Look-up in Google Scholar
Full metadata record
Del Carpio Damian, Christian Carlos
Pereyra Velarde, Leonardo Franco (es_PE)
Gomez Hurtado, John Roland (es_PE)
2025-01-03T21:25:51Z
2025-01-03T21:25:51Z
2024-11-20
http://hdl.handle.net/10757/683776
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.
This study introduces a software designed for detecting cardiac arrhythmias from ECG signals. For this purpose, a comparison of the performance of different deep learning techniques (LSTM, Dense and CNN) applied to the detection and classification of arrhythmias in an ECG signal was performed. The primary goal is to identify the optimal predictive model for cardiac arrhythmias through each Deep Learning technique and to analyze their respective performances. The Physionet MIT-BIH database was used for training, providing a dataset of 108,854 samples derived from 48 patients, including those with and without diagnosed arrhythmias. The three specified neural networks were trained using this dataset, and their performance was assessed through the ROC curve analysis. Among the models, the one-dimensional convolutional neural network (1D-CNN) demonstrated the highest performance. This network was then applied to construct an arrhythmia detection algorithm, featuring one hidden convolutional layer and processing 3,600 samples at a time (equivalent to 10-second signal segments). The results were highly satisfactory, with the 1D-CNN achieving a precision rate of 92.07%, LSTM 82.10%, and Dense 75%.
Trabajo de Suficiencia Profesional (es_PE)
application/pdf (en_US)
application/epub (en_US)
application/msword (en_US)
spa (es_PE)
Universidad Peruana de Ciencias Aplicadas (UPC) (es_PE)
info:eu-repo/semantics/openAccess (es_PE)
http://creativecommons.org/licenses/by-nc-sa/4.0/ (*)
Universidad Peruana de Ciencias Aplicadas (UPC) (es_PE)
Repositorio Académico - UPC (es_PE)
Software
Detección
Aprendizaje Profundo
CNN
Arritmia Cardíaca
 ECG
 Physionet.
Desarrollo de un software de detección de arritmias cardiacas en señales ECG basado en algoritmos de Deep Learning (es_PE)
Development of a software for detecting cardiac arrhythmias in ECG signals based on Deep Learning algorithms.
info:eu-repo/semantics/bachelorThesis (es_PE)
Universidad Peruana de Ciencias Aplicadas (UPC). Facultad de Ingeniería (es_PE)
Ingeniería Electrónica (es_PE)
Licenciatura (es_PE)
Ingeniero electrónico (es_PE)
PE (es_PE)
https://purl.org/pe-repo/ocde/ford#2.02.01
https://purl.org/pe-repo/ocde/ford#2.00.00 (es_PE)
https://purl.org/pe-repo/renati/level#tituloProfesional (es_PE)
7642946
0000-0002-2137-0786 (es_PE)
70369850
73630044
712026 (es_PE)
Albatrino Aza, Renzo Francisco
Davila Tello, Luis Fernando
https://purl.org/pe-repo/renati/type#tesis (es_PE)
Privada societaria



This item is licensed under a Creative Commons License Creative Commons