Evaluación de la robustez de los descriptores de teoría de la información en la clasificación de señales cardíacas
DOI:
https://doi.org/10.24054/rcta.v2i48.4593Palabras clave:
entropía de Shannon, análisis de complejidad, procesamiento de señales de ECG, información mutua, menor pérdida de información, teoría de la informaciónResumen
La clasificación automatizada de señales electrocardiográficas (ECG) puede constituirse en una herramienta de apoyo para la identificación de alteraciones cardiovasculares. No obstante, la naturaleza no lineal y no estacionaria de estas señales puede limitar el uso de métodos paramétricos convencionales. Este estudio evalúa descriptores de Teoría de la Información (TI) como alternativa no paramétrica para caracterizar segmentos de latidos cardíacos. Se analizaron 14 552 segmentos del ECG Heartbeat Categorization Dataset, cada uno representado por 187 posiciones temporales, y se cuantificó la interdependencia entre las categorías diagnósticas y las amplitudes mediante entropía e información mutua. Además, se implementó un procedimiento de agrupamiento basado en TI. La matriz de confusión para el modelo de clasificación mostró una sensibilidad de 94,38 % y una especificidad de 70,53 %; la exactitud balanceada fue 82,46 %. La pureza de los clústeres fue cercana a 0,877. Los resultados muestran una separación parcial entre segmentos normales y anormales y deben interpretarse considerando el desbalance de clases, el preprocesamiento y el efecto del zero-padding.
Descargas
Referencias
K. Balasubramanian, S. Rajendran, and S. Pati, “Complexity Measures in Biomedical Signal Analysis: A Clinically-Grounded Survey Across EEG, ECG, Intracranial Pressure, and Photoplethysmogram Modalities,” IEEE Access, vol. 13, pp. 155285–155304, 2025. doi: 10.1109/access.2025.3603848
L. Acosta and M. Pacheco, “Entropy and Statistical Complexity in Bioelectrical Signals: A Literature Review,” Signals, vol. 6, no. 1, p. 7, 2025. doi: 10.3390/signals6010007
J. Li, G. Feng, C. Ling, X. Ren, X. Liu, S. Zhang, L. Wang, Y. Chen, X. Zeng, and R. Chen, “A Resource-Efficient Multi-Entropy Fusion Method and Its Application for EEG-Based Emotion Recognition,” Entropy, vol. 27, no. 1, p. 96, 2025. doi: 10.3390/e27010096
C. Wu, B. Yao, X. Zhang, T. Li, J. Wang, and J. Pu, “The Application of Entropy in Motor Imagery Paradigms of Brain–Computer Interfaces,” Brain Sci., vol. 15, no. 2, p. 168, 2025. doi: 10.3390/brainsci15020168
D. Platakis and G. Manis, “Review of Recent (2015–2024) Popular Entropy Definitions Applied to Physiological Signals,” Entropy, vol. 27, no. 9, p. 983, 2025. doi: 10.3390/e27090983
L. A. Luengas and L. F. Wanumen Silva, “Modelos computacionales en la posturografía,” Tecnura, vol. 26, no. 73, pp. 30–48, 2022. doi: 10.14483/22487638.18060.
Zandbagleh, S. Sanei, L. Penalba-Sánchez, P. Rodrigues, M. Crook-Rumsey, and H. Azami, “Intra- and Inter-Regional Complexity in Multi-Channel Awake EEG Through Multivariate Multiscale Dispersion Entropy for Assessing Sleep Quality and Aging,” Biosensors, vol. 15, no. 4, p. 240, 2025. doi: 10.3390/bios15040240
L. Sparacino, Y. Antonacci, G. Mijatovic, and L. Faes, “Measuring hierarchically-organized interactions in dynamic networks through spectral entropy rates: Theory, estimation, and illustrative application to physiological networks,” Neurocomputing, vol. 630, p. 129675, 2025. doi: 10.1016/j.neucom.2025.129675
D. Sengupta, P. Gupta, and A. Biswas, “An efficient similarity metric for 3D medical image registration,” Multimedia Tools Appl., vol. 83, pp. 87987–88017, 2024. doi: 10.1007/s11042-024-18710-1
M. Zbili and S. Rama, “A Quick and Easy Way to Estimate Entropy and Mutual Information for Neuroscience,” Front. Neuroinform., vol. 15, p. 596443, 2021. doi: 10.3389/fninf.2021.596443
S. Uda, “Application of information theory in systems biology,” Biophys. Rev., vol. 12, pp. 377–384, 2020. doi: 10.1007/s12551-020-00665-w
N. Amer and S. Belhaouari, “EEG Signal Processing for Medical Diagnosis, Healthcare, and Monitoring,” IEEE Access, vol. 11, pp. 143116–143142, 2023. doi: 10.1109/access.2023.3341419
T. Wang, W. Jia, F. Li, X. Liu, X. Zhang, and F. Hu, “Multi-dimensional feature extraction of EEG signal and its application in stroke classification,” Sci. Rep., vol. 15, 2025. doi: 10.1038/s41598-025-04756-0
F. Von Wegner, M. Wiemers, G. Hermann, I. Tödt, E. Tagliazucchi, and H. Laufs, “Complexity Measures for EEG Microstate Sequences: Concepts and Algorithms,” Brain Topogr., vol. 37, pp. 296–311, 2023. doi: 10.1007/s10548-023-01006-2
Z. Zhang, “Research on Mutual Information Analysis in EEG Based on Different Entropy Measures,” in Proc. IEEE 5th Int. Conf. Information Systems and Computer Aided Education (ICISCAE), 2022, pp. 548–553. doi: 10.1109/iciscae55891.2022.9927610.
Asgharzadeh-Bonab, M. Amirani, and A. Mehri, “Spectral entropy and deep convolutional neural network for ECG beat classification,” Biocybern. Biomed. Eng., vol. 40, pp. 691–700, 2020. doi: 10.1016/j.bbe.2020.02.004
T. Li and M. Zhou, “ECG Classification Using Wavelet Packet Entropy and Random Forests,” Entropy, vol. 18, no. 8, p. 285, 2016. doi: 10.3390/e18080285
H. Wu, “Multiscale entropy with electrocardiograph, electromyography, electroencephalography, and photoplethysmography signals,” Biomed. Signal Process. Control, vol. 93, p. 106124, 2024. doi: 10.1016/j.bspc.2024.106124
M. Coq, A. Rey, O. Rosso, R. Armentano, and W. Legnani, “Detection of cardiac arrhythmia patterns in ECG through H × C plane,” Chaos, vol. 32, no. 12, p. 123118, 2022. doi: 10.1063/5.0118717
S. Aulia and S. Hadiyoso, “Abnormal ECG Classification using Empirical Mode Decomposition and Entropy,” Jurnal Rekayasa Elektrika, vol. 17, no. 3, 2021. doi: 10.17529/jre.v17i3.22070
L. Xie, Z. Li, Y. Zhou, Y. He, and J. Zhu, “Computational Diagnostic Techniques for Electrocardiogram Signal Analysis,” Sensors, vol. 20, no. 21, p. 6318, 2020. doi: 10.3390/s20216318
E. Ramírez, S. Ruipérez-Campillo, R. Casado-Arroyo, J. Merino, J. Vogt, F. Castells, and J. Millet, “The art of selecting the ECG input in neural networks to classify heart diseases,” Front. Physiol., vol. 15, 2024. doi: 10.3389/fphys.2024.1452829
J. Sahores, V. Bank, M. Meijome, I. Ziccardi, and W. Legnani, “Study of Information Flow Among ECG Leads,” in IEEE Biennial Congress of Argentina (ARGENCON), 2024, pp. 1–8. doi: 10.1109/argencon62399.2024.10735814
B. Andayeshgar, F. Abdali-Mohammadi, M. Sepahvand, A. Almasi, and N. Salari, “Arrhythmia detection by the graph convolution network and a proposed structure for communication between cardiac leads,” BMC Med. Res. Methodol., vol. 24, 2024. doi: 10.1186/s12874-024-02223-4
H. Zhang, Z. Bian, X. Guo, X. Li, S. Yin, and D. Cui, “Measuring phase-amplitude coupling using dispersion fuzzy mutual information,” Comput. Methods Programs Biomed., vol. 272, p. 109075, 2025. doi: 10.1016/j.cmpb.2025.109075
L. A. Luengas, “Modelo de alineación estática para prótesis transtibiales”, PhD Thesis, Facultad de Ingeniería, Pontificia Universidad Javeriana, 2016. https://repository.javeriana.edu.co/items/4297eb56-d54f-401c-bb6c-8cb1b7c029a1
M. Kachuee, S. Fazeli, and M. Sarrafzadeh, “ECG Heartbeat Classification: A Deep Transferable Representation,” 2018 IEEE International Conference on Healthcare Informatics (ICHI), New York, NY, USA, 2018, pp. 443–444. doi: 10.1109/ICHI.2018.00092.
Pyle, D. (1999). Data preparation for data mining. In Morgan Kaufmann Publishers, Inc. Morgan Kaufmann Publishers, Inc. https://doi.org/10.1080/713827180
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Lely Adriana Luengas Contreras, Esperanza Camargo Casallas, Jonathan Roberto Torres Castillo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
