Name: Digitalização Automatizada de Eletrocardiogramas de 12 Derivações (ECG) e Padronização do Banco de Dados de Forma de Onda (WFDB): Insights a partir de Dados Clínicos Vietnamitas (Vídeo) | JoVE Journal
Uploaded: 2026-03-13T14:15:00.000+00:00
Duration: 9 min 24 s
Description: Aprenda a digitalizar ECGs de 12 derivações em formato WFDB usando detecção de grade e extração de sinal. Este protocolo automatizado converte imagens clínicas em dados padronizados para análise computacional.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

playerTrialDesktop

<ol><li>Muhammet, A., Fani, D., Christos, A., Idris, Z., Gruschen, R. V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Digitization+and+Linkage+of+PDF+Formatted+12-Lead+Electrocardiograms+in+Adult+Congenital+Heart+Disease%5BTitle%5D)+AND+%22CJC+Pediatric+and+Congenit+Heart+Dis%22%5BJournal%5D)">Digitization and Linkage of PDF Formatted 12-Lead Electrocardiograms in Adult Congenital Heart Disease.</a> CJC Pediatric and Congenit Heart Dis. 4 (5), 263-273 (2025).</li>
<li>Baydoun, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((High+precision+digitization+of+paper-based+ECG+records%3A+A+step+toward+smart+machine+learning%5BTitle%5D)+AND+%22IEEE+J+Transl+Eng+Health+Med%22%5BJournal%5D)">High precision digitization of paper-based ECG records: A step toward smart machine learning.</a> IEEE J Transl Eng Health Med. 7, 1-8 (2019).</li>
<li>Demolder, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((High+precision+ECG+digitization+using+artificial+intelligence%5BTitle%5D)+AND+%22Biomed+Signal+Process+Control%22%5BJournal%5D)">High precision ECG digitization using artificial intelligence.</a> Biomed Signal Process Control. 72, 103331(2024).</li>
<li>Prim, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+data+pipeline+for+extraction+and+processing+of+electrocardiogram+recordings%5BTitle%5D)+AND+%22Comput+Cardiol%22%5BJournal%5D)">A data pipeline for extraction and processing of electrocardiogram recordings.</a> Comput Cardiol. 48, 1-4 (2021).</li>
<li>Rautela, D., Bajeli, D., Kumar, M., Vaidya, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Identifying+cardiovascular+disorders+through+ECG+image+analysis%5BTitle%5D)+AND+%22Knowl-Based+Syst%22%5BJournal%5D)">Identifying cardiovascular disorders through ECG image analysis.</a> Knowl-Based Syst. 186, 104925(2020).</li>
<li>Reyna, M. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ECG-Image-Database%3A+A+dataset+of+ECG+images+with+real-world+imaging+and+patient+annotations%5BTitle%5D)+AND+%22arXiv%22%5BJournal%5D)">ECG-Image-Database: A dataset of ECG images with real-world imaging and patient annotations.</a> arXiv. , (2024).</li>
<li>Ribeiro, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automatic+12-lead+ECG+classification+using+a+convolutional+network+ensemble%5BTitle%5D)+AND+%22Comput+Cardiol%22%5BJournal%5D)">Automatic 12-lead ECG classification using a convolutional network ensemble.</a> Comput Cardiol. 47, 1-4 (2020).</li>
<li>Jessy, K. S. J., Manikandan, D. G., Hemalatha, M. S., Veroncia, M. V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Detection+of+cardiovascular+disease+using+ECG+images+in+machine+learning+and+deep+learning%5BTitle%5D)+AND+%22Int+J+Sci+Res+Sci+Technol%22%5BJournal%5D)">Detection of cardiovascular disease using ECG images in machine learning and deep learning.</a> Int J Sci Res Sci Technol. 11, 131-139 (2024).</li>
<li>Digitization of ECG records using signal extraction techniques. Karnaschandani, H., et al. 2024 Second International Conference on Data Science and Information System (ICDSIS), Hassan, India, , 1-8 (2024).</li>
<li>Nguyen, C. V., Nguyen, H. N., Nguyen, D. A., Do, C. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((VinDigitizer%3A+An+image+processing+approach+to+digitize+paper+ECG+records%5BTitle%5D)+AND+%22Comput+Cardiol%22%5BJournal%5D)">VinDigitizer: An image processing approach to digitize paper ECG records.</a> Comput Cardiol. 51, 1-4 (2024).</li>
<li>Patil, R., Narkhede, R. D., Vama, B., Suraliya, S., Raut, S. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Auto+lead+extraction+in+ECG+images%3A+Identification+of+ECG+paper+records+using+deep+learning%5BTitle%5D)+AND+%22Biomed+Signal+Process+Control%22%5BJournal%5D)">Auto lead extraction in ECG images: Identification of ECG paper records using deep learning.</a> Biomed Signal Process Control. 72, 103339(2024).</li>
<li>Santamaría, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ECGMiner%3A+A+flexible+software+for+accurately+digitizing+ECG%5BTitle%5D)+AND+%22Comput+Methods+Programs+Biomed%22%5BJournal%5D)">ECGMiner: A flexible software for accurately digitizing ECG.</a> Comput Methods Programs Biomed. 246, 108053(2024).</li>
<li>Shivashankara, K. K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+open+ECG-image+toolkit%3A+ECG-ImageNet+%E2%80%93+an+open+image+generation+toolbox+to+facilitate+deep+learning-based+electrocardiogram+digitization%5BTitle%5D)+AND+%22Biomed+Signal+Process.+Control%22%5BJournal%5D)">An open ECG-image toolkit: ECG-ImageNet – an open image generation toolbox to facilitate deep learning-based electrocardiogram digitization.</a> Biomed Signal Process. Control. 72, 103342(2024).</li>
<li>Wang, L. H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Paper-recorded+ECG+digitization+method+with+automatic+reference+voltage+selection+for+telemonitoring+and+diagnosis%5BTitle%5D)+AND+%22Diagnostics%22%5BJournal%5D)">Paper-recorded ECG digitization method with automatic reference voltage selection for telemonitoring and diagnosis.</a> Diagnostics. 14 (17), 1910(1910).</li>
<li>Wang, T., Zhang, Y., Liu, X., Huang, Z., Qin, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automatic+Detection+of+Arrhythmias+Using+a+YOLO-Based+Network+with+Long-Duration+ECG+Signals%5BTitle%5D)+AND+%22Eng+Proc%22%5BJournal%5D)">Automatic Detection of Arrhythmias Using a YOLO-Based Network with Long-Duration ECG Signals.</a> Eng Proc. 2 (1), 84(2020).</li>
<li>Wu, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+fully+automated+paper+ECG+digitisation+algorithm+using+deep+learning%5BTitle%5D)+AND+%22Sci+Rep%22%5BJournal%5D)">A fully automated paper ECG digitisation algorithm using deep learning.</a> Sci Rep. 12, 25284(2022).</li>
<li>Júnior, O., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+automated+machine+learning+method+to+efficiently+classify+the+12-lead+ECG+signal+acquisition+quality%5BTitle%5D)+AND+%22Computing+in+Cardiology%22%5BJournal%5D)">An automated machine learning method to efficiently classify the 12-lead ECG signal acquisition quality.</a> Computing in Cardiology. 50, 1-6 (2023).</li>
<li>Lence, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ECGtizer%3A+A+fully+automated+digitizing+and+signal+recovery+pipeline+for+electrocardiograms%5BTitle%5D)+AND+%22arXiv%22%5BJournal%5D)">ECGtizer: A fully automated digitizing and signal recovery pipeline for electrocardiograms.</a> arXiv. , (2024).</li>
<li>Büyüksolak, O., Öksüz, İ <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pic2Diagnosis%3A+A+Method+for+Diagnosis+of+Cardiovascular+Diseases+from+the+Printed+ECG+Pictures%5BTitle%5D)+AND+%22Proc.+IEEE+EMBC%22%5BJournal%5D)">Pic2Diagnosis: A Method for Diagnosis of Cardiovascular Diseases from the Printed ECG Pictures.</a> Proc. IEEE EMBC. , (2025).</li>
</ol>

<table><tbody><tr><td>GPU (testes em tempo de execução)</td><td>NVIDIA</td><td>GeForce RTX 3060 12 GB</td><td>NVIDIA GeForce RTX 3060 12 GB usada para testes em tempo de execução</td></tr><tr><td>NumPy</td><td>NumPy</td><td>1.26.4</td><td>Processamento numérico</td></tr><tr><td>OpenCV</td><td>OpenCV</td><td>4.10.0.84</td><td>Pré-processamento de imagem (deskew, filtragem)</td></tr><tr><td>Sistema operacional (testes em tempo de execução)</td><td>Microsoft</td><td>Windows 11</td><td>Windows 11 usado para testes de runtime</td></tr><tr><td>Conversor de PDF para imagem</td><td>Este protocolo</td><td>V1</td><td>Rasterização PDF a 300 DPI; forneça URL do repositório em Disponibilidade de Dados</td></tr><tr><td>Python</td><td>Fundação de Software Python</td><td>3.12.5</td><td>Ambiente de execução</td></tr><tr><td>PyTorch</td><td>PyTorch</td><td>0.5.0</td><td>Backend para YOLOv12</td></tr><tr><td>Scanner</td><td>Canon</td><td>DR-C240</td><td>300 DPI, escala de cinza, PNG/TIFF recomendado</td></tr><tr><td>scikit-image</td><td>scikit-image</td><td>0.25.0</td><td>Esqueletização e morfologia (linha central)</td></tr><tr><td>Ultralíticos</td><td>Ultralíticos</td><td>8.3.155</td><td>Estrutura de treinamento/inferência YOLOv12</td></tr><tr><td>wfdb (pacote Python)</td><td>PhysioNet</td><td>4.1.2</td><td>Exportação WFDB (.hea/.dat)</td></tr></tbody></table>

digitalização automatizada de eletrocardiogramas de 12 derivações (ecg) e padronização do banco de dados de forma de onda (wfdb): insights a partir de dados clínicos vietnamitas

Automated 12-Lead Electrocardiograms (ECG) Digitization and WaveForm DataBase (WFDB) Standardization: Insights from Vietnamese Clinical Data

Digitalização Automatizada de Eletrocardiogramas de 12 Derivações (ECG) e Padronização do Banco de Dados de Forma de Onda (WFDB): Insights a partir de Dados Clínicos Vietnamitas

Many clinics still archive 12-lead electrocardiograms (ECGs) as printed paper records or raster images embedded in PDF reports, which limits ...

Apresentamos um método automático para converter imagens de ECG em sinais padronizados WFDB para uso clínico e de pesquisa. Os métodos existentes enfrentam dificuldades com ruído e variabilidade de layout, e nossa abordagem melhora a robustez e a padronização.Para começar, coloque todos os eletrocardiogramas ou ECGs coletados, fornecidos como imagens PDF em escala de cinza com 300 pontos por polegada, em uma pasta denominada Dados. Usando Python, abra os arquivos PDF de ECG da pasta de dados e selecione o PDF para análise. Renderize cada página do PDF em 300 dpi e converta cada página renderizada para escala de cinza. Salve a página de ECG processada como uma imagem JPG com compressão mínima para preservar a qualidade da imagem. Armazene a imagem gerada na pasta de saída designada para imagens, mantendo um nome de arquivo que corresponda ao PDF original. Aplique CLAHE à imagem de ECG em escala de cinza para realçar o contraste local, melhorar a visibilidade das linhas de grade fracas e das características da onda, ao mesmo tempo que preserva os detalhes da imagem para análises posteriores. Aplique um leve desfoque gaussiano para reduzir o ruído de alta frequência, preservando as bo

automated-12-lead-electrocardiograms-ecg-digitization-waveform

Research

JoVE Journal

Engineering

Engenharia

Contínua de 12 derivações monitorização eletrocardiográfica (ECG) pode identificar isquemia miocárdica transitória, mesmo quando assintomáticos, entre os pacientes com síndrome coronariana aguda (SCA). Neste artigo vamos descrever nosso método para iniciar a monitorização do paciente utilizando um dispositivo de Holter, o download dos dados de ECG para análise off-line, e como utilizar o software do ECG para identificar isquemia transitória.

Um método de pesquisa para detecção de isquemia miocárdica transitória em pacientes com síndrome coronariana aguda Utilizando Análise do segmento ST contínua

Aqui, apresentamos um método confiável, minimamente invasivo e econômico para registrar e interpretar eletrocardiogramas em zebrafish adulto anestesiado ao vivo.

Eletrocardiografia de superfície vivo para zebrafish adulto

Descrevemos um protocolo para o registro dirigido pelo paciente de um eletrocardiograma bipolar de três chumbo por um smartwatch que funciona de forma idêntica ao Einthoven leva a partir de eletrocardiogramas padrão. Isso permite que os pacientes registrem eletrocardiogramas por conta própria imediatamente após o início dos sintomas.

Gravação dirigida paciente de um eletrocardiograma bipolar de três-ligação usando um smartwatch com função de ECG

Aqui apresentamos um protocolo passo-a-passo para uma abordagem semi-automatizada para analisar dados murinos de eletrocardiografia de longo prazo (ECG) para parâmetros básicos de ECG e arritmias comuns. Os dados são obtidos por transmissores de telemetria implantáveis em camundongos vivos e acordados e analisados usando o Ponemah e seus módulos de análise.

Analisando gravações de eletrocardiografia de longo prazo para detectar arritmias em camundongos

Este estudo utilizou técnicas avançadas de informática para comparar a duração do procedimento em pacientes submetidos à ablação atrial por radiofrequência tratados com resfriamento esofágico ativo com aqueles tratados com a monitorização tradicional da temperatura esofágica luminal. Inquérito contextual, análise de fluxo de trabalho e mapeamento de dados foram utilizados. Os achados demonstraram redução do tempo de procedimento e variabilidade com resfriamento ativo.

Tempo de procedimento reduzido e variabilidade com resfriamento esofágico ativo durante a ablação por radiofrequência para fibrilação atrial

Este estudo apresenta uma nova abordagem para mapeamento cardíaco em tempo real usando um sistema de imagem eletrocardiográfica não invasivo e sem imagem. Este sistema permite a aquisição de mapas cardíacos eletrofisiológicos sem a necessidade de tomografia computadorizada ou ressonância magnética pré-procedimento, permitindo uma orientação eficiente para procedimentos cardíacos, como implantes de terapia de ablação e ressincronização cardíaca.

Mapeamento cardíaco em tempo real com um sistema de imagem eletrocardiográfica não invasivo sem imagens

Nós apresentamos um método não destrutivo para a amostragem variação espacial na direção da luz espalhada a partir de materiais estruturalmente complexos. Ao manter o material intacto, preservamos o comportamento de dispersão bruto escala, ao mesmo tempo em captar contribuições direcionais escala bem com imagens de alta resolução. Os resultados são visualizados no software em posições e escalas biologicamente relevantes.

Medindo espacialmente e direcional variando espalhamento de luz a partir de Material Biológico

O artigo descreve um procedimento para armazenar os pacotes de dados ópticos com uma modulação arbitrário, comprimento de onda, e taxa de dados. Estes pacotes são a base de telecomunicações moderno.

Armazenamento Quasi-luz para os pacotes de dados ópticos

Amostragem de gás a partir das chamas em escala de laboratório com a análise em linha de todas as espécies de espectrometria de massa é um método poderoso para investigar a mistura complexa de compostos químicos que ocorrem durante os processos de combustão. Juntamente com ionização suave ajustável através da radiação ultravioleta de vácuo gerado pelo síncrotron, esta técnica fornece informações isômero-resolvido e potencialmente livre de fragmento de espectros de massa.

Experimentos chama na fonte luminosa avançada: novos insights sobre processos de formação de fuligem

O procedimento de aquisição de dados para determinar funções de sensibilidade incorporadas é descrito. Os dados são adquiridos e os resultados representativos são mostrados para uma pá de turbina eólica em escala residencial.

Aquisição de Dados Protocolo para determinação de funções de sensibilidade embutidas

Aprenda a digitalizar ECGs de 12 derivações em formato WFDB usando detecção de grade e extração de sinal. Este protocolo automatizado converte imagens clínicas em dados padronizados para análise computacional.

Digitalização Automatizada de Eletrocardiogramas de 12 Derivações (ECG) e Padronização do Banco de Dados de Forma de Onda (WFDB): Insights a partir de Dados Clínicos Vietnamitas (Vídeo) | JoVE Journal

Digitalização Automatizada de Eletrocardiogramas de 12 Derivações (ECG) e Padronização do Banco de Dados de Forma de Onda (WFDB): Insights a partir de Dados Clínicos Vietnamitas

Explorar mais vídeos