Publicado: 2021-10-14

Descargas

Los datos de descargas todavía no están disponibles.

Métricas

Cargando métricas ...

Desarrollo De Un Sistema Para Clasificación De Patologías Cardiovasculares En Señales Electrocardiográficas (Ecg) Aplicando Inteligencia Artificial Y Cloud Computing

Sección
Artículos

Autores/as

Darío Fernando Bravo Tuay
Germán Arley Portilla González

En el presente proyecto se plantea el desarrollo de un sistema para clasificación de patologías cardíacas en señales electrocardiográficas (ECG) mediante la implementación de Inteligencia Artificial (IA) basado en Machine Learning bajo el lenguaje de programación Python sobre Linux. La idea principal de la inteligencia artificial es la de desarrollar métodos y algoritmos que permitan comportarse a las computadoras de modo inteligente. En primer lugar, se adquieren las señales electrocardiográficas de pacientes sanos y pacientes con problemas cardiovasculares por medio de la base de datos denominada “Physiobank” tales como afección valvular, bloqueo de rama, hipertrofia ventricular y disritmia cardiaca, en lo cual se debe aplicar técnicas de tratamiento y procesamiento de señales como lo es Wavelet, FFT, entropía y energía para la posterior búsqueda de características o patrones que demuestren una diferencia en las señales, por consiguiente, obtener una correcta clasificación mediante la aplicación de técnicas de Machine Learning con respecto a las cardiopatías presentes y dar una mayor facilidad en cuanto al diagnóstico por parte del especialista, con base a lo anterior se selecciona la mejor técnica en cuanto a resultados y optimización. En segundo lugar, una vez finalizada la caracterización y clasificación de las ondas ECG se procede a aplicar estrategias de Cloud Computing para gestionar los datos, almacenarlos y procesarlos bajo el mismo servidor y entregar resultados en línea.

Las señales ECG se trabajan en formato .mat, estas son preprocesadas y procesadas mediante las técnicas de tratamiento de señales,  se implementan técnicas como Support Vector Machine, Naïve Bayes y Árboles de decisión, por otro lado, la selección de la técnica a emplearse como clasificación se basa en el mejor porcentaje de clasificación arrojado por el modelo generado por cada una de las técnicas mencionadas anteriormente, una vez se ha seleccionado la mejor técnica se da por finalizado el sistema clasificador de señales y se procede a crear un aplicativo web mediante el uso de un micro-framework denominado Flask el cual se puede implementar en Python, como ventaje se puede ejecutar código bajo dicho lenguaje de programación permitiendo crear su propia página web y poder ser compilada en la nube mediante el servicio Cloud Pythonanywhere.

Desarrollo De Un Sistema Para Clasificación De Patologías Cardiovasculares En Señales Electrocardiográficas (Ecg) Aplicando Inteligencia Artificial Y Cloud Computing

Autores/as

DOI:

https://doi.org/10.22490/ECBTI.4812

Palabras clave:

Lenguaje supervisado, Extracción de características, Señales electrocardiográficas, Cloud Computing

Resumen

En el presente proyecto se plantea el desarrollo de un sistema para clasificación de patologías cardíacas en señales electrocardiográficas (ECG) mediante la implementación de Inteligencia Artificial (IA) basado en Machine Learning bajo el lenguaje de programación Python sobre Linux. La idea principal de la inteligencia artificial es la de desarrollar métodos y algoritmos que permitan comportarse a las computadoras de modo inteligente. En primer lugar, se adquieren las señales electrocardiográficas de pacientes sanos y pacientes con problemas cardiovasculares por medio de la base de datos denominada “Physiobank” tales como afección valvular, bloqueo de rama, hipertrofia ventricular y disritmia cardiaca, en lo cual se debe aplicar técnicas de tratamiento y procesamiento de señales como lo es Wavelet, FFT, entropía y energía para la posterior búsqueda de características o patrones que demuestren una diferencia en las señales, por consiguiente, obtener una correcta clasificación mediante la aplicación de técnicas de Machine Learning con respecto a las cardiopatías presentes y dar una mayor facilidad en cuanto al diagnóstico por parte del especialista, con base a lo anterior se selecciona la mejor técnica en cuanto a resultados y optimización. En segundo lugar, una vez finalizada la caracterización y clasificación de las ondas ECG se procede a aplicar estrategias de Cloud Computing para gestionar los datos, almacenarlos y procesarlos bajo el mismo servidor y entregar resultados en línea.

Las señales ECG se trabajan en formato .mat, estas son preprocesadas y procesadas mediante las técnicas de tratamiento de señales,  se implementan técnicas como Support Vector Machine, Naïve Bayes y Árboles de decisión, por otro lado, la selección de la técnica a emplearse como clasificación se basa en el mejor porcentaje de clasificación arrojado por el modelo generado por cada una de las técnicas mencionadas anteriormente, una vez se ha seleccionado la mejor técnica se da por finalizado el sistema clasificador de señales y se procede a crear un aplicativo web mediante el uso de un micro-framework denominado Flask el cual se puede implementar en Python, como ventaje se puede ejecutar código bajo dicho lenguaje de programación permitiendo crear su propia página web y poder ser compilada en la nube mediante el servicio Cloud Pythonanywhere.

Citas

Acharya, U. Rajendra, Shu Lih Oh, Yuki Hagiwara, Jen Hong Tan, Muhammad Adam, Arkadiusz Gertych, and Ru San Tan. 2017. “A Deep Convolutional Neural Network Model to Classify Heartbeats.” Computers in Biology and Medicine 89(August):389–96. doi: 10.1016/j.compbiomed.2017.08.022.
Alonso Guerrero, A. 1983. “Anatomía Del Corazón.” Revista de Enfermeria (Barcelona, Spain) 6(57):12–15.
Cardiovasc, Thorac. 2017. “Listado de Aplicacion IA En Cardiología.” 70(December 2016):2016–17.
Garcia Niebla, Javier. 15AD. “Errores y Artefactos Más Comunes En La Obtención Del Electrocardiograma.” Siacardio 1(8):1–29.
GERMAN ARLEY PORTILLA GONZÁLEZ. 2017. “DESARROLLO DE UN SISTEMA PARA CLASIFICACIÓN DE CARACTERES OBTENIDOS DE SEÑALES ELECTROENCEFALOGRAFÍCAS (EEG) APLICADO EN PACIENTES CON AFASIA MOTRIZ.” Universidad de Pamplona.
Jap, Dirmanto, Marc Stöttinger, and Shivam Bhasin. 2015. “Support Vector Regression.” (November 2007):1–8. doi: 10.1145/2768566.2768568.
Li, Qiao, Cadathur Rajagopalan, and Gari D. Clifford. 2014. “A Machine Learning Approach to Multi-Level ECG Signal Quality Classification.” Computer Methods and Programs in Biomedicine 117(3):435–47. doi: 10.1016/j.cmpb.2014.09.002.
Morales Muñoz, Luis, Gerardo Quintana, and Luis Fernando Niño. 2015. “Modelo Computacional Para La Identificación de Endofenotipos y Clasificación de Pacientes Con Artritis Reumatoide a Partir de Datos Genéticos, Serológicos y Clínicos, Utilizando Técnicas de Inteligencia Computacional.” Revista Colombiana de Reumatología 22(2):90–103. doi: 10.1016/j.rcreu.2015.05.005.
Oliveira, Bruno Rodrigues de, Caio Cesar Enside de Abreu, Marco Aparecido Queiroz Duarte, and Jozue Vieira Filho. 2019. “Geometrical Features for Premature Ventricular Contraction Recognition with Analytic Hierarchy Process Based Machine Learning Algorithms Selection.” Computer Methods and Programs in Biomedicine 169:59–69. doi: 10.1016/j.cmpb.2018.12.028.
Palma, José, and Roque Marín. 2008. “Inteligencia Artificial.” Inteligencia Artificial (March):1–158. doi: 10.13140/2.1.3720.0960.
Pozas G. 2008. “El Electrocardiograma y Su Tecnología.” Educación Medica 8(24):27–31.
Quintero, Nelly, and Anderson Fuentes. 2014. “Computacion En La Nube.” 46–51.
Ramiro, Aldo, and Valdez Alvarado. 2020. “Machine Learning Para Todos Aldo Valdez Alvarado.” ResearchGate (January 2019). doi: 10.13140/RG.2.2.13786.70086.
Ruiz Abellón, Maria Carmen. 2014. “Introducción a Los Árboles de Decisión.” 1–7.
Sahoo, Santanu, Monalisa Mohanty, Suresh Behera, and Sukanta Kumar Sabut. 2017. “ECG Beat Classification Using Empirical Mode Decomposition and Mixture of Features.” Journal of Medical Engineering and Technology 41(8):652–61. doi: 10.1080/03091902.2017.1394386.
Sastre, Iván;Pérez, Ricardo. 2014. “ANATOMÍA Y FISIOLOGÍA DEL CORAZÓN.” Anatomía y Fisiología Del Corazón 1–30.
Silva, Cristian Vidal, and Valeska Gatica Rojas. 2010. “Diseño e Implementación de Un Sistema Electrocardiográfico Digital.” Revista Facultad de Ingenieria (55):99–107.
Sprockela, John J., Juan J. Diaztagleb, Wilson Alzatec, and Enrique González. 2014. “Redes Neuronales En El Diagnóstico Del Infarto Agudo de Miocardio.” 21(4).
Sprocket Díaz, John Jaime, Juan José Diaztagle Fernández, and Enrique González Guerrero. 2017. “Diagnóstico Automático Del Síndrome Coronario Agudo Utilizando Un Sistema Multiagente Basado En Redes Neuronales.” Revista Colombiana de Cardiología 24(3).
Takeyas, Bruno López. 2007. “Introducción a La Inteligencia Artificial.” 23 12(32):1.
Tapia, Farid Fleifel. 2008. “Definiciones IA.” Inteligencia Artificial 1–158.
Yıldırım, Özal, Paweł Pławiak, Ru San Tan, and U. Rajendra Acharya. 2018. “Arrhythmia Detection Using Deep Convolutional Neural Network with Long Duration ECG Signals.” Computers in Biology and Medicine 102(August):411–20. doi: 10.1016/j.compbiomed.2018.09.009.

Descargas

Publicado

2021-10-14

Cómo citar

Bravo Tuay , D. F. ., & Portilla González, G. A. . (2021). Desarrollo De Un Sistema Para Clasificación De Patologías Cardiovasculares En Señales Electrocardiográficas (Ecg) Aplicando Inteligencia Artificial Y Cloud Computing. Documentos De Trabajo ECBTI, 2(1). https://doi.org/10.22490/ECBTI.4812

Número

Sección

Artículos