Examinando por Materia "máquina de aprendizaje"

Mostrando 1 - 1 de 1
  • Miniatura
    PublicaciónAcceso abierto
    Sistema de Reconocimiento de Patrones de Señales Electrocardiográficas para el Monitoreo Remoto de Pacientes
    (Universidad EIA, 2016) Moreno Hincapié, Gustavo Andrés
    Las enfermedades cardiovasculares son una de las principales causas de muerte a nivel mundial. Para la detección de las diferentes arritmias se requiere del conocimiento avanzado de un médico especialista en el área. Sin embargo, la cantidad de especialistas existentes no son suficientes para prestar una atención inmediata a la mayoría de la población con presencia de una anomalía cardíaca. Es por ello que, en este proyecto se creó una herramienta diagnóstica que permite clasificar 4 tipos de arritmias cardíacas: ritmo sinusal normal, bigeminismo ventricular, taquicardia ventricular y taquicardia supraventricular. Para la adquisición de estas señales se utilizó un simulador de pacientes MPS-450 de Fluke, un dispositivo para la lectura de la señal ECG y una tarjeta de adquisición de datos NI myRIO. La señal se adquirió en la derivación DII, los datos se variaron en amplitud, se adicionaron diferentes tipos de ruidos: muscular, línea eléctrica a 60 Hz, respiración y línea de base. Para el pre-procesamiento de la señal, se implementó la transformada de Fourier con el fin de identificar los componentes frecuenciales de la señal, para luego filtrar el ruido en la señal y posteriormente extraer el conjunto de características pertenecientes al dominio de la frecuencia. Se seleccionaron 10 características, de las cuales por medio del análisis de nuevos componentes principales (PCA) se logró obtener una reducción de dimensionalidad a 3 nuevos componentes. A partir de este nuevo conjunto de características, se implementó un modelo de clasificación supervisado que se basa en el método no paramétrico de k-vecinos más cercanos (KNN) y se logró obtener un modelo de predicción con una fiabilidad real entre 98.27% y 99.97%, una sensibilidad y especificidad del 96.77% y 100% respectivamente, además de un tiempo de predicción en promedio de 12 microsegundos por cada muestra. A su vez se creó un sistema de monitoreo remoto que permite el envío de la predicción hecha por el sistema y los registros electrocardiográficos a una base de datos y la visualización de los mismos en un PC de escritorio o portátil o en una aplicación móvil.