dc.contributor.advisor |
Pradenas Rojas, Lorena del Carmen; supervisora de grado |
es |
dc.contributor.author |
Larsen Lucero, Constanza Marie |
es |
dc.date.accessioned |
2021-07-28T23:27:49Z |
|
dc.date.available |
2021-07-28T23:27:49Z |
|
dc.date.issued |
2017 |
|
dc.identifier.uri |
http://repositorio.udec.cl/jspui/handle/11594/7147 |
|
dc.description |
Tesis para optar al grado de Magíster en Ingeniería Industrial. |
es |
dc.description.abstract |
La presión arterial es uno de los signos vitales más importantes del sistema cardiovascular. Actualmente hay métodos invasivos y no invasivos para medir y/o estimar la presión. En esta tesis, se usan redes neuronales artificiales (ANN) y máquinas de soporte vectorial para regresión (SVR) para estimar las presiones sistólica y diastólica desde electrocardiograma (ECG) y fotopletismograma (PPG).
Se utilizó la base de datos MIMIC-II que dispone de ECG, PPG y presión arterial continua. Se trabajó con los datos de 239 pacientes adultos. Se generaron instancias de entrenamiento y prueba para los modelos de regresión. Con cada algoritmo de aprendizaje automático, se probaron 3 modelos para cada presión arterial (sistólica y diastólica), que se medían según el estándar AAMI.
Los mejores resultados con ANN de error absoluto medio con desviación estándar fueron 5,7856 ± 6,4123 [mmHg] y 3,0503 ± 3,5532 [mmHg], para las presiones sistólica y diastólica, respectivamente. Con SVR, fueron 5,0893 ± 6,4563 [mmHg] y 2,6861 ± 3,6004 [mmHg], para las presiones sistólica y diastólica, respectivamente. Estos resultados son buenos de acuerdo al estándar AAMI. |
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.source.uri |
https://go.openathens.net/redirector/udec.cl?url=http://tesisencap.udec.cl/concepcion/larsen_l_c/index.html |
|
dc.subject |
Presión Sanguinea |
es |
dc.subject |
Innovaciones Tecnológicas |
es |
dc.subject |
Redes Neurales (Ciencia de la Computación) |
es |
dc.subject |
Electrocardiografía |
es |
dc.subject |
Innovaciones Tecnológicas |
es |
dc.title |
Uso de aprendizaje de máquina para la estimación automática de presión arterial a partir de electrocardiografía y fotopletismografía. |
es |
dc.type |
Tesis |
es |
dc.description.facultad |
Departamento de Ingeniería Industrial |
es |
dc.description.departamento |
Departamento de Ingeniería Industrial. |
es |