Ingeniería Biomédica
Permanent URI for this collection
Browse
Browsing Ingeniería Biomédica by Subject "Aprendizaje automático"
Now showing 1 - 3 of 3
Results Per Page
Sort Options
Item Desarrollo de un aplicativo móvil para la identificación de arritmias cardíacas mediante procesamiento digital de señales ECG y aprendizaje automático(Pontificia Universidad Javariana Cali, 2025) Muñoz de la Torre, Jereminth; Otero Argel, Karolina María; Vargas Cardona, Hernán DaríoLas enfermedades cardiovasculares (ECV) representan una preocupación global, siendo una de las principales causas de mortalidad según la Organización Mundial de la Salud (OMS). En Colombia, estas enfermedades ocupan un lugar importante en las estadísticas de mortalidad, destacándolas arritmias cardíacas como un factor crítico debido a su potencial para desencadenar muerte súbita cardíaca (MSC). El objetivo de esta propuesta es desarrollar un aplicativo móvil basado en procesamiento digital de señales ECG y aprendizaje automático para identificar arritmias cardíacas y alertar sobre la posibilidad de MSC en pacientes con antecedentes cardiovasculares o enfermedades crónicas. La metodología del estudio se estructura en varias etapas, incluyendo la selección de la base de datos ECG adecuada, el procesamiento de señales, la extracción de características, el entrenamiento de modelos de aprendizaje automático, la validación y evaluación de los modelos, la implementación del aplicativo móvil y la validación del mismo mediante simuladores de ECG. Los resultados obtenidos incluyen un modelo de aprendizaje automático con una precisión del 96 %, lo que demuestra su eficacia en la clasificación de arritmias cardíacas. Además, se logró integrar exitosamente el modelo en el aplicativo móvil denominado KIBO, el cual ofrece tres salidas principales: el ritmo cardíaco, la identificación de arritmias potencialmente peligrosas capaces de desencadenar muerte súbita cardíaca (MSC), y el vector de ECG asociado. Esto permite lograr el fin último de activar de manera oportuna una ruta de atención en emergencias, mejorando la respuesta ante posibles complicaciones relacionadas con MSC y contribuyendo a la prevención de eventos fatales.Item Desarrollo de una herramienta para la clasificación de movimientos de la mano asociados al síndrome del túnel carpiano mediante aprendizaje automático(Pontificia Universidad Javeriana Cali, 2025) Arango Valencia, Karen Nicolle; Palacios Duarte, Juan Esteban; Corchuelo Guzmán, ValentinaEl síndrome del túnel carpiano (STC) es una neuropatía que se genera por la compresión del nervio mediano y compromete la función de la mano constituyendo una causa frecuente de ausentismo laboral. Su detección temprana es limitada por la falta de herramientas objetivas para evaluar patrones de movimiento asociados al riesgo biomecánico. En este proyecto se desarrolla una herramienta para clasificar movimientos de la mano vinculados al STC a partir de señales de sEMG y aprendizaje automático. A partir de una revisión de repositorios públicos y empleando el Proceso Analítico Jerárquico (AHP), se seleccionó NinaPro DB2 (Ejercicio B), que incluye movimientos funcionales con gestos de riesgo como la flexión, extensión y desviaciones de la muñeca. Las señales provenientes de la base de datos se filtraron (20–450 Hz, notch 50 Hz), normalizaron mediante Z-score y segmentaron en 44 526 ventanas, con un desbalance de clases cercano a 1:4 (riesgo vs. seguro). Se entrenaron modelos clásicos basados en 144 características (Ensemble Subspace KNN y Random Forest) y modelos profundos sobre secuencias crudas (CNN-LSTM y BiLSTM), evaluando distintas estrategias de balanceo: sobremuestreo sintético en ML y data augmentation temporal y Focal Loss en DL. Los resultados muestran que el desempeño depende fuertemente del tratamiento del desbalance. Con ADASYN, el modelo Random Forest alcanzó un AUC de 0.906, una sensibilidad del 86% para la clase de riesgo y un F1-score de 0.83, siendo el clasificador más robusto. En los modelos profundos, la mejor configuración se obtuvo combinando únicamente data augmentation (jittering, scaling y time-warping), donde la CNN-LSTM alcanzó un AUC de 0.764, una sensibilidad cercana al 61% y un F1-score de 0.62, mientras que el BiLSTM logró una sensibilidad del 65% y un F1-score de 0.59. En conjunto, los modelos clásicos con sobremuestreo sintético capturan con mayor eficacia las diferencias entre movimientos seguros y de riesgo en bases con variabilidad temporal limitada. El sistema se integró en un prototipo funcional con backend en Flask e interfaz web, que replica el preprocesamiento y permite realizar inferencia sobre nuevas señales sEMG. Los resultados demuestran la viabilidad de un enfoque no invasivo para monitorear patrones motores asociados al riesgo de STC y sientan las bases para herramientas de prevención accesibles en entornos ocupacionales.Item MyoAlert Vision: sistema inteligente de apoyo diagnóstico para la identificación automática del infarto agudo de miocardio con elevación del segmento ST mediante análisis electrocardiográfico(Pontificia Universidad Javeriana Cali, 2025) Daza Cerón, Julieth Alejandra; Obregón Londoño, William Felipe; Torres Valencia, Cristian AlejandroEl infarto agudo de miocardio es una de las principales causas de mortalidad a nivel mundial, con aproximadamente 3 millones de casos al año, siendo su variante con elevación del segmento ST una de las presentaciones más críticas. En Colombia, esta condición figura entre las principales causas de defunción, lo que resalta la necesidad de herramientas que mejoren la detección temprana y la precisión diagnóstica en entornos clínicos. Con el objetivo de brindar soporte diagnóstico a los profesionales de la salud, este trabajo desarrolló MyoAlert Vision, una aplicación web capaz de identificar patrones asociados a la enfermedad en registros de ECG de 12 derivaciones y estimar la localización anatómica del infarto (anterior, inferior, lateral o septal). El sistema integra modelos de aprendizaje automático XGBoost y CNN-1D, alcanzando precisiones del 93 % y 91 % en la detección del evento isquémico, y emplea LightGBM para la identificación de la zona afectada, con una precisión del 86 %. Para esta última etapa, se incorporó un proceso previo que combinó un segundo modelo XGBoost con valores SHAP, con el fin de mejorar la interpretabilidad de los resultados y respaldar la asignación anatómica de las predicciones. En conjunto, estos resultados consolidan a MyoAlert Vision como un prototipo eficiente, que constituye un primer acercamiento al soporte diagnóstico asistido por inteligencia artificial en el infarto agudo de miocardio con elevación del segmento ST.