Examinando por Autor "Awad Pérez, Karina"
Mostrando 1 - 1 de 1
Resultados por página
Opciones de ordenación
Ítem Acceso abierto Sistema de detección de fibrilación auricular a partir de procesamiento de señales de ECG e inteligencia artificial(Universidad EIA, 2023) Awad Pérez, Karina; Saldarriaga Echeverri, Felipe; Torres Villa, Robinson Alberto; Camacho Cogollo, Javier EnriqueRESUMEN: la fibrilación auricular es el tipo de arritmia más común a nivel mundial, y ha sido considerada como un problema de salud pública por sus niveles de prevalencia. Esta cardiopatía puede derivar en complicaciones de alto riesgo como accidentes cerebrovasculares o infartos, que no solo ponen la vida del paciente en riesgo, sino que aumentan considerablemente las cargas económicas para empresas contributivas del régimen de salud. Conjuntamente, la fibrilación auricular se asocia con comorbilidades comunes como la hipertensión o la diabetes. Actualmente la patología es diagnosticada a partir de registros de electrocardiografía, que son tomados por un tiempo limitado, por lo que el evento podría no quedar consignado. En este trabajo se propone un sistema de detección de fibrilación auricular basado en inteligencia artificial, con el fin de abordar el problema desde una aproximación preventiva y así disminuir la ocurrencia de eventos adversos. En primer lugar, se realizó un preprocesamiento de señales de electrocardiografía y extracción de 23 características basadas en variabilidad cardíaca. La calidad de las señales fue evaluada antes y después del preprocesamiento. Posteriormente se hizo el procesamiento y análisis de los datos extraídos para entrenar modelos de aprendizaje de máquinas como SVM, Regresión Logística, RF, entre otros, ajustando sus hiperparámetros. Los modelos fueron evaluados y validados externamente con otro conjunto de señales mediante métricas como sensibilidad, precisión y exactitud; obteniendo para los cinco mejores modelos una exactitud superior al 92 %. Se eligió uno de los modelos con mejor desempeño y se evaluó el poder predictivo de cada característica en la clasificación que otorgaba el modelo, además, se redujo su dimensionalidad a solo 5 características. Este modelo fue evaluado nuevamente para determinar el efecto de reducir la dimensionalidad. Finalmente, fue embebido en un microcontrolador y probado con un simulador de pacientes, demostrando que es posible implementar el algoritmo de inteligencia artificial en un dispositivo con capacidad computacional limitada.