La clasificación de señales biológicas es importante para detectar condiciones anormales en sujetos biológicos observados. Los clasificadores se entrenan en vectores de características, que a menudo constituyen los parámetros de los modelos de datos de series temporales observados. Dado que la extracción de características suele ser el paso más lento en el entrenamiento de un clasificador, en este documento se presentan el plegado de señales y el operador de plegado asociado para reducir la variabilidad en señales biológicas casi cicloestacionarias, de modo que estas señales puedan ser representadas por modelos de menor orden. Esto conduce a una reducción sustancial en la complejidad computacional, por lo que el clasificador puede aprenderse un orden de magnitud más rápido y aún mantener su precisión de decisión. Se estudia el rendimiento de diferentes clasificadores que involucran el plegado de señales como paso de preprocesamiento para la detección de apnea del sueño en señales de ECG de un solo derivación asumiendo un modelado ARIMA de los datos de series temporales. Se muestra que el plegado basado en picos R de segmentos de ECG tiene un rendimiento superior a otros métodos de plegado de señales más generales basados en similitud. El orden de plegado puede optimizarse para obtener la mejor precisión de clasificación. Sin embargo, el plegado de señales requiere una escala precisa y alineación de los fragmentos de señal creados.