Desarrollo de un software de detección de arritmias cardiacas en señales ECG basado en algoritmos de Deep Learning

• Autores: Pereyra Velarde, Leonardo Franco, Gomez Hurtado, John Roland
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Peruana de Ciencias Aplicadas
• Repositorio: UPC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorioacademico.upc.edu.pe:10757/683776
• Enlace del recurso: http://hdl.handle.net/10757/683776
• Nivel de acceso: acceso abierto
• Materia: Software; Detección; Aprendizaje Profundo; CNN; Arritmia Cardíaca; ECG; Physionet.; https://purl.org/pe-repo/ocde/ford#2.02.01; https://purl.org/pe-repo/ocde/ford#2.00.00

El presente trabajo consiste en el desarrollo de un software de detección de arritmias cardiacas a partir de una señal ECG. Para este fin, se realizó una comparación en el rendimiento de distintas técnicas de aprendizaje profundo (LSTM, Dense y CNN) aplicadas a la detección y clasificación de arritmias en una señal de ECG. El objetivo es obtener el mejor modelo predictivo para arritmias cardíacas con cada técnica de Aprendizaje Profundo y comparar sus desempeños. El entrenamiento se realizó con la base de datos MIT-BIH de Physionet, de la cual se extrajeron 108854 muestras de un total de 48 pacientes con y sin arritmia comprobada. Con esta información, se entrenaron las 3 redes neuronales indicadas y la comparación de rendimiento se llevó a cabo a través de la curva ROC. La red neuronal convolucional unidimensional (1D-CNN) logró el mejor rendimiento. Se utilizó para construir un algoritmo de detección de arritmias con 1 capa convolucional oculta y 3600 muestras de entrada a la vez (fragmentos de señal de 10 segundos). Los resultados obtenidos fueron muy satisfactorios, logrando una precisión del 92.07% para la técnica 1D-CNN, 82.10% para LSTM y 75% para Dense.