Las arritmias supraventriculares, en particular la fibrilación auricular (FA), son las enfermedades cardíacas más comúnmente encontradas en la práctica clínica rutinaria. La prevalencia de la FA es inferior al 1% en la población menor de 60 años, pero aumenta de manera significativa a partir de los 70 años, acercándose al 10% en los mayores de 80. El padecimiento de un episodio de FA sostenida, además de estar ligado a una mayor tasa de mortalidad, aumenta la probabilidad de sufrir tromboembolismo, infarto de miocardio y accidentes cerebrovasculares. Por otro lado,los episodios de FA paroxística, aquella que termina de manera espontánea, son los precursores de la FA sostenida, lo que suscita un alto interés entre la comunidad científica por conocer los mecanismos responsables de perpetuar o conducir a la terminación espontánea de los episodios de FA. El análisis del ECG de superficie es la técnica no invasiva más extendida en la diagnosis médica de las patologías cardíacas. Para utilizar el ECG como herramienta de estudio de la FA, se necesita separar la actividad auricular (AA) de las demás señales cardioeléctricas. En este sentido, las técnicas de Separación Ciega de Fuentes (BSS) son capaces de realizar un análisis estadístico multiderivación con el objetivo de recuperar un conjunto de fuentes cardioeléctricas independientes, entre las cuales se encuentra la AA. A la hora de abordar un problema de BSS, se hace necesario considerar un modelo de mezcla de las fuentes lo más ajustado posible a la realidad para poder desarrollar algoritmos matemáticos que lo resuelvan. Un modelo viable es aquel que supone mezclas lineales. Dentro del modelo de mezclas lineales se puede además hacer la restricción de que estas sean instantáneas. Este modelo de mezcla lineal instantánea es el utilizado en el Análisis de Componentes Independientes (ICA). Un modelo de mezcla alternativo es el considerado por los algoritmos BSS convolutivos (CBSS), donde se tiene en cuenta un proceso de generación más realista de las derivaciones de ECG con contribuciones retardadas de fuentes cardioeléctricas. En esta tesis se ha realizado por primera vez un estudio de rendimiento de los algoritmos CBSS aplicados a la extracción de la AA a partir de registros de ECG. Para ello, se han comparado los algoritmos CBSS más relevantes con el algoritmo instantáneo FastICA, cuya efectividad está ya ampliamente contrastada. Esta comparación va a permitir saber qué algoritmos CBSS resultan ser útiles para extraer la AA de los registros ECG de episodios de FA. Por otro lado, los algoritmos CBSS presentan el problema de requerir un mínimo número de señales observadas para su adecuada aplicación. Aquí se presenta un nuevo algoritmo para la extracción de la AA, basado en el modelo convolutivo de mezcla, que resuelve el problema de la escasez de derivaciones que poseen los registros de Holter. El alto grado de similitud entre la AA original y la AA estimada, medido por los dsitintos indicadores de rendimiento utilizados, demuestra la idoneidad del nuevo método presentado para la extracción de la AA a partir de registros Holter, además de poner de relieve una mayor robustez frente al ruido del modelo convolutivo de mezcla. La causa más común que explica la aparición de episodios de FA es el mecanismo de reentrada, que consiste en a la existencia de múltiples frentes de propagación que recorren el tejido auricular. Estudios recientes han demostrado la relación existente entre el número de reentradas simultáneas y la organización de la actividad eléctrica de las aurículas. Por otra parte, también son conocidos el progresivo deterioro de la organización de la actividad eléctrica auricular tras el comienzo de la FA paroxística y el incremento de la misma en los instantes previos al retorno a ritmo sinusal normal. El mantenimiento de los episodios de FA está relacionado además con la variabilidad de dispersión en frecuencia de la AA. Desde un punto de vista clínico, resulta interesante evaluar el nivel de organización eléctrica de las aurículas mediante indicadores de regularidad aplicados a la AA extraída del ECG de superficie con el objetivo de predecir la evolución de la FA paroxística. Esto se puede llevar a cabo desde dos perspectivas distintas. La primera forma de hacerlo sería aplicar la estimación de regularidad a la señal de AA tal como la obtienen los métodos de extracción. Una manera alternativa de abordar el problema sería estudiar la regularidad de ciertas características espectrales de la AA a lo largo del tiempo, lo cual no ha sido nunca realizado anteriormente y es motivo de estudio en esta tesis. El trabajo de la tesis finaliza con la presentación de un nuevo método para la predicción de la pronta terminación o el mantenimiento de episodios de FA paroxística. Este método se basa en el análisis de regularidad de características espectrales de la AA. Durante el diseño del método, se analizó la regularidad de las series numéricas de doce características espectrales diferentes. Para construir estas series fue obtenido previamente el espectrograma de la AA. La regularidad de las series se estimó mediante el índice de regularidad no lineal entropía muestral. La entropía muestral de seis de las características espectrales analizadas resultó ser estadísticamente relevante para la caracterización de la FA paroxística con p<0.05 en todos ellos. Este estudio fue complementado con un análisis multivariante de regularidad que lleva a cabo un estudio conjunto de las series de características espectrales y la AA en el dominio temporal. El análisis multivariante desvela la combinación de características que optimiza la predicción, de manera que el porcentaje de episodios correctamente clasificados alcanza el 100% para el grupo de aprendizaje y el 93.33% para el grupo de test. Por tanto, el método presentado puede ser utilizado con suficiente fiabilidad para predecir la terminación de la FA paroxística.