DETECCIÓN DE ARRITMIAS EN ECG EMPLEANDO MÉTODOS DE APRENDIZAJE PROFUNDO (ECG ARRHYTHMIA DETECTION EMPLOYING DEEP LEARNING METHODS)
Pistas Educativas
Resumen
Resumen: Las enfermedades cardiovasculares son la principal causa de muerte en todo el mundo [OMS, 2021]. En este trabajo se presenta un sistema de Detección Asistida por Computadora (CADe) diseñado para identificar y clasificar anomalías en señales electrocardiográficas (ECG). Este sistema consta de dos etapas principales. (i) Se procesa la señal ECG, la cual se convierte en imágenes 2D utilizando la técnica de Recurrence Plot (RP), a partir de dividir la señal en segmentos de dos segundos. (ii) Las imágenes generadas se clasificaron utilizando la arquitectura ResNET-18 y el Módulo de Atención Convolucional (CBAM). La base de datos utilizada MIT-BIH, está compuesta por 16 clases de anomalías, empleando el estándar de la Asociación para el Avance de Instrumentación Médica (AAMI) se procede a agrupar las 16 anomalías en cinco categorías de relevancia médica. El sistema diseñado obtiene un rendimiento destacado, con una exactitud del 94.2%, precisión del 93.25%, recall del 93.24%, F1-Score del 93.24%. Palabras Clave: CBAM; Electrocardiograma (ECG); Recurrence plot (RP); ResNet-18; y Random Under Sampling (RUS). Abstract: Cardiovascular diseases are the leading cause of death worldwide [OMS, 2021]. In the following work, a Computer-Aided Detection (CADe) system is presented, designed to identify, and classify anomalies in electrocardiographic (ECG) signals. This system consists of two main stages. (i) The ECG signal is processed, which is converted into 2D images using the Recurrence Plot (RP) technique, by dividing the signal into two-second segments. (ii) The generated images were classified using the ResNET-18 architecture and the Convolutional Block Attention Module (CBAM). The MIT-BIH database, composed of 16 classes of anomalies, was used, and following the standard of the Association for the Advancement of Medical Instrumentation (AAMI), the 16 anomalies were grouped into just five categories of medical relevance. The designed system achieves outstanding performance, with an accuracy of 94.2%, precision of 93.25%, recall of 93.24%, and F1-Score of 93.24%. Keywords: CBAM; Electrocardiogram (ECG); Recurrence Plot (RP); ResNet-18, Random Under Sampling (RUS).
Datos de publicación
Cita esta publicación
Comprueba el estilo que requiere tu institución o revista.
Fuentes y trazabilidad
Se conserva la procedencia de los datos y se da prioridad a la revista cuando existe información editorial.
Licencias declaradas por las fuentes
Licencia en el registro de origen