Modelo de clasificación dinámico de arritmias cardíacas mediante aprendizaje de máquina con interfaz a usuario

  • Leonardo Ramírez López Universidad Militar Nueva Granada
Palabras clave: arritmias, holter, aprendizaje de máquina, clasificador débil, metaclasificador

Resumen

Este trabajo presenta el desarrollo de un modelo de clasificación de arritmias cardiacas, basado en la duración de las ondas de registros electrocardiográficos, utilizando técnicas de clasificación supervisada. Los clasificadores desarrollados se basaron en técnicas de aprendizaje de máquina, Se implementaron metaclasificadores para los diferentes clasificadores. El desempeño de los diferentes clasificadores se probó aplicando criterios objetivos de comparación, y se obtuvieron resultados prometedores. Para presentar los resultados al usuario final, se diseñó una interfaz para ser usada por el especialista como ayuda a la clasificación de arritmias.

Biografía del autor/a

Leonardo Ramírez López, Universidad Militar Nueva Granada
Ing. Leonardo Ramírez López, M.Sc., docente asistente de la UMNG, director del grupo TIGUM, Miembro del capitulo profesional de Procesamiento de Señales IEEE-Colombia.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Leonardo Ramírez López, Universidad Militar Nueva Granada
Ing. Leonardo Ramírez López, M.Sc., docente asistente de la UMNG, director del grupo TIGUM, Miembro del capitulo profesional de Procesamiento de Señales IEEE-Colombia.

Referencias Bibliográficas

MINAMI, K. NAKAJIMA, H. and TOYOSHIMA, T. “Real-time discrimination of ventricular tachyarrhythmia with Fourier-transform neural network,” IEEE Trans. Biomed. Eng., vol. 46, pp. 179–185, Feb. 1999.

AFONSO, V. X. and TOMPKINS, W. J. “Detecting ventricular fibrillation, selecting the appropriate time-frequency analysis tool for the application,”IEEE Eng. Med. Biol. Mag., pp. 152–159, Mar. 1995.

KHADRA, L. AL-FAHOUM, A. S. and AL-NASHASH, H. “Detection of lifethreatening cardiac arrhythmias using thewavelet transformation,” Med.Biolo. Eng. Comput., vol. 35, pp. 626–632, Nov. 1997.

AL-FAHOUM A. S. and HOWITT, I. “Combined wavelet transformation and radial basis neural networks for classifying life-threatening cardiac arrhythmias,” Med. Biology. Eng. Comput., vol. 37, pp. 566– 573, Sept. 1999.

THAKOR, N. V. and ZHU, Y. “Applications of adap-tive filtering to ECG analysis: Noise cancellation and arrhythmia detection,” IEEE Trans.Biomed. Eng., vol. 38, pp. 785–794, Aug. 1991.

ITURRALDE TORRES, P. “Arritmias cardiacas,” Ed McGrawHill Interamericana. Segunda edición p. 25.

MAGOULAS, G. y PRENTZA, A. Machine learning in medical applications, lecture notes in computer science. 1999.

AGUIRRE, P. CARDELINO, J. y LOEFF, N. CARDIDENT,

Instituto de Ingeniería eléctrica de la Universidad de la republica de Montevideo. Abril 2001.

PALLAS ARENY, R. director tesis doctoral, Análisis de la variabilidad de intervalos de tiempo del ECG. Departamento de Ingeniería Electrónica. Universidad Politécnica de Cataluña (UPC), España. (2001).

PAN, J. TOMPKINS, W. A real time QRS detec-tion algorithm, IEEE transactions on biomedical engieneering, vol. BME-32, No. 3, Marzo 1985

FRITSCHY, D. RISK, M. Detección de latidos cardiacos ectopicos con redes neuronales. U. College London. 2000.

VÉLEZ, A. H. ROJAS M. W. BORRERO, R. J. RESTREPO M. J. Equipo Médico del Centro Cardiovascular Colombiano, Clínica Santa María FUNDAMENTOS DE MEDICINA. CARDIOLOGIA. Sexta edición, 2002.

Grupo Red Heart, Colombia. 2005.

GOLDBERGER, E. Derivaciones unipolares en electrocardiografía y vectorgrafía incluyendo las derivaciones estándar, las arritmias cardiacas y los principios de cetotrcardiografía. P. 16 – 51.

MITCHELL, T. Machine learning. Mc Graw Hill, 1997.

HILERA, J. y MARTÍNEZ, V. Redes neuronales artificiales, fundamentos, modelos y aplicaciones. Ed. RaMa 1995.

HAU, D. COIERA, E. Learning qualitative models of dinamic system. Machine learning.1997.

BAUER E. and KOHAVI. An emperical comparison of voting classification algorithms. Machine Learning, Boston. 1999.

BREIMAN L. BAGGING PREDICTOR. Machine Learning, Technical report. U. of. California. 1994.

SCHAPIRE, R. E. and SINGER, Y. Improved boos-ting algorithms. Machine Learning, 297-336. 1999.

LAVRAE Relational data mining applications. 1998

ISS y ASCOFAME. Guía práctica clínica basadas en evidencia. 2004

VIÑUELA, I. P. y GALVAN, I. M. Redes neuronales: Un enfoque practico. Ed. Pearson Educación, 2004. p. 261

ARAGON TORRES, A. SASADO, S. Uso de las redes

neuronales para optimizar simuladores. Ed. Burgos, 2002. p. 39

Fuente: http://mit-bih/phisionet. Registros de electro cardiología, Instituto Tecnológico de Massachussets. 2004.

Fuente: www.physionel.org/physiotools/wfdb.shtml 2005.

Fuente: http://www.texasheartinstitute.org/arcat_sp del hospital St. Luke’s Episcopal, Instituto del cardiología de Texas, 2005

Fuente: http://www.cardiologiahmm.com/hmm/index Unidad de Cardiología, Hospital General Universitario Morales Messenguer, Abril 2005.

Fuente: http://www.cardioglobal.com.ar/sociedades, Directorio de la Cardiología mundial, Junio 2005.

Fuente: http://www.hemodinamiadelsur.com. ar, HDS Hemodinámica del sur, Junio 2005.

Fuente: http://www.portalcardio.com/, una excelente guía de recursos cardiacos, Diciembre 2003

Fuente:http://www.mmhs.com/clinical/adult/spanish/cardiac/arrhythm.htmSistema de Salud Martin Memorial, Marzo 2005.

Fuente: http://philips.com/ecg. 2004

Fuente: http//:www.weka.com/manual Completo manual de clasificadores mediante la librería weka, de la Universidad de Waikato. 2005.

Fuente: http://www.umm.edu/esp_imagepages/8772. Universidad de Maryland, Centro Medico, ADAM Diciembre 2003.

Cómo citar
Ramírez López, L. (2006). Modelo de clasificación dinámico de arritmias cardíacas mediante aprendizaje de máquina con interfaz a usuario. Ciencia E Ingeniería Neogranadina, 16(2), 86-95. https://doi.org/10.18359/rcin.1237
Publicado
2006-12-01
Sección
Artículos
Crossref Cited-by logo