Por favor, use este identificador para citar o enlazar este ítem: http://repositorio.udec.cl/jspui/handle/11594/2541
Título : Clasificación automática de latidos de un electrocardiograma utilizando aprendizaje profundo
Autor : Pradenas Rojas, Lorena del Carmen; supervisora de grado
Villagrán Fuentes, Carlos Andrés
Palabras clave : Registros Médicos - Innovaciones Tecnológicas;Sistema Cardiovascular - Enfermedades;Minería de Datos;Industria, Innovación e Infraestructura
Fecha de publicación : 2017
Editorial : Universidad de Concepción.
Resumen : Las enfermedades cardiovasculares corresponden a la primera causa de muerte en el mundo y conllevan un elevado costo. Además, la fuerza de trabajo de cardiólogos va en constante decrecimiento. Por ello, se han desarrollado algoritmos automáticos de clasificación de latidos cardíacos desde registros de electrocardiograma (ECG). Este trabajo abordó esta problemática mediante aprendizaje profundo. Se utilizó la base de datos de arritmias del MIT-BIH, que consta de 48 registros de 30 min con 2 canales de ECG y que posee las etiquetas de cada latido. Se realizó un procesamiento de los datos, se conformaron conjuntos de entrenamiento y prueba bajo un enfoque inter-paciente, y se implementaron 4 arquitecturas de redes neuronales convolucionales con distintas profundidades, utilizando Python 2.7 y “Tensorflow”. Se lograron exactitudes de 93,2%; 93,7%; 94,4% y 94,0% para las 4 redes implementadas, respectivamente; lo que posiciona a este trabajo como un aporte a la literatura actualmente disponible para resolver el problema.
Descripción : Magister en Ingeniería Industrial Universidad de Concepción 2017
URI : http://repositorio.udec.cl/jspui/handle/11594/2541
metadata.dc.identifier.other: 231965
Aparece en las colecciones: Ingeniería Industrial - Tesis Magister

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
Tesis_clasificacion_automatica_de_latidos.pdf3,18 MBAdobe PDFVista previa
Visualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons