Por favor, use este identificador para citar o enlazar este ítem:
http://repositorio.udec.cl/jspui/handle/11594/2541
Registro completo de metadatos
Campo DC | Valor | Lengua/Idioma |
---|---|---|
dc.contributor.advisor | Pradenas Rojas, Lorena del Carmen; supervisora de grado | es |
dc.contributor.author | Villagrán Fuentes, Carlos Andrés | es |
dc.date.accessioned | 2018-04-17T20:32:01Z | - |
dc.date.accessioned | 2019-12-16T16:27:37Z | - |
dc.date.available | 2018-04-17T20:32:01Z | - |
dc.date.available | 2019-12-16T16:27:37Z | - |
dc.date.issued | 2017 | - |
dc.identifier.other | 231965 | - |
dc.identifier.uri | http://repositorio.udec.cl/jspui/handle/11594/2541 | - |
dc.description | Magister en Ingeniería Industrial Universidad de Concepción 2017 | es |
dc.description.abstract | 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. | es |
dc.language.iso | spa | es |
dc.publisher | Universidad de Concepción. | es |
dc.rights | Creative Commoms CC BY NC ND 4.0 internacional (Atribución-NoComercial-SinDerivadas 4.0 Internacional) | - |
dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es | - |
dc.subject | Registros Médicos - Innovaciones Tecnológicas | es |
dc.subject | Sistema Cardiovascular - Enfermedades | es |
dc.subject | Minería de Datos | es |
dc.subject | Industria, Innovación e Infraestructura | - |
dc.title | Clasificación automática de latidos de un electrocardiograma utilizando aprendizaje profundo | es |
dc.type | Tesis | es |
dc.description.facultad | Departamento de Ingeniería Industrial | es |
dc.description.departamento | Departamento de Ingeniería Industrial. | es |
Aparece en las colecciones: | Ingeniería Industrial - Tesis Magister |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
Tesis_clasificacion_automatica_de_latidos.pdf | 3,18 MB | Adobe PDF | Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons