Bioingeniería

Permanent URI for this community

http://10.64.0.55:4000/handle/123456789/4531

Browse

Browsing Bioingeniería by Author "Barrera, Pedro Lucas"

Now showing 1 - 1 of 1
  • Thumbnail Image
    proyecto final de grado.listelement.badge
    Detección automática de fibrilación auricular en registros de electrocardiógrafo portátil
    (2023-08) Barrera, Pedro Lucas; Vecino Schandy, Lorenza Guadalupe; Bonomini, María Paula
    La 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.