Detección automática de fibrilación auricular en registros de electrocardiógrafo portátil

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, económ...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Barrera, Pedro Lucas, Vecino Schandy, Lorenza Guadalupe
Otros Autores: Bonomini, María Paula
Formato: Proyecto final de grado
Lenguaje:Español
Publicado: 2024
Materias:
FIBRILACIÓN ATRIAL
ELECTROCARDIOGRAFÍA
INTELIGENCIA ARTIFICIAL
MACHINE LEARNING
PROCESAMIENTO DE SEÑALES BIOMÉDICAS
Acceso en línea:https://ri.itba.edu.ar/handle/20.500.14769/4264
Aporte de:
Repositorio Institucional Instituto Tecnológico de Buenos Aires (ITBA) de Instituto Tecnológico de Buenos Aires (ITBA)
id I32-R138-20.500.14769-4264
record_format dspace
spelling I32-R138-20.500.14769-42642026-01-15T15:32:01Z Detección automática de fibrilación auricular en registros de electrocardiógrafo portátil Barrera, Pedro Lucas Vecino Schandy, Lorenza Guadalupe Bonomini, María Paula FIBRILACIÓN ATRIAL ELECTROCARDIOGRAFÍA INTELIGENCIA ARTIFICIAL MACHINE LEARNING PROCESAMIENTO DE SEÑALES BIOMÉDICAS 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. 2024-01-03T17:15:35Z 2024-01-03T17:15:35Z 2023-08 Proyecto final de grado https://ri.itba.edu.ar/handle/20.500.14769/4264 es application/pdf
institution Instituto Tecnológico de Buenos Aires (ITBA)
institution_str I-32
repository_str R-138
collection Repositorio Institucional Instituto Tecnológico de Buenos Aires (ITBA)
language Español
topic FIBRILACIÓN ATRIAL
ELECTROCARDIOGRAFÍA
INTELIGENCIA ARTIFICIAL
MACHINE LEARNING
PROCESAMIENTO DE SEÑALES BIOMÉDICAS
spellingShingle FIBRILACIÓN ATRIAL
ELECTROCARDIOGRAFÍA
INTELIGENCIA ARTIFICIAL
MACHINE LEARNING
PROCESAMIENTO DE SEÑALES BIOMÉDICAS
Barrera, Pedro Lucas
Vecino Schandy, Lorenza Guadalupe
Detección automática de fibrilación auricular en registros de electrocardiógrafo portátil
topic_facet FIBRILACIÓN ATRIAL
ELECTROCARDIOGRAFÍA
INTELIGENCIA ARTIFICIAL
MACHINE LEARNING
PROCESAMIENTO DE SEÑALES BIOMÉDICAS
description 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.
author2 Bonomini, María Paula
author_facet Bonomini, María Paula
Barrera, Pedro Lucas
Vecino Schandy, Lorenza Guadalupe
format Proyecto final de grado
author Barrera, Pedro Lucas
Vecino Schandy, Lorenza Guadalupe
author_sort Barrera, Pedro Lucas
title Detección automática de fibrilación auricular en registros de electrocardiógrafo portátil
title_short Detección automática de fibrilación auricular en registros de electrocardiógrafo portátil
title_full Detección automática de fibrilación auricular en registros de electrocardiógrafo portátil
title_fullStr Detección automática de fibrilación auricular en registros de electrocardiógrafo portátil
title_full_unstemmed Detección automática de fibrilación auricular en registros de electrocardiógrafo portátil
title_sort detección automática de fibrilación auricular en registros de electrocardiógrafo portátil
publishDate 2024
url https://ri.itba.edu.ar/handle/20.500.14769/4264
work_keys_str_mv AT barrerapedrolucas deteccionautomaticadefibrilacionauricularenregistrosdeelectrocardiografoportatil
AT vecinoschandylorenzaguadalupe deteccionautomaticadefibrilacionauricularenregistrosdeelectrocardiografoportatil
_version_ 1865139523861610496

Ejemplares similares