Clasificación de arritmias cardiacas a partir de señales fisiológicas usando técnicas de aprendizaje profundo

Cargando...
Miniatura
Fecha
2024
Título de la revista
ISSN de la revista
Título del volumen
Editor
Pontificia Universidad Javeriana Cali
Resumen
En este proyecto se propuso el desarrollo de un sistema de clasificación de señales de electrocardiogramas (ECG) utilizando técnicas de aprendizaje profundo. El objetivo general de este estudio es desarrollar un sistema de clasificación que utilice modelos de aprendizaje automático para la detección de arritmias cardiacas a partir de señales fisiológicas. Para lograrlo, se plantean los siguientes objetivos específicos: preparar un conjunto de datos de señales de electrocardiogramas (ECG) con arritmias cardiacas para el entrenamiento de modelos de aprendizaje profundo, implementar dos modelos de aprendizaje profundo para la detección de arritmias cardiacas, evaluar los modelos para medir su rendimiento y elaborar una interfaz gráfica de usuario que permita interactuar con el modelo de mejor rendimiento. La metodología propuesta se basó en un enfoque sistemático y estructurado. Se inició con la preparación de un conjunto de datos relevantes de señales de electrocardiogramas con arritmias cardiacas, que incluyó la recopilación y limpieza de los datos. A continuación, se implementaron dos modelos de aprendizaje profundo, los cuales fueron ajustados y evaluados en cuanto a su rendimiento. Finalmente, se desarrolló una interfaz web para el modelo de clasificación de arritmias con el mejor rendimiento. Como resultados esperados, se obtuvieron dos modelos de aprendizaje profundo entrenados y listos para su evaluación, así como una interfaz web que mejoró la experiencia del usuario final con el modelo que presentó mejor rendimiento. Además, se generó un informe final que documentó todo el proceso de investigación, incluyendo los resultados obtenidos, conclusiones y recomendaciones para futuras investigaciones. Con este proyecto, se contribuye al campo de la detección de arritmias cardiacas mediante el uso de técnicas de aprendizaje profundo, brindando una herramienta que apoye el trabajo médico en el diagnóstico temprano de enfermedades cardíacas.
Descripción
Abstract
In this project, the development of a system for classifying electrocardiogram (ECG) signals using deep learning techniques was proposed. The general objective of this study is to develop a classification system that uses machine learning models for the detection of cardiac arrhythmias from physiological signals. To achieve this, the following specific objectives are proposed: to prepare a dataset of electrocardiogram (ECG) signals with cardiac arrhythmias for the training of deep learning models, to implement two deep learning models for the detection of cardiac arrhythmias, to evaluate the models to measure their performance, and to create a graphical user interface that allows interaction with the best-performing model. The proposed methodology was based on a systematic and structured approach. It started with the preparation of a relevant dataset of electrocardiogram signals with cardiac arrhythmias, which included data collection and cleaning. Then, two deep learning models were implemented, which were tuned and evaluated for performance. Finally, a web interface was developed for the best-performing arrhythmia classification model. The expected outcomes included two trained deep learning models ready for evaluation, as well as a web interface that improved the end-user experience with the best-performing model. Additionally, a final report was generated documenting the entire research process, including the results obtained, conclusions, and recommendations for future research. With this project, a contribution is made to the field of cardiac arrhythmia detection through the use of deep learning techniques, providing a tool that supports medical work in the early diagnosis of heart diseases.
Palabras clave
Aprendizaje profundo, Arritmias cardíacas, Clasificación de señales, Deep learning, Cardiac arrhythmias, Signal classification
Citación