Serie de Fourier y Transformadas de

Fourier con aplicación en las Ciencias

Médicas:
Análisis de Electrocardiogramas (ECG)

Ruiz Mejía, Patricia & García Alcántara, Yazmín

Universidad Tecnológica de San Juan del Río

San Juan del Río, Querétaro, México (2018).

RESUMEN

El poder extraordinario y la flexibilidad de las series y transformadas de Fourier se ponen de

manifiesto en la asombrosa variedad de las aplicaciones que ellas tienen en diversas ramas de la
Matemáticas y de la Física Matemática, desde teorema de números y Geometría hasta Mecánica
Cuántica (González, 1997). En el presente artículo se realiza un análisis de la aplicación de dichas
series al ámbito médico para el análisis tiempo-frecuencia de señales biomédicas, específicamente
Electrocardiogramas (ECG), usados principalmente para el tratamiento y detección de patologías
cardiacas en pacientes.

Palabras clave: Electrocardiograma (ECG), tiempo-frecuencia, señales biomédicas, patologías.

ABSTRACT

The extraordinary power and the flexibility of the Serieses and Transformed of Fourier become
manifest in the amazing variety of the applications that they have at various branches of
Mathematics and the Mathematical Physics, from theorem of numbers and Geometry to Quantum
Mechanics (González, 1997). In this paper an analysis of the application of the aforementioned
series to the medical space is accomplished for analysis time-frequency of biomedical signs,
specifically Electrocardiograms (ECG), used principally for the treatment and detection of cardiac
pathologies in patients.

Key words: Electrocardiogram (ECG), time-frequency, biomedical signs, pathologies.

INTRODUCCIÓN
El corazón es un órgano hueco y
musculoso del tamaño de un puño,
rodeado por el Pericardio como se
muestra en la Figura 1. Situado entre los
pulmones, encerrado en el centro del
pecho, está dividido en cuatro cavidades:
dos Aurículas y dos Ventrículos. Entre la
Aurícula y el Ventrículo derecho hay una
válvula llamada tricúspide, entre Aurícula
y Ventrículo izquierdos está la válvula
mitral. Las gruesas paredes del corazón
forman el Miocardio que impulsa la
sangre por todo el organismo en fases
sucesivas llenando las cámaras superiores
o aurículas, las cuales se contraen, las
válvulas se abren y la sangre entra en las
cavidades inferiores o ventrículos.
Cuando están llenos, los ventrículos se
contraen e impulsan la sangre hacia las
arterias. (Dalle, 1975).
Figura 1. Anatomía del corazón 1.
1
ATLAS DE ANATOMIA ORDENADA
Adermicina.com.ar [en línea]. Disponible en:
<http://ar.geocities.com/argenvista/corazon2.bmp>
El corazón late unas setenta veces por
minuto y bombea todos los días unos
10.000 litros de sangre. El número de
latidos por minuto es conocido como
Frecuencia cardiaca; la cual se ve
influida por la cantidad de sangre que
llega al músculo. (Tompkins,1993).
La capacidad de contracción de las
células musculares del corazón depende
de la precarga (cantidad de sangre
presente en la cámara de bombeo, o
ventrículo izquierdo, antes de la
contracción) y postcarga (fuerzas que se
oponen a la contracción una vez que ésta
empieza), que a su vez depende en parte
de la frecuencia de los latidos del
corazón. (Tompkins,1993).
Esta frecuencia cardiaca es analizada por
diferentes métodos para la evaluación de
señales biológicas, principalmente
mediante el análisis de señales digitales
especificadas en electrocardiogramas.
Fundamentos
Jean Baptiste Joseph Fourier (1768-1830)
matemático físico francés nacido en
Auxerre y fallecido en Paris. Responsable
del nacimiento de Las Series de Fourier,
llamadas así en homenaje a su creador.
Según el, cualquier oscilación periódica,
por complicada que sea, se puede
descomponer en serie de movimientos
ondulatorios simples y regulares, la suma
de los cuales es la variación periódica
compleja original. Es decir, se expresa
como una serie matemática en la cual los
términos son funciones trigonométricas.
pg. 2
El teorema de Fourier tiene muchas
aplicaciones; se puede utilizar en el
estudio del sonido y de la luz y, desde
luego, en cualquier fenómeno ondulatorio
(Márquez, Vázquez, Ruiz, Villegas, &
Figueroa, 2009).
Como indicios de dicha serie Soberón
(2014) menciona en su artículo Series de
Fourier que:
Las expansiones trigonométricas
surgieron en el siglo XVIII durante
estudios de vibración de cuerdas y otros
fenómenos similares, pero no fueron
tratadas de una manera sistemática sino
hasta que, en 1808, Joseph
Fourier escribió "Theorie Analytique
de la Chaleur" (Teoría Analítica del
Calor), donde realizó un estudio
detallado de las series trigonométricas
las cuales utilizó para resolver varios
problemas relacionados con la
conducción de calor.
Candela (2001) enfatiza que “las series de
Fourier son series de términos coseno y
seno y surgen en la tarea práctica de
representar funciones periódicas
generales”.
Por otro lado, Juárez (2003) afirma que
las series de Fourier “son las
herramientas básicas para representar
funciones periódicas. Una función f(x) se
llama periódica si f(x) se define para
todos los reales x y si existe un número
positivo P llamado periodo de f(x), tal
que f(x + P) = f(x)”. (p.79)
Serie de Fourier
Existen variantes de problemas prácticos
que con periodicidad son complicados y
es necesario que se representen en
términos de funciones periódicas simples
para su solución. Candela en su libro
menciona que “se verá que casi cualquier
función periódica f(t) de periodo 2π que
aparezca en las aplicaciones (por
ejemplo, con relación a vibraciones)
puede representarse por una serie
trigonométrica la cual se denominará
serie de Fourier de f”.
Las series de Fourier surgen de la tarea
práctica de representar una función
periódica f(t) dada en términos de
funciones coseno y seno. Estas series son
trigonométricas cuyos coeficientes se
determinan a partir de f(t) mediante
ciertas fórmulas (fórmulas de Euler), las
cuales se establecerán primero. Después
se considerará la teoría de las series de
Fourier (Candela, 2001).
Duoandikoetxea (2003) enfatiza que,
“dada una función periódica de periodo
2π buscamos una serie trigonométrica
que la represente, es decir, que coincida
con ella en algún sentido” (p.2).
Transformada de Fourier
Dautray & Lions (1990) dentro de una de
sus investigaciones más importantes
basadas en el Análisis Matemático, hace
hincapié en la transformada de Fourier
asegurando que esta “forma parte de la
aplicación dentro de, fundamentalmente
pg. 3
en teoría de la señal, teoría cuántica de
campos, tomografía y tratamiento y
digitalización de imágenes”.
Es una transformación matemática
empleada para transformar señales entre
el dominio del tiempo (o espacial) y el
dominio de la frecuencia, que tiene
muchas aplicaciones en la física y la
ingeniería. Es reversible, siendo capaz de
transformarse en cualquiera de los
dominios al otro. El propio término se
refiere tanto a la operación de
transformación como a la función que
produce (Osvaldo, Erick, Jesús, &
Armando, 2016).
Las series de Fourier son útiles para el
estudio de señales periódicas, pero,
desafortunadamente, este tipo de señales
no son tan frecuentes en la práctica como
las no-periódicas.
Sea f una función integrable Lebesgue:
𝑓𝜖𝐿1 (ℝ) o 𝑓𝜖𝐿1 (ℂ)
Se define la transformada de Fourier de f
como la función:
𝐹{𝑓} ∶ 𝜉 ⟼ 𝑓(𝜉)
∞
= ∫ 𝑓(𝑥)𝑒 −2𝜋𝑖𝜉𝑥 𝑑𝑥
−∞
Una estimación simple demuestra que la
transformada de Fourier F(f) es una
función acotada. Además, por medio del
teorema de la convergencia dominada
puede demostrarse fácilmente que f(f) es
continua.
La transformada de Fourier inversa de
una función integrable f está definida por:
∞
𝐹−1 {𝑓} = 𝑓(𝑥) = ∫ 𝑓(𝜉)𝑒2𝜋𝑖𝜉𝑥 𝑑𝜉
−∞
La única diferencia entre la transformada
de Fourier y la transformada de Fourier
inversa es el signo negativo en el
exponente del integrando. El teorema de
inversión de Fourier formulado abajo
justifica el nombre de transformada de
Fourier inversa dado a esta transformada.
El signo negativo en el exponente del
integrado indica la traspiración de
complementos yuxtapuestos. Estos
complementos pueden ser analizados a
través de la aplicación de la varianza para
cada función (Fisher, 1919).
Series de Fourier con Funciones
Trigonométricas
Llamamos serie trigonométrica a una
serie de funciones reales, de la forma:
∞
∞
∑ 𝑓𝑛(𝑥) = ∑(𝑎𝑛 cos 𝑛𝑥 + 𝑏𝑛 𝑠𝑒𝑛 𝑛𝑥)
𝑛=0
𝑛=0
∞
= 𝑎0 + ∑(𝑎𝑛 cos 𝑛𝑥 + 𝑏𝑛 𝑠𝑒𝑛 𝑛𝑥)
𝑛=1
Y denotamos por 𝑆(𝑥) = ∑∝𝑛=0 𝑓𝑛(𝑥) a la
función suma de la serie en su conjunto
de convergencia. (Vian & Alberdi, 2005)
Las funciones 𝒇𝒏 (𝒙) = 𝒂𝒏 𝐜𝐨𝐬 𝒏𝒙 +
𝒃𝒏 𝒔𝒆𝒏 𝒏𝒙, son periódicas de periodo
𝟐𝝅, por tanto, 𝑺(𝒙) es una función
periódica de periodo 𝟐𝝅 (Vian &
Alberdi, 2005).
pg. 4
Se llama serie trigonométrica de periodo trigonométrico de grado 𝑵, el grado
𝟐𝝅 a toda serie de funciones de la forma: máximo sera 𝑵.
∞
𝑎0 Ortogonalidad del sistema
(2.1) + ∑(𝑎𝑘 cos 𝑘𝑥 + 𝑏𝑘 sin 𝑘𝑥)
2 trigonométrico.
𝑘=1

Se llama polinomio trigonométrico de La familia de funciones

{1, cos 𝑥, cos 2𝑥, … , sin 𝑥, sin 2𝑥, …} que
grado 𝑵 y periodo 𝟐𝝅 a toda expresión
de la forma: interviene en la serie (2.1) satisface la
siguiente propiedad de ortogonalidad:
𝑁
𝑎0 𝜋
(2.2) + ∑(𝑎𝑘 cos 𝑘𝑥 + 𝑏𝑘 sin 𝑘𝑥)
2 ∫ 𝜑1(𝑥)𝜑2(𝑥)𝑑𝑥 = 0
𝑘=1 −𝜋

(Duoandikoetxea, 2003) Para cualquier par 𝝋𝟏 y 𝝋𝟐 de funciones

de la familia. Si 𝝋𝟏 = 𝝋𝟐 la integral es
Si al menos uno de los coeficientes 𝒂𝑵 y
𝝅, salvo para la función (1.1) en cuyo
𝒃𝑵 es distinto de cero se dice que el
caso es 2𝜋.
grado del polinomio es 𝑵. Obsérvese que
las sumas parciales de las series Coeficientes de Fourier
trigonométricas (2.1) son polinomios
trigonométricos. Utilizando formulas Si suponemos que la serie (2.1) converge
trigonométricas elementales para sumas uniformemente en [−𝝅, 𝝅] a la función 𝒇,
de ángulos, 𝐜𝐨𝐬 𝒌𝒙 y 𝐬𝐢𝐧 𝒌𝒙 se pueden escribimos la igualdad:
expresar en función de 𝐜𝐨𝐬 𝒙 y 𝐬𝐢𝐧 𝒙 y ∞
sus potencias y productos 𝑎0
(2.3) 𝑓(𝑥) = + ∑(𝑎𝑛 cos 𝑛𝑥 + 𝑏𝑛 sin 𝑛𝑥)
2
(Duoandikoetxea, 2003). =1

Una manera de conseguir estas fórmulas y la integramos en [−𝝅, 𝝅] la

es utilizando la fórmula de A. de Moivre convergencia uniforme permite integrar
(𝐜𝐨𝐬 𝒙 + 𝒔𝒊𝒏 𝒙)𝒌 = 𝒄𝒐𝒔 𝒌𝒙 + 𝒊 𝒔𝒊𝒏 𝒌𝒙. término a término la serie, entonces
Se desarrolla el término de la izquierda obtenemos:
por el binomio de Newton y se igualan 𝜋
las partes real e imaginaria ∫ 𝑓(𝑥)𝑑𝑥 = 𝜋𝑎0
−𝜋
(Duoandikoetxea, 2003).
de donde sale el valor de 𝒂𝟎 . Del mismo
El grado máximo de los monomios que
modo, si multiplicamos la igualdad (2.3)
aparecen al desarrollar 𝒄𝒐𝒔 𝒌𝒙 y 𝒔𝒊𝒏 𝒌𝒙
por 𝐜𝐨𝐬 𝒌𝒙 he integramos en [−𝝅, 𝝅], la
de esta manera es precisamente 𝒌 y si lo
propiedad de ortogonalidad da:
hacemos con un polinomio

pg. 5
 ANTECEDENTES
𝜋
∫ 𝑓(𝑥) cos 𝑘𝑥 𝑑𝑥 = 𝜋𝑎𝑘
−𝜋
En los últimos años han surgido, y
continúan en desarrollo, distintos métodos
Haciendo lo mismo con 𝐬𝐢𝐧 𝒌𝒙 llegamos y técnicas de procesamiento digital, para
a la detección y evaluación de señales
𝜋
biológicas. Entre estos métodos se
∫ 𝑓(𝑥) sin 𝑘𝑥 𝑑𝑥 = 𝜋𝑏𝑘 destacan los basados en el estudio de las
−𝜋 distribuciones tiempo-frecuencia como la
Transformada de Fourier de Corto
Los valores de 𝑎𝑘 , 𝑏𝑘 que se obtienen son
Tiempo (STFT), o la Transformada
los siguientes:
Wavelet (WT) (Akay, 1998 y 2001;
1 𝜋 Hamilton, 1996; Tognola et al., 1998).
(2.4) 𝑎𝑘 = ∫ 𝑓(𝑥) cos 𝑘𝑥 𝑑𝑥, 𝑏𝑘
𝜋 −𝜋
1 𝜋 El análisis espectral de una señal consiste
= ∫ 𝑓(𝑥) sin 𝑘𝑥 𝑑𝑥
𝜋 −𝜋 en estudiar en detalle el comportamiento
de sus componentes armónicas en el
dominio de la frecuencia. Para obtener el
Dada una función integrable 𝑓, los
espectro simple de una función se puede
números {𝑎𝑘 𝑘 = 0,1,2, … } y {𝑏𝑘 𝑘 =
recurrir a la Transformada de Fourier
1,2, … } dados por las fórmulas (2.4) se
(FT). Sin embargo, la mayoría de las
llaman coeficientes de Fourier de 𝑓. La
señales biológicas son no estacionarias,
serie trigonométrica (1.1) construida con
por lo que su espectro varía con el
estos coeficientes se llama serie de
tiempo. Para lograr una localización
Fourier de 𝑓. (Duoandikoetxea, 2003)
temporal de las componentes espectrales
se utilizan otras transformadas, que
Duoandikoetxea afirma que tras los
proporcionan una representación tiempo-
resultados de las funciones anteriores “los
frecuencia de la señal. La STFT y la WT
coeficientes dependen de la función y
cuando intervienen simultáneamente pertenecen a este grupo especial de
transformadas (Agretti & Monzón, 1999).
coeficientes de varias funciones distintas,
conviene hacer explícita esta En el caso de la STFT, la señal se divide
dependencia; en esos casos escribiremos en pequeños segmentos, y se calcula la
a 𝒂𝒌 (𝒇) 𝐲 𝒃𝒌 (𝒇)”. FT de cada segmento. Se obtiene así una
representación tiempo-frecuencia de la
señal, que permite conocer no sólo el
valor de sus componentes armónicas, sino
también su ubicación en el tiempo
(Agretti & Monzón, 1999).

pg. 6
  Intervalo QRS menos que 0.1
Análisis de ECG a través de la Serie de segundos.
Fourier  Intervalo Q-T menos que 0.38
segundos.
Una serie de tiempo puede analizarse en
el dominio del tiempo o en el dominio de
las frecuencias. El análisis espectral
permite describir el comportamiento de la
señal en el dominio de las frecuencias. El
método más común para describir el
dominio de las frecuencias es realizar el
análisis espectral de la serie a través de la
transformada de Fourier (Evans, 1999),
para obtener el espectro de potencias, el
cual contribuye al análisis de señales Figura 2. Complejo QRS.
biomédicas (Castaño, Castaño, Saavedra,
Interferencias para la Detección del
& Fernández, 2008).
complejo QRS.
El electrocardiograma (ECG) es un trazo
La presencia del ruido en el registro de
gráfico de la actividad eléctrica del
biopotenciales es un hecho prácticamente
corazón. Un trazo típico consiste en una
inevitable. En el registro del ECG la
serie de formas de onda que ocurren en
existencia de ruido se debe a muchas
forma repetitiva. Estas formas de onda se
causas (Guardado & Vallín, 2009).
originan de una línea original plana
llamada la línea isoeléctrica. (Benson
M,1993).

Se denomina P a la primera onda de la

imagen que muestra un
electrocardiograma, y Q, R, S, T y U a las
sucesivas, como lo muestra la Figura 2.
Figura 3. Ruido causado por electromiografía.
Entre ondas, se presentan intervalos,
segmentos, y puntos de referencia de un
gran interés diagnóstico. Estos son; el
intervalo PR, el punto J, el segmento ST,
y el intervalo QT principalmente
(González & Martínez, 2009).

 Intervalo P-R 0.12 a 0.20 Figura 4. Interfaz electrodo-paciente.

segundos.

pg. 7

Figura 5. Red de distribución eléctrica.
DESARROLLO
El método más común para describir el
dominio de las frecuencias es realizar el
análisis espectral a través de la Serie de
Fourier (Evans, 1999), debido a que la
señal del complejo QRS, está interpretada
y graficada en el tiempo. Esta técnica
matemática hace uso de la ecuación
(Guardado & Vallín, 2009):
∞
𝑛𝜋𝑥
𝑓(𝑥) = 𝑎0 + ∑ (𝑎𝑛 cos + 𝑏𝑛 sin
𝑛=1 𝐿 𝐿
(1)
Para después utilizar un método de
Fourier llamado Transformada de Fourier
(FT) y la transformada discreta de Fourier
(DFT) (Guardado & Vallín, 2009).
𝑋(𝑒 𝑗𝑤 ) = ∑∞
𝑛=−∞ 𝑋[𝑛]. 𝑒
−𝑗𝑤𝑛
(2)
1 𝜋
X[n] = ∫ 𝑋(𝑒 𝑗𝑤 ). 𝑒 𝑗𝑤𝑛 . 𝑑𝑤 (3)
2𝜋 −𝜋
La Transformada Discreta de Fourier
(DFT) y Rápida de Fourier (FFT) es un
método que asigna una descripción a
cerca de la distribución de energía de la
señal respecto a su contenido de
frecuencia. La Transformada Rápida de
Fourier básicamente se define como un
algoritmo matemático, el cual captura
muestras digitalizadas en el dominio del
tiempo y a su vez calcula su
representación en el dominio de la
frecuencia (González & Martínez, 2009) .
La Transformada Discreta del Coseno
(DCT), cuenta con una buena propiedad
de compactación de energía, la cual
produce coeficientes incorrelacionados,
con la diferencia de que los vectores base
de la DCT dependen sólo del orden de la
transformada seleccionado, y no de las
propiedades estadísticas de los datos de
entrada. Su expresión matemática de se
define en:
𝑔(u, v) =
𝑁−1
2 (2𝑥+1).𝑢.𝜋 (2𝑦+1).𝑣.𝜋
𝑎𝑢 . 𝑎𝑣 . ∑ 𝑓(𝑥, 𝑦). 𝑐𝑜𝑠 ( ) . 𝑐𝑜𝑠 ( )
𝑁 𝑋=0 𝑌=0 2𝑁 2𝑁
𝑛𝜋𝑥
(4)
)
Con la técnica ya mencionada se obtiene
un análisis de frecuencia en tiempo
continuo y discreto, con el objetivo de
poder reducir el ruido (Guardado &
Vallín, 2009).
Inicialmente, se analizan las señales
relevantes previamente descritas usando
como herramienta la Transformada
Discreta de Fourier. Como se observa en
la figura 6, el espectro de la señal sin
infarto presenta múltiples componentes en
frecuencia hasta los 70 Hz. Para estimar si
esta técnica es útil en la detección del
infarto, es necesario comparar este
espectro con los de las señales que
presentan la patología (González &
Martínez, 2009).
pg. 8

Figura 6. Espectro de la señal ECG normal.
Figura 7. Espectro de la señal ECG con infarto.
Un análisis visual del espectro obtenido
demarca principalmente una reducción en
el rango de frecuencias del espectro. Sin
embargo esto puede deberse a la
presencia de ruido en la señal sin infarto.
Figura 8. Espectro de la señal ECG con infarto
(2).
Un análisis similar puede llevarse a cabo
en este caso (Figura 8). En cambio, la
figura 9 ilustra el caso más evidente de
infarto, donde se observa un cambio en la
forma del espectro en su rango de
frecuencias, lo que se podría tomar con
un signo para la detección de la isquemia.
Figura 9. Espectro de la señal ECG con infarto
(3).
En cuanto a la Transformada Discreta del
Coseno, puede verse como la versión en
el dominio real de la transformada de
Fourier. Inicialmente se corre la DCT
sobre la señal que no presenta síntomas
de infarto, tal como se muestra en la
Figura 10. De nuevo, para evaluar la
efectividad de la técnica, es necesario
comparar dicho resultado con lo obtenido
al aplicar la DCT a señales que si
muestran las características de infarto.
Figura 10. DCT de la señal sin infarto.
pg. 9

Figura 11. DCT de la señal con infarto (1).
Figura 12. DCT de la señal con infarto (2).
Figura 13. DCT de la señal con infarto (2).
De manera similar a lo que sucedió en el
caso de la Transformada de Fourier, como
era de esperarse, los resultados obtenidos
no difieren mucho en su forma, excepto
en la Figura 13, donde el cambio es
pronunciado y puede tomarse con un
indicio para la detección de la isquemia.
(González & Martínez, 2009)
RESULTADOS
En términos médicos se interpreta como
“Una señal en la que su complejo QRS se
comporta como sinuoso con
características sanas, aunque la señal sola
no da datos precisos sobre algunas otras
patologías cardiacas, mencionando
alguna: engrandecimiento de cavidades,
para esto tendríamos que obtener algunas
derivaciones más.” (Interpretación por el
Cardiólogo Fernando Ortiz Galván,
certificado por el Consejo Mexicano de
Cardiología CMN siglo XXI) (Agretti &
Monzón, 1999).
Entrando en el análisis espectral de la
señal, se muestra la potencia y el espectro
de la señal sin efectos de ruido, se puede
observar el dominio de la frecuencia que
esta alrededor de los 25 Hz (Figura 14).
El efecto que aparece con relativa
frecuencia en señales
electrocardiográficas y en general, en
cualquier señal biomédica, es la
superposición de una interferencia debido
a la señal de la red, como se muestra en la
Figura 15.
Figura 14. Señal del ECG y sum espectro de
potencia.
pg. 10
 Figura 16. Representación de la Densidad
Espectral de Potencia en DI.
Figura 15. ECG con ruido.

Densidad Espectral de Potencia (PSD).

En un cierto ancho de banda (gama de

frecuencias) se lee el promedio de la
potencia de todas las componentes
frecuenciales de una señal en un
determinado tiempo y nos ayuda a
determinar que componente de frecuencia
es la predominante.

Como se observa en la figura 16, la señal Figura 17. PSD del ECG con interferencia de 60
de electrocardiografía mantiene un Hz.
promedio de señales estable durante todo
CONCLUSIONES.
el proceso de obtención. En la figura 17,
la señal de ECG con la perturbación de la Inicialmente se hace indispensable tener
línea de 60 Hz, muestra claramente es su un buen conocimiento de las bioseñales
definición como la línea de 60 Hz (Señales puras, Señales con
predomina ante las demás frecuencias Interferencias, Arritmias, etc.) y del tipo
(Benson M, 1993). de patologías que existen, esto conlleva a
resultados más convincentes y una
distinción de ellas.

pg. 11
El uso de LabView como herramienta de RERERENCIAS
programación, es algunos casos es de
Agretti, H. G., & Monzón, J. E. (1999). Análisis
gran ayuda para la conversión de la señal
Espectral del Electrocardiograma. Depto.
analógica a digital, permitiendo la de Ingeniería Eléctrica - Facultad de Cs.
realización de filtrados y la visualización Exactas y Naturales y Agrimensura -
en tiempo real de la señal obtenida. UNNE., 4.

Akay M, 1998. Time Frequency and Wavelets in

El uso de Matlab, permite el Biomedical Signal Processing.
procesamiento e interpretación de todas Piscataway, New Jersey, IEEE Press.
las señales adquiridas para reconstrucción
Akay M, 2001. Nonlinear Biomedical Signal
de las mismas, adición de fuentes de ruido Processing Volume 2: Dynamic Analysis
y filtración; y principalmente realizar un and Modeling. Piscataway, New Jersey,
análisis de las señales en el Espectro- IEEE Press
temporal haciendo uso de las series de
Alcaraz, D. (2005). Series y transformadas de
Fourier y Transformadas las cuales como Fourier.
aplicación constituyen una herramienta
muy importante en la solución de Benson M. J., Castillo F. D., Wingate D. L.,
Demetrakopoulos J., Spyrou N. M.
problemas en los que intervienen (1993): ''The computer as referee in the
ecuaciones diferenciales ordinarias y analysis of human small bowel \
parciales (Alcaraz, 2005). motility'', Am. J. Physiol., 264: G645-
654.
El Estudio del comportamiento eléctrico Camarena Gallardo, P. (2009). La matemática en
del músculo cardiaco o caracterización de el contexto de las ciencias. Innovación
las señales electrocardiográficas que educativa, 9(46).
representan el estado del corazón, son un
ámbito amplio de estudio para la Candela, D. A. (2001). Recurrencia en sistemas
dinámicos linealmente ordenados,
aplicaciones de las series de Fourier.
extensiones y entropía de bowen. (M. S.
López, Ed.) Cartagena, España:
En la actualidad, la teoría de Series de Universitat Jaume I.
Fourier sigue teniendo una gran
importancia y su conocimiento es de gran Cañada, A. (1991). Una perspectiva histórica de
utilidad en disciplinas muy diversas como las series de Fourier: De las ecuaciones
de ondas y del calor a los operadores
Matemáticas, Física, Biología, Ingeniería, compactos y autoadjuntos. Granada,
Economía, etc. Tales series están siempre España: Seminario de Historia de la
presentes en todos aquellos procesos Matemática.
naturales de tipo oscilatorio, de difusión o Castaño, V. M., Castaño, E., Saavedra, V., &
de naturaleza periódica (Cañada, 1991). Fernández, T. (2008). Análisis espectral
aplicado al electroencefalograma.
Aguascalientes, México: Memoria del
XXII foro de Estadistica.

pg. 12
Dalle D., Devroede G., Thibault R., Perrault J.
(1975): ''Computer analysis of BS'',
Comput. Biol. Med., 4: 247-256.
Dautray, R., & Lions, J. L. (1990). Mathematical
Analysis and Numerical. Springer:
Verlag.
Duoandikoetxea, J. (2003). Lecciones sobre las
series y trasformadas de Fourier.
Managua: UNAN.
Evans, J. R. (1999). Introduction to Quantitative
EEG and Neurofeedback, pp. 3-23, USA:
Academic Press.
Fisher, R. A. (1919). The Correlation Between
Relatives on the Supposition of
Mendelian Inheritance (Vol. 52). Estados
Unidos.
González, G. (1997). Series de Fourier,
Transformadas de Fourier y aplicaciones.
Divulgaciones Matemáticas, 5, 43-60.
González, M., & Martínez, X. (2009). Análisis de
Señales Electro cardiográficas (ECG)
Usando Técnicas de Procesamiento
Digital de Señales. Manizales, Colombia:
UNIVERSIDAD DE MANIZALES
FACULTAD DE INGENIERÍA.
Guardado, R. O., & Vallín, D. (2009).
APLICACIÓN DEL ANÁLISIS TIEMPO-
FRECUENCIA EN
ELECTROCARDIOGRAFÍA. San
Cristóbal, Venezuela.: Seventh LACCEI
Latin American and Caribbean
Conference for Engineering and
Technology (LACCEI’2009).
Hamilton PS, 1996. A Comparison of Adaptive
and Nonadaptive Filters for Reduction of
Power Line Interference in the ECG.
IEEE Transactions on Biomedical
Engineering, Vol. 43, pp. 105-109,
January.
Hsu, H. P., Mehra, R., & Velasco Coba, F.
(1987). Análisis de Fourier.
Juarez, G. (2003). Matemáticas Aplicadas a la
Ingeniería Estruuctural. México:
Universidad Autónoma Metropolitana.
Márquez, A., Vázquez, F. V., Ruiz, H. A.,
Villegas, M. C., & Figueroa, R. R.
(2009). Matemáticas Simplificada (2
ed.). (L. M. Olvera, & A. G. Ruiz, Edits.)
México, Monterrey, México: PEARSON.
Osvaldo, M. M., Erick, R. M., Jesús, E. V., &
Armando, A. G. (2016). Aproximación
de Señales Periódicas en tiempo
continuo mediante las Series de Fourier.
México: UNAM.
Proakis, J. G., Manolakis, D. G., Ver" nica (trad.)
Santalla del R¡ o, & Luis, J.
(2007). Tratamiento digital de
señales (pp. 458-473). Pearson
Educación.
Retirado-Mediaceja, Y., Legrá-Lobaina, A. A.,
Lamorú-Urgelles, M., Torres-Tamayo, E.,
Laurencio-Alfonso, H. L., & Góngora-Leyva, E.
(2012). Modelación y simulación del proceso de
secado natural de la mena laterítica. Minería &
Geología, 28(4), 1-19.
Saavedra-Gastélum, V., Fernández Harmony, T.,
Harmony-Baillet, T. y Castaño Meneses,
V. M. (2006). Ondeletas en Ingeniería,
Principios y Aplicaciones. Ingeniería
Investigación y Tecnología, VII, 3, 185-
190.
Soberón, L. F. (27 de Junio de 2014). Series de
Fourier. Tecnohobby.
Tognola G, Grandori F, Ravazzani P, 1998.
Wavelet Analysis of Click-Evoked Otoacoustic
Emissions. IEEE Transactions on Biomedical
Engineering, Vol. 45, No. 6, pp. 686-697, June.
pg. 13
Vian, J. A., & Alberdi, M. M. (2005). Matemática
Aplicada a la Técnica. España:
Universitaria Politécnica.

W. J. Tompkins, (1993) Biomedical Digital Signal

Processing: C-Language Examples and
Laboratory Experiments for the IBM PC,
Ed. (Englewood Cliffs, NJ: Prentice-
Hall)

pg. 14