| Revista: | Visión electrónica |
| Base de datos: | PERIÓDICA |
| Número de sistema: | 000459175 |
| ISSN: | 1909-9746 |
| Autores: | Sandoval Cabrera, Juan Camilo1 Sarmiento, Palma, Nohora Camila1 Hernández Beleño, Rubén Darío2 |
| Instituciones: | 1Universidad Militar Nueva Granada, Bogotá. Colombia 2Universidad Militar Nueva Granada, Departamento de Ingeniería Biomédica, Bogotá. Colombia |
| Año: | 2021 |
| Periodo: | Ene-Jun |
| Volumen: | 15 |
| Número: | 1 |
| Paginación: | 59-67 |
| País: | Colombia |
| Idioma: | Inglés |
| Tipo de documento: | Artículo |
| Enfoque: | Aplicado |
| Resumen en español | El presente artículo muestra el diseño de una red neuronal para aprendizaje profundo enfocado al reconocimiento y clasificación de cinco tipos de señales cardiacas (Sinusal, taquicardia ventricular, fibrilación ventricular, flutter atrial y fibrilación atrial). El objetivo es obtener una arquitectura que pueda ser implementada en un sistema embebido como un dispositivo de prediagnóstico que se pueda vincular a un sistema de monitorización de un holter. La red fue diseñada por medio de la API de Keras programada en Python, en donde se logra obtener una comparación de diferentes tipos de redes que varían la presencia de un bloque residual, teniendo como resultado que la red con dicho bloque obtiene la mejor respuesta (porcentaje de aciertos de 100%) y una pérdida del modelo aproximadamente del 0.15%. Por otro lado, se realizó una validación mediante matrices de confusión para verificar la existencia de falsos positivos en los resultados otorgados por la red y adicionalmente evidenciar que tipo de arritmia se puede presentar conforme la salida de la red frente a una señal de entrada por medio de la consola |
| Resumen en inglés | This article shows a neuronal network for deep learning focused on recognizing and classification five types of cardiac signals (Sinus, Ventricular Tachycardia, Ventricular Fibrillation, Atrial Flutter, and Atrial Fibrillation). The final objective is to obtain an architecture that can be implemented in an embedded system as a pre-diagnostic device linked to a Holter monitoring system. The network was designed using the Keras API programmed in Python, where it is possible to obtain a comparison of different types of networks that vary the presence of a residual block, with the result that the network with said block obtains the best response (100% success rate) and a model loss of approximately 0.15%. On the other hand, a validation by means of confusion matrices was carried out to verify the existence of false positives in the network results and evidence what type of arrhythmia can be presented according to the network output against an input signal through the console |
| Disciplinas: | Ciencias de la computación |
| Palabras clave: | Redes, Arritmia cardiaca, Arritmias, Detección, Redes neuronales, Señales cardiacas |
| Keyword: | Networks, Cardiac signals, Detection, Heart arrhythmia, Neural networks |
| Texto completo: | https://revistas.udistrital.edu.co/index.php/visele/article/view/17430/18670 |
