Publicación: Detección en tiempo real de fibrilación auricular en computador de placa reducida
Portada
Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Fecha
Materia
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
El desarrollo de dispositivos portables, que permita la detección en tiempo real de fibrilación auricular, requiere la implementación de algoritmos de reconocimiento automático de patrones con la metodología adecuada para su ejecución en sistemas embebidos. En el presente artículo se expone la implementación de una red neuronal artificial (ANN), una máquina de soporte vectorial (SVM) y un algoritmo de K vecinos más cercanos (KNN) en un computador de placa reducida para así comparar su desempeño en cuanto a la capacidad de detección de esta arritmia y el tiempo de respuesta asociado en su ejecución en tiempo real. La base de datos MIT-BIH AFIB es usada para el entrenamiento y validación de los algoritmos previa extracción de parámetros asociados a la transformada wavelet estacionaria. Se encontraron resultados entre el 92% y 97% para la sensibilidad y especificidad de los algoritmos mencionados y tiempos de respuesta variados entre 6 s y 7,1 s
Resumen en inglés
Development of portable devices, that allows real-time detection of atrial fibrillation, requires the implementation of automatic pattern recognition algorithms and an appropriate methodology for their execution in embedded systems. In the present article, the performances of an artificial neural network, a machine vector support, a k-nearest neighbors algorithm and a hybrid classifier implemented on a single-board computer, were compared in terms of detection capacity of arrhythmia and time response associated with real-time execution. The MIT-BIH AFIB database was used to train and validate the algorithms. In advance, the extraction of parameters associated with the stationary wavelet transform was developed. Results between 92 % and 97 % for sensitivity and specificity, and time responses between 6 s and 7.1 s were found in this research.