Examinando por Materia "Electrocardiografía"

Mostrando 1 - 4 de 4
  • Miniatura
    PublicaciónAcceso abierto
    Detección de ataques epilépticos a partir de señales fisiológicas
    (Universidad EIA, 2019) Carrizosa Botero, Susana; Mejía Mejía, Elisa
    More than 60 million people suffer from epilepsy, a disease due to neuronal hypersynchronous discharges. Refractory epilepsy is defined when patients do not respond to antiepileptic medications. Therefore, it is necessary to find other methods to control and monitor epileptic seizures. Physiological signals are alternatives to do this. Electroencephalography (EEG) is considered the gold standard method for seizure identification. EEG has the disadvantage of time-limited ambulatory recording. On the other hand, the autonomic nervous system (ANS) exercises control over the heart rate evaluable by electrocardiography (ECG). Epileptic seizures exert an autonomous effect on heart rate variability (HRV) that is a measurable, continuous and non-invasive indicator In this project, different systems of recognition of epileptic seizures were evaluated through ECG signals using characteristics of the HRV and morphological, statistical and frequency characteristics of the ECG. This, implemented in a device that records ECG in real time, could help patients keep better control of their lives and provide information to doctors for a proper diagnosis and follow up. For the development of the project, ECG signals were collected from databases available in free repositories and from institutions providing health services. The use of these signals was endorsed by the Institutional Ethics Committee of the EIA University. These signals were processed and filtered according to different signals quality indexes (SQI), and 56 characteristics of the HRV and ECG were extracted of the entire signal. These characteristics were analyzed by means of statistical methods to choose which contributed to the detection of epileptic seizures. Different neural network classifiers, support vector machines (SVN) and nearest neighbor methods (k-NN) that recognize these patterns were designed and, finally, the validity of these systems was evaluated to differentiate seizures. The SVN with polynomial function of third order obtained 82.8% ± 8.9% sensitivity and 80.78% ± 11.75% specificity. The neural network with three hidden layers obtained 79.8% ± 5.1% sensitivity and 74.1% ± 6.8% specificity. Finally, the k-NN method with k = 3 obtained 75.6% ± 12.6% sensitivity and 68.3% ± 6.4% specificity. These systems of identification of epileptic seizures can contribute to the implementation of new non-invasive technologies for diagnosis and monitoring of patients with epilepsy. The best performing system was the support vector machine.
  • Miniatura
    PublicaciónAcceso abierto
    Dispositivo para la adquisición de biopotenciales cardíacos por medio de electrodos independientes
    (Universidad EIA, 2019) Arias Hoyos, Daniela; Gutiérrez Moreno, Catalina; Torres Villa, Robinson Alberto
    El monitoreo de variables fisiológicas en pacientes es de vital importancia durante procesos quirúrgicos. Entre las señales más comúnmente monitoreadas esta la electrocardiografía. A pesar de los avances recientes en tecnologías de comunicación inalámbrica, la gran mayoría de los monitores electrocardiográficos aún operan con un amplio uso de cables desde los electrodos hasta la estación de monitoreo, los cuales presentan un riesgo inherente tanto de infección para el paciente como de obstaculización para el personal médico. Una solución concreta a esta problemática es el uso de electrocardiógrafos inalámbricos, los cuales reducen el número de cables entre el paciente y el dispositivo de diferentes maneras. Sin embargo, muchos de estos dispositivos no eliminan por completo la presencia de cables entre los mismos electrodos a pesar de que efectivamente logran independizar la estación de monitoreo. En este proyecto, entonces, se propone una nueva estrategia para la adquisición de la señal electrocardiográfica que está compuesta de dos electrodos independientes, libre de cables que adquieren el biopotencial de manera diferencial y transmiten los datos utilizando Bluetooth Low Energy a un nodo central mientras mantienen una sincronización efectiva. A través del diseño, la construcción, y las pruebas de un dispositivo que utiliza este protocolo, se encontró que este planteamiento es una opción viable con gran potencial para el futuro de los dispositivos médicos inalámbricos.
  • Miniatura
    ÍtemAcceso 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 Enrique
    RESUMEN: 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.
  • Miniatura
    PublicaciónAcceso abierto
    Sistema para el establecimiento de la relación entre las medidas PRV (variabilidad de la frecuencia de pulso) y HRV (variabilidad de la frecuencia cardiaca)
    (Universidad EIA, 2020) Patiño Zambrano, Cristhian Felipe; Cortés López, Mateo; Torres Villa, Róbinson Alberto
    RESUMEN: En el campo de la investigación actual, se encuentran artículos en los cuales se concluye que la medida de HRV (variabilidad de la frecuencia cardiaca) y PRV (variabilidad de la frecuencia de pulso) son lo mismo, ya que ambas señales se consideran diferencias entre los tiempos latido y latido, y por consiguiente una de ellas puede ser reemplazada por la otra. Pero, por el contrario, existen otros que refutan esta idea, realizan evaluación de escenarios y definen algunas variables de comparación como las vías de propagación (vasos, piel) y desfase de señales. En este trabajo de grado se abordaron diferentes estrategias para tratar de establecer elementos que aportarán a esta discusión. Se determinaron cuáles eran las variables dentro de estas dos señales que se pueden comparar por medio del cálculo de índices temporales, geométricos, no lineales y frecuenciales, comprobando la relación, similitud y diferencia entre la variabilidad cardiaca y la variabilidad de pulso. Además, se demostró la precisión o no, de modelos por regresiones múltiples, redes neuronales multi-layer perceptrón y redes neuronales recurrentes para la estimación de la señal de HRV por medio de la señal de PRV. Finalmente, se abordó la implementación de un dispositivo portátil que trabajó con la adquisición de las señales y mostró resultados provenientes del modelo más preciso, desarrollado por medio de una red recurrente con memoria a largo plazo (LSTM). De esta manera, se logra contribuir a la discusión existente entre estas dos señales, además de proponer más elementos en el entendimiento de la relación que hay entre una señal y la otra, aportando a que en un futuro cuando se construyan dispositivos portables que afirman adquirir HRV a través de PRV, en realidad tengan una mayor certeza de que efectivamente se está midiendo lo que se espera.