Examinando por Materia "Cardiovascular disease"

Mostrando 1 - 1 de 1
  • Miniatura
    PublicaciónAcceso abierto
    Dispositivo vestible inteligente para la generación de alertas tempranas de eventos cardiovasculares de riesgo
    (Universidad EIA, 2022) Patiño Zambrano, Cristhian Felipe; Torres Villa, Róbinson Alberto
    RESUMEN: Los sistemas basados en sensores corporales de bajo costo y dispositivos vestibles en los últimos años han abierto nuevos campos de investigación en el área de la atención en salud inteligente y portátil, considerándolas tecnologías que pueden solventar la falta de herramientas guiadas a una monitorización, detección temprana y seguimiento remoto de enfermedades cardiovasculares (ECV). Las ECV son la principal causa de muerte en todo el mundo, por esta razón, existe una creciente demanda de sistemas asequibles y confiables para detectar a tiempo estas enfermedades, que pueden implicar complicaciones graves de salud o incluso la muerte. Este trabajo presenta el diseño de un dispositivo portátil eficaz para generar alertas tempranas ante la detección de eventos cardiovasculares de riesgos utilizando un sistema programable de bajo consumo, la medida de variabilidad de la frecuencia cardiaca (HRV) junto con los índices temporales calculados en periodos de ultracorto plazo y modelos de clasificación basados en aprendizaje automático, entrenados en el ordenador a partir de 11 características extraídas de señales disponibles en Physionet. El entrenamiento consta de 80% del total de datos y la prueba del 20% restante. Se implementa un sistema de alertas tempranas para monitorear la señal de electrocardiografía del usuario, por esta razón, la evaluación de precisión del dispositivo final se lleva a cabo por medio de un simulador de pacientes Fluke MPS450 que emula las condiciones normales de la señal a diferentes frecuencias cardiacas y 36 tipos de enfermedades cardiovasculares entre las que se encuentran 9 tipos de arritmias supraventriculares, 9 tipos de arritmias prematuras, 13 tipos de arritmias ventriculares y 5 tipos de trastornos de conducción cardiaca. Cuatro algoritmos de clasificación implementados en el dispositivo discriminan una condición sana de un evento cardiovascular de riesgo con una precisión de 92.5% para el modelo de DecisionTree, 89.5% para el modelo GaussianNB, 98.6% para el SVM y 92.5% para RandomForest. Lo que implica la viabilidad y aplicabilidad de algoritmos inteligentes en dispositivos de baja capacidad para generar alertas tempranas ante una enfermedad cardiovascular.