A análise de sinais por meio de índices não-lineares normal mente requer séries de dados estacionários e com um grande número de amostras. Tais requisitos não são facilmente obtidos no caso de sinais biológicos, como a variabilidade da freqüência cardíaca (VFC). Uma possível maneira de se contornar tais dificuldades seria por meio da geração de um sinal que apresentasse as características dinâmicas do sinal real e que fosse estacionário por construção. Este trabalho apresenta uma técnica de síntese de sinais estacionários, com características semelhantes às de sinais de VFC, ba seada na geração de séries de longa duração por meio de modelos NARMAX (Nonlinear AutoRegressive Moving Average with eXogenous inputs). Foram usadas duas representações: polinomial e neural. Um sinal de entrada foi construído con siderando informações espectrais do sinal de VFC original. Índices lineares e não-lineares foram utilizados para validar as séries sintéticas, e verificar se essas séries apresentam ca racterísticas, principalmente dinâmicas, próximas daquelas apresentadas pelas séries VFC. Os resultados mostraram que os índices estatísticos do domínio do tempo para as séries sintéticas ficaram distantes dos resultados das séries reais, no caso de séries longas. Os resultados referentes à entropia aproximada se mostraram próximos entre sintéticos e reais, principalmente para as séries geradas por modelos neurais. O índice a1 do método Detrended Fluctuation Analysis (DFA) para as séries sintéticas mostrou-se próximo daqueles apre sentados pelas séries reais.

The data analysis by nonlinear indices normally requires a great number of stationary data points. Such requirements are frequently not achieved when one deals with biological signals, like heart rate variability (HRV). A possible way to deal with such difficulties would be by means of generation of a synthetic stationary signal presenting the dynamic characteristics of the original signal. This work presents a technique for synthesizing stationary signals having similar characteristcs of HRV signals. The proposed technique is based on the generation of long series using NARMAX (Nonlinear AutoRegressive Moving Average with eXogenous inputs) models. Two distinct representations have been used: polynomial and neural. An input signal was constructed based on spectral characteristics of the original HRV signal. Linear and nonlinear indices have been used to verify if the synthetic series present characteristics close to those presented by the real HRV series. The results show that the statistical indices for the synthetic long series are far from those of the original series. The approximate entropy for synthetic and real signals was close, mainly for those generated by neural models. The estimated values of a1 index of the Detrended Fluctuation Analysis (DFA) method of the synthetic series are close to those presented by the original data.