Mostrar el registro sencillo del ítem
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 |