Look-up in Google Scholar
Title: Desarrollo de un software de detección de arritmias cardiacas en señales ECG basado en algoritmos de Deep Learning
Other Titles: Development of a software for detecting cardiac arrhythmias in ECG signals based on Deep Learning algorithms.
OCDE field: https://purl.org/pe-repo/ocde/ford#2.02.01; https://purl.org/pe-repo/ocde/ford#2.00.00
Issue Date: 20-Nov-2024
Institution: Universidad Peruana de Ciencias Aplicadas (UPC)
Abstract: 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%.
Discipline: Ingeniería Electrónica
Grade or title grantor: Universidad Peruana de Ciencias Aplicadas (UPC). Facultad de Ingeniería
Grade or title: Ingeniero electrónico
Juror: Albatrino Aza, Renzo Francisco; Davila Tello, Luis Fernando
Register date: 3-Jan-2025



This item is licensed under a Creative Commons License Creative Commons