Proyecto final de Grado:
Detección automática de fibrilación auricular en registros de electrocardiógrafo portátil

Vista sencilla de ítem
dc.contributor.advisorBonomini, María Paula
dc.contributor.authorBarrera, Pedro Lucas
dc.contributor.authorVecino Schandy, Lorenza Guadalupe
dc.date.accessioned2024-01-03T17:15:35Z
dc.date.available2024-01-03T17:15:35Z
dc.date.issued2023-08
dc.description.abstractLa fibrilación auricular (FA) es el tipo de arritmia cardíaca más común. Dado que generalmente es asintomática, a menudo pasa desapercibida hasta que surgen complicaciones graves, como un accidente cerebrovascular. Por lo tanto, es crucial el desarrollo de herramientas de diagnóstico rápidas, económicas y accesibles para detectar la FA en una etapa temprana. En este sentido, los dispositivos de telemonitorización asistidos por aprendizaje automático muestran gran potencial. Este trabajo presenta un algoritmo que detecta automáticamente la FA en señales obtenidas por electrocardiógrafos portátiles conectados a una plataforma de telemonitorización a través de smartphones. El algoritmo consta de tres etapas: detección de ruido, detección de latidos ectópicos y detección de FA. La etapa de detección de ruido implica analizar las señales de ECG utilizando ventanas de 5 segundos con un desplazamiento de 1 segundo. Un clasificador KNN predice la presencia o ausencia de ruido en cada ventana, lo que permite detectar segmentos ruidosos. Los segmentos no ruidosos se procesan utilizando un algoritmo de Pan-Tompkins para encontrar los tiempos de ocurrencia de los complejos QRS de la señal y la serie de intervalos RR correspondiente. Luego, se eliminan los latidos ectópicos usando un clasificador XGBoost, generando la serie NN. Esta última se utiliza para calcular los índices de entrada para un clasificador de predice la presencia o ausencia de FA en la señal de ECG. El algoritmo se entrenó y validó utilizando la base de datos de FA de una derivación del desafío de Physionet de 2017, obteniendo dos modelos: Uno entrenado con datos balanceados que utiliza un clasificador de regresión logística y uno con desbalanceados que utiliza un clasificador AdaBoost, cada uno con distintas ventajas dependiendo el ambiente de uso. El primero logró una exactitud, precisión, sensibilidad, especificidad y F1-score del 92.35%, 52.73%, 90.62%, 92.51% y 66.67% respectivamente mientras que el segundo logró una exactitud, precisión, sensibilidad, especificidad y F1-score del 95.58%, 76.07%, 69.53%, 98.65% y 72.65% respectivamente. Además, se realizó una validación adicional utilizando otras dos bases de datos, alcanzando resultados similares, lo que demostró una buena adaptabilidad del algoritmo a diversas bases de datos.
dc.identifier.urihttps://ri.itba.edu.ar/handle/123456789/4264
dc.language.isoes
dc.subjectFIBRILACIÓN ATRIAL
dc.subjectELECTROCARDIOGRAFÍA
dc.subjectINTELIGENCIA ARTIFICIAL
dc.subjectMACHINE LEARNING
dc.subjectPROCESAMIENTO DE SEÑALES BIOMÉDICAS
dc.titleDetección automática de fibrilación auricular en registros de electrocardiógrafo portátil
dc.typeProyecto final de Grado
dspace.entity.typeProyecto final de Grado
itba.description.filiationFil: Barrera, Pedro Lucas. Instituto Tecnológico de Buenos Aires, Argentina.
itba.description.filiationFil: Vecino Schandy, Lorenza Guadalupe. Instituto Tecnológico de Buenos Aires, Argentina.

Archivos

Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
Informe PFC FA - Barrera, Vecino - final.pdf
Tamaño:
4.33 MB
Formato:
Adobe Portable Document Format
Descripción:
Detección automática de fibrilación auricular en registros de electrocardiógrafo portátil
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
1.5 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Bioingeniería