Publicación: Dispositivo vestible inteligente para la generación de alertas tempranas de eventos cardiovasculares de riesgo
Portada
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Director
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
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.
Resumen en inglés
ABSTRACT: Low-cost body sensor-based systems and wearable devices have in recent years opened new fields of research in the area of smart and wearable healthcare, considering them technologies that can address the lack of tools for monitoring, early detection and remote tracking of cardiovascular disease (CVD). CVD is the leading cause of death worldwide, for this reason, there is a growing demand for an affordable and reliable systems for early detection of these diseases, which can lead to serious health complications or even death. This work presents the design of an effective portable device to generate early warnings upon detection of cardiovascular risk events using a low-power programmable system, the measurement of heart rate variability (HRV) together with temporal indices calculated in ultra-short-term periods and classification models based on machine learning, trained on the computer from 11 features extracted from signals available in Physionet. The training consists of 80% of the total data and the testing of the remaining 20%. An early warning system is implemented to monitor the user's electrocardiography signal, for this reason, the accuracy evaluation of the final device is performed by means of a Fluke MPS450 patient simulator that emulates normal signal conditions at different heart rates and 36 types of cardiovascular diseases including 9 types of supraventricular arrhythmias, 9 types of premature arrhythmias, 13 types of ventricular arrhythmias and 5 types of cardiac conduction disorders. Four classification algorithms implemented in the device discriminate a healthy condition from a risky cardiovascular event with an accuracy of 92.5% for the DecisionTree model, 89.5% for the GaussianNB model, 98.6% for the SVM and 92.5% for RandomForest. This implies the feasibility and applicability of intelligent algorithms in low-capacity devices to generate early warnings of cardiovascular disease.