Electrocardiography (ECG) has been established as one of the most useful diagnostic tools in medicine and is critical in the management of various heart conditions. Automated or semi-automated ECG analysis algorithms are expected to play an important role in the utilization of the ECG data. The correct identification of the QRS complexes is a fundamental step in every ECG analysis method. A major problem that is often encountered in automatic QRS detection is the presence of artifacts in the ECG data, which cause considerable alterations to the signal. Some common filters can smooth the effect of the artifacts, however they cannot eliminate them due to their spectral frequency overlap with the signal components. In this thesis, the objective was to develop a method, based on Time-Frequency Analysis that would be able to automatically detect and remove artifacts in order to increase the reliability of automatic QRS detection. The ECG data used for this purpose was taken from the Physionet library and more specifically from the MIMIC II database. The data in this database was acquired from ICU patients and it contains various types of rhythms as well as artifacts. First, a Graphical User Interface (GUI) was developed in order to manually annotate ECG data and was used for creating the ground truth for testing the methods developed. The Time-Frequency Analysis method used for the analysis of the ECG data, was based on a time-varying Autoregressive (AR) model whose solutions were obtained using Burg’s method. Several factors that affect the effectiveness of the method were investigated in order to optimize the algorithm experimentally. The algorithm implemented performs three main functions: “Artifact Hypothesis Testing,” “Artifact Detection and Removal,” and “QRS Complex Detection.” The first step, “Artifact Hypothesis Testing,” examines whether the signal contains any artifact or not. This is performed with a correct classification rate of 95.56%. The second step was the “Artifact Detection and Removal,” which could detect and remove the artifact area with an accuracy of 95.60% based on each signal sample identified as artifact or not. The final step, the “QRS Complex Detection,” correctly identified 92% of QRS complexes (322 out of 335 annotated QRS complexes). Finally, the proposed method was compared with one of the most commonly used methods in ECG analysis, the Wavelet Transform Analysis (WTA). The two methods were tested on exactly the same dataset. The WTA resulted in an overall score of 65.3% mainly due to the large number of false positive detections in the regions of artifact. / Το ηλεκτροκαρδιογράφημα (ΗΚΓ) έχει καθιερωθεί ως ένα από τα πιο χρήσιμα εργαλεία διάγνωσης στην ιατρική και είναι πολύ σημαντικό στη διαχείριση καρδιαγγειακών παθήσεων. Αυτοματοποιημένοι ή ημι-αυτοματοποιημένοι αλγόριθμοι ανάλυσης του ΗΚΓ αναμένεται να έχουν σημαντικό ρόλο στη χρήση των δεδομένων του ΗΚΓ. Η σωστή αναγνώριση των συμπλεγμάτων QRS είναι βασικό βήμα σε κάθε μέθοδο ανάλυσης του ΗΚΓ. Ένα σημαντικό πρόβλημα που συχνά προκύπτει σε αυτόματη ανίχνευση QRS είναι η παρουσία των τεχνητών σφαλμάτων (artifacts) στα δεδομένα ΗΚΓ, τα οποία προκαλούν σημαντικές αλλαγές στο σήμα. Κάποια κοινά φίλτρα μπορούν να εξομαλύνουν τις επιπτώσεις των τεχνητών σφαλμάτων, ωστόσο δεν μπορούν να τα εξαλείψουν λόγω της μεγάλης επικάλυψης του φάσματος συχνοτήτων τους με αυτού των στοιχείων του σήματος. Στην παρούσα εργασία στόχος ήταν η ανάπτυξη μιας μεθόδου, βασισμένης στην Ανάλυση Χρόνου-Συχνότητας, που θα είναι σε θέση να εντοπίσει αυτόματα και να αφαιρεί τα τεχνητά σφάλματα, ώστε να έχουμε μια πιο αξιόπιστη μέθοδο αυτόματης ανίχνευσης των QRS. Τα δεδομένα ΗΚΓ που χρησιμοποιήθηκαν για το σκοπό αυτό λήφθηκαν από τη βιβλιοθήκη Physionet και πιο συγκεκριμένα από τη βάση δεδομένων MIMIC II. Τα δεδομένα σε αυτή τη βάση δεδομένων προέρχονται από ασθενείς της Μονάδας Εντατικής Θεραπείας, και ως εκ τούτου, περιέχουν διάφορα είδη ρυθμών αλλά και τεχνητών σφαλμάτων. Αρχικά, ένα Γραφικό Περιβάλλον Χρήστη (GUI), σχεδιάστηκε για τη χειροκίνητη σηματοδότηση των διάφορων περιοχών ΗΚΓ σημάτων και χρησιμοποιήθηκε για τη δημιουργία των αληθών αποτελεσμάτων για δοκιμή της μεθόδου. H Ανάλυση Χρόνου-Συχνότητας έγινε με τη χρήση ενός χρονικά μεταβαλλόμενου Αυτοπαλινδρομικού (AR) μοντέλου οι λύσεις του οποίου βρέθηκαν με τη μέθοδο Burg. Ακολούθησε η διερεύνηση διαφόρων παραγόντων που επηρεάζουν την αποτελεσματικότητα της μεθόδου, προκειμένου να βελτιστοποιηθεί πειραματικά η μέθοδος. Ο αλγόριθμος που υλοποιήθηκε εκτελεί τρεις βασικές λειτουργίες: “Artifact Hypothesis Testing,” “Artifact Detection and Removal” και “QRS Complex Detection.” Κατ’ αρχήν, το βήμα "Artifact Hypothesis Testing" εξετάζει αν το σήμα περιέχει τεχνητό σφάλμα ή όχι, με το ποσοστό σωστής ταξινόμησης να ανέρχεται στο 95.56%. Το δεύτερο βήμα, η ανίχνευση και αφαίρεση της περιοχής του τεχνητού σφάλματος, έγινε με ακρίβεια 95.60% με βάση το πόσα σημεία του σήματος αναγνωρίστηκαν ως τεχνητό σφάλμα ή όχι. Τέλος, το συνολικό ποσοστό ορθής ανίχνευσης των συμπλεγμάτων QRS ήταν 92% (322 από τα 335 QRS που επισημάνθηκαν χειροκίνητα). Τέλος, έγινε μια σύγκριση μεταξύ της προτεινόμενης μεθόδου και μιας μεθόδου ανάλυσης ΗΚΓ που χρησιμοποιείται πολύ συχνά, της ανάλυσης με Μετασχηματισμό Wavelet (WTA). Οι δύο μέθοδοι δοκιμάστηκαν στα ίδια ακριβώς δεδομένα. Η ορθή ανίχνευση των συμπλεγμάτων QRS με τη μέθοδο WTA ήταν 65.3% κυρίως λόγω του μεγάλου αριθμού ψευδώς θετικών αποτελεσμάτων στις περιοχές των τεχνητών σφαλμάτων.