma é se

o sinal possui características sinusais ou não. Após análises do sinal no domínio da frequência, verificou-se
que os sinais sinusais apresentam um espectro muito característico. A partir disto, foi implementado um
método para detectar sinais que visualmente não são sinusais.

O método em questão realiza a Transformada Rápida de Fourier (Fast Fourier Transform) (FFT)
do sinal pré-processado e a correlaciona com a FFT de um sinal sinusal. Esta técnica foi aplicada em trinta
e cinco ECGs do banco de arritmia e quinze do banco de sinais sinusais. Os resultados apontaram que
quanto menor o valor da correlação, menor é a possibilidade do sinal ser sinusal. Todos os sinais do banco
sinusal, apresentaram valor de correlação maior do que 0,3. A maior parte dos sinais do banco de arritmia
que possuem formas de ondas que claramente os definem como não sinusais obtiveram correlação menores
que 0,2. Dos trinta e cinco sinais do banco de arritmia analisados, vinte sinais obtiveram correlação
inferiores a 0,2.
42 Capítulo 3. Desenvolvimento

Alguns sinais do banco de arritmia apresentam características de sinais sinusais, e só não são
assim classificados por apresentarem alguma irregularidade após vários batimentos normais. Para estes
casos, o valor da correlação foi maior do que 0,2. Sendo assim, é possível dizer que um sinal não é sinusal
quando a correlação resultar valor menor do que 0,2, porém não é verdadeiro falar que todo sinal com
correlação maior que 0,2 será sinusal.

A Figura 23 apresenta um sinal sinusal nos domínios do tempo e frequência, enquanto a Figura 24
apresenta, da mesma maneira, um sinal não sinusal . É possível observar que os dois sinais no domínio da
frequência se diferem muito.

Figura 23 – Sinal sinusal nos domínios do tempo e frequência.

Figura 24 – Sinal não sinusal nos domínios do tempo e frequência.

3.3.5 Robustez ao Ruído

Conforme mencionado anteriormente, por possuir amplitude baixa, o sinal de ECG é muito
susceptível à interferência de ruído. Para melhor analisar a robustez do algoritmo ao ruído, optou-se por
utilizar a função randn para gerar um ruído gaussiano de média 0 variância 1. Os valores gerados tiveram
sua amplitude ajustada com relação a energia do sinal de ECG, para obter uma relação de sinal-ruído
(SNR) controlada. Foram realizados testes para SNR de 1 db até 51 dB, ao passo de 5, totalizando onze
diferentes resultados de processamento para cada sinal de ECG analisado.

A identificação das ondas R apresentaram resultado ótimo para SNRs maiores do que 6 dB
em todos os sinais analisados, sendo possível aferir a frequência cardíaca com precisão nestes casos. A
identificação das ondas Q e S começa a ser comprometida quando o SNR é menor do que 20 dB. O ruído
com amplitude alta faz com que ocorra um deslocamento na posição dos pontos identificados. A Figura 25
apresenta o tempo médio entre as ondas Q e a ondas S, sendo possível verificar um comportamento linear
para SNR maiores que 20 dB.
3.3. Processamento do Sinal de ECG 43

Figura 25 – Duração média do intervalo QS para diferentes SNRs.

3.3.6 Diagnóstico automatizado.

Os procedimentos descritos anteriormente foram utilizados para realizar o diagnóstico de alguns
problemas cardíacos. A Figura 26 apresenta o fluxograma simplificado do algoritmo implementado. O
programa obteve bons resultados na identificação das ondas e irregularidades no ritmo cardíaco para os
cinquenta sinais de ECG testados.
44 Capítulo 3. Desenvolvimento

Figura 26 – Fluxograma do algoritmo gerador de diagnóstico.

 45

4 CONCLUSÕES E TRABALHOS FUTUROS

Este trabalho teve como objetivo a implementação de um algoritmo capaz de auxiliar cardiologistas
a identificar problemas cardíacos utilizando exames ECG. Para isto, foram implementadas em MATLAB R
técnicas de pré-processamento, localização das ondas, cálculo de frequência cardíaca e ainda um método
para identificar sinais não sinusais.

Foi possível notar durante o desenvolvimento do projeto, que a análise de ECG é uma tarefa
complexa, visto que a quantidade de distúrbios que podem comprometer o coração é muito grande. Cada
cardiopatia apresenta um sinal de ECG característico mas um mesmo paciente pode ter mais de uma
patologia. Sendo assim, são inúmeros os sinais de ECG possíveis, e os algoritmos de detecção de cardiopatias
precisam se adaptar a todos eles. Além disto, muitas cardiopatias não puderam ser identificadas devido a
falta de derivações no banco de dados da Physionet.

Durante o trabalho houve dificuldade principalmente na localização das ondas T pois, em sinais
não sinusais, estas ondas apresentam características muito diferentes das esperadas. Para as demais ondas,
o algoritmo implementado apresentou ótimos resultados, mas ainda assim em alguns casos ocorreram a
identificações erradas. O sistema de alertas de batimentos fora do ritmo conseguiu localizar corretamente
imperfeições até mesmo nos sinais do banco de sinusais, algumas destas muito provavelmente passariam
despercebidas se não fossem analisadas por um algoritmo.

Devido a complexidade do tema e ao tempo disponível, não foi possível implementar a detecção
de uma grande quantidade de cardiopatias. Porém, como sugestão de continuidade deste trabalho são
propostos alguns temas, tais como:

• Aperfeiçoamento do método de localização das ondas;

• Aplicação de técnicas de aprendizado de máquina utilizando as ondas encontradas como dados de

entrada para uma rede neural, de forma a identificar cardiopatias;

• Implementação de um sistema embarcado que faça a medição e processamento do potencial elétrico

gerado pelo coração;

• Identificação de cardiopatias analisando a amplitude e duração das ondas localizadas.

Certamente este projeto não conclui o tema de pesquisa, mas poderá servir como base para todos
os temas acima propostos, podendo no futuro, com o aperfeiçoamento e adição de novas funcionalidades,
ser utilizado em algum ambiente hospitalar, ajudando médicos a realizarem seu árduo trabalho.
 47

REFERÊNCIAS

BRANDL, D. L. Infarto agudo do miocárdio. Revista UNIPLAC, v. 5, n. 1, 2017. Citado na página 26.
BUENO, N. M. Classificação Automática de Cardiopatias Baseada em Eletrocardiograma. Dissertação
(Mestrado) — Universidade Federal de Uberlândia, 2006. Citado 5 vezes nas páginas 19, 20, 25, 27 e 28.
CONDE, D. et al. Bayés’ syndrome: the association between interatrial block and supraventricular
arrhythmias. Expert review of cardiovascular therapy, Taylor & Francis, v. 13, n. 5, p. 541–550, 2015.
Citado na página 27.
ELETROCARDIOGRAMA. [S.l.]: Michael J. Shea, 2018. <https://www.
msdmanuals.com/pt/casa/distúrbios-do-coraç~ao-e-dos-vasos-sanguíneos/
diagnóstico-de-doenças-cardíacas-e-dos-vasos-sanguíneos/eletrocardiograma>. Acesso em: 25
jul. Citado na página 24.
FELDMAN, J.; GOLDWASSER, G. P. Eletrocardiograma: recomendações para a sua interpretação.
Revista da SOCERJ, v. 14, n. 4, p. 256, 2004. Citado na página 23.
FRIEDMANNI, A. A. Bloqueio sinoatrial: modalidade incomum de bradicardia. REVISTA
DIAGNÓSTICO E TRATAMENTO• VOLUME 20• EDIÇÃO 4, p. 146, 2015. Citado na página 27.
GIFFONI, R. T.; TORRES, R. M. Breve história da eletrocardiografia. 2010. Citado na página 23.
GOLDBERGER, A. L. et al. PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research
resource for complex physiologic signals. Circulation, v. 101, n. 23, p. e215–e220, 2000 (June 13).
Circulation Electronic Pages: http://circ.ahajournals.org/content/101/23/e215.full PMID:1085218; doi:
10.1161/01.CIR.101.23.e215. Citado na página 31.
HEART. [S.l.]: Wikipédia, 2018. <https://en.wikipedia.org/wiki/Heart>. Acesso em: 25 jun. 2018.
Citado 3 vezes nas páginas 19, 21 e 22.
LOBATO, E. M. et al. Classificação e identificação de impressões digitais no domínio da transformada de
wavelet. Florianópolis, SC, 2000. Citado na página 29.
MASON, J. W. et al. Electrocardiographic reference ranges derived from 79,743 ambulatory subjects.
Journal of electrocardiology, Elsevier, v. 40, n. 3, p. 228–234, 2007. Citado na página 23.
MOODY, G. B. ECG Database Programmer’s Guide. [S.l.]: Harvard MIT Division of Health Sciences and
technology, 1997. v. 9. Citado na página 36.
NARAYANA, K.; RAO, A. B. Wavelet based qrs detection in ecg using matlab. Innovative Systems
Design and Engineering, v. 2, n. 7, p. 60–69, 2011. Citado na página 19.
OPAS. Doenças cardiovasculares. 2017. <https://www.paho.org/bra/index.php?option=com_content&
view=article&id=5253:doencas-cardiovasculares&Itemid=839>. Organização Pan-Americana da saúde.
Acesso em: 25 jun. 2018. Citado na página 19.
PÓVOA, R.; SOUZA, D. Análise crítica do eletrocardiograma e do ecocardiograma na detecção da
hipertrofia ventricular esquerda. Rev Bras Hipertens, v. 15, n. 2, p. 81–9, 2008. Citado na página 27.
POZZEBON, G. G. et al. Tranformada wavelet e redes neurais artificiais na análise de sinais relacionados
à qualidade da energia elétrica. Universidade Federal de Santa Maria, 2009. Citado 2 vezes nas páginas
29 e 30.
SANTOS, E. C. L. Manual de Eletrocardiografia Cardiopapers. Atheneu, 2017. ISBN 8538807927. Disponível
em: <https://www.amazon.com/Manual-Eletrocardiografia-Cardiopapers-Eduardo-Cavalcanti/dp/
8538807927?SubscriptionId=0JYN1NVW651KCA56C102&tag=techkie-20&linkCode=xm2&camp=
2025&creative=165953&creativeASIN=8538807927>. Citado 3 vezes nas páginas 22, 25 e 26.
SHENOI, B. A. Introduction to Digital Signal Processing and Filter Design. [S.l.]: Wiley-Interscience,
2005. ISBN 0471464821. Citado na página 28.
48 Referências

SILVA, G. M. A. da; SOARES, C. P.; SOTOMAYOR, O. A. Z. Teoria wavelet na análise de sinais de ecg
como ferramenta de auxílio na detecção de arritmias cardíacas. XII Simpósio Brasileiro de Automação
Inteligente (SBAI), p. 963–968, 2015. Citado 2 vezes nas páginas 19 e 20.
THYGESEN, K. et al. Third universal definition of myocardial infarction. European heart journal, Oxford
University Press, v. 33, n. 20, p. 2551–2567, 2012. Citado na página 26.
WHO. The top 10 causes of death. 2018. <http://www.who.int/en/news-room/fact-sheets/detail/
the-top-10-causes-of-death>. World Health Organization. Acesso em: 25 jun. 2018. Citado na página 19.
ÁTRIO Direito. [S.l.]: Wikipédia, 2018. <https://pt.wikipedia.org/wiki/Átrio_direito>. Acesso em: 18
jul. 2018. Citado na página 21.