Comparación de clasificadores de complejos QRS desarrollados mediante técnicas de aprendizaje automático
DOI:
https://doi.org/10.59681/2175-4411.v15.iEspecial.2023.1074Palabras clave:
Aprendizaje Automático, Arritmia cardiaca, ElectrocardiogramaResumen
Las enfermedades cardiovasculares son la mayor causa de muerte en el mundo y su prevención se realiza a través de su diagnóstico precoz(1). En 2019, se produjeron alrededor de 17,9 millones de muertes por enfermedades cardiovasculares en todo el mundo(1). En particular, las arritmias pueden ser diagnosticadas a través de un examen electrocardiográfico(2). Varios trabajos propusieron y construyeron modelos con algoritmos de aprendizaje automático para la clasificación de ritmos cardíacos(3-7). Este trabajo construyó tres modelos predictivos, basados en la derivación D2 de la base de datos MIT-BIH, utilizando un árbol de decisión, una red neuronal multilayer perceptron y una red neuronal profunda con dos tipos de balanceo de bases de datos para la clasificación de 10 arritmias. Los algoritmos fueron entrenados mediante 5-fold stratified cross-validation y sus desempeños, medidos en F1-Score, fueron sometidos a análisis estadístico, con la red neuronal profunda, en ambas bases, obteniendo mejor desempeño.
Citas
World Health Organization. Cardiovascular diseases [Internet]. Who.int. World Health Organization: WHO; 2022. Available from: https://www.who.int/health-topics/cardiovascular-diseases#tab=tab_1
Pastore C, Pinho J, Pinho C, Samesima N, Pereira-Filho H, Kruse J, et al. III Diretrizes da Sociedade Brasileira de Cardiologia sobre análise e emissão de laudos eletrocardiográficos. Arquivos Brasileiros de Cardiologia. 2016;106(4).
Alfaras M, Soriano MC, Ortín S. A Fast Machine Learning Model for ECG-Based Heartbeat Classification and Arrhythmia Detection. Frontiers in Physics. 2019 Jul 18;7.
Llamedo M, Martínez JP. Heartbeat Classification Using Feature Selection Driven by Database Generalization Criteria. IEEE Transactions on Biomedical Engineering. 2011 Mar;58(3):616–25.
Shaker AM, Tantawi M, Shedeed HA, Tolba MF. Generalization of Convolutional Neural Networks for ECG Classification Using Generative Adversarial Networks. IEEE Access. 2020;8:35592–605.
Hübner LG. Classificação de ritmos cardíacos em tempo real aplicando tecnologias embarcadas [Internet] [Dissertation]. [Universidade Estadual do Oeste do Paraná]; 2020. p. 1–148. Available from: https://tede.unioeste.br/handle/tede/5114
Zhang Z, Dong J, Luo X, Choi K-S, Wu X. Heartbeat classification using disease-specific feature selection. Computers in Biology and Medicine. 2014 Mar;46:79–89.
Hall JE. Guyton and Hall Textbook of Medical Physiology : Enhanced E-book. London: Elsevier Health Sciences; 2012.
MIT-BIH Arrhythmia Database v1.0.0 [Internet]. physionet.org. Available from: https://physionet.org/content/mitdb/1.0.0/
Can Ye, Coimbra MT, Vijaya Kumar BVK. Arrhythmia detection and classification using morphological and dynamic features of ECG signals. 2010 Annual International Conference of the IEEE Engineering in Medicine and Biology. 2010 Aug;
User guide: contents — scikit-learn 0.22.1 documentation [Internet]. Scikit-learn.org. 2019. Available from: https://scikit-learn.org/stable/user_guide.html
Home - Keras Documentation [Internet]. Keras.io. 2019. Available from: https://keras.io
TensorFlow. TensorFlow [Internet]. TensorFlow. 2019. Available from: https://www.tensorflow.org
Aurélien Géron. Hands-on machine learning with Scikit-Learn and TensorFlow concepts, tools, and techniques to build intelligent systems. O’Reilly Media, Inc.; 2019.
Gifari MW, Zakaria H, Mengko R. Design of ECG Homecare:12-lead ECG acquisition using single channel ECG device developed on AD8232 analog front end. 2015 International Conference on Electrical Engineering and Informatics (ICEEI). 2015 Aug;
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Guilherme Bachega Gomes, Rômulo César Silva, Adriana Tokuhashi Kauati, Lucas Guilherme Hübner
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La sumisión de un artículo a el Journal of Health Informatics es entendida como exclusiva y que no esta siendo considerado para publicación en otro periódico. La permisión de los autores para la publicación de su artículo en lo JHI implica en la exclusiva autorización concedida a los editores para su inclusión en la revista. Al someter un artículo, a lo autor será solicitada la permisión electrónica de una Nota de Copyright. Una mensaje electrónica será enviada a lo autor correspondiente confirmando el recibo del manuscrito y lo aceite de la Nota de Copyright.
