Red neuronal profunda para detección de artefactos por movimiento en señales de balistocardiografía.
Loading...
Date
2019
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad de Concepción
Abstract
La presencia de artefactos por movimiento (Motion Artifacts, MA) en señales de
electrocardiograma (ECG) y balistocardiograma (BCG) disminuye la e cacia de los
algoritmos de detección de latidos, y con ello la con abilidad de métricas cardíacas
como el período cardíaco instantáneo, útiles para la detección de arritmias. El presente trabajo propone un sistema de detección de MA basado en redes neuronales
convolucionales unidimensioanales (1D Convolutional Neural Networks, 1D CNNs).
El reconocimiento de MAs permitiría a los sistemas tomar decisiones de alto nivel,
como descartar los segmentos de señal que presenten anomalías, con el n de evitar
falsos positivos. El clasi cador propuesto consiste en una 1D CNN de 6 capas (8 en el
caso del BCG) de extracción de características (Convolucional + Max-pooling), con
32 ltros de 9 muestras de campo receptivo, más una capa densa de 512 neuronas
(fully-connected). El modelo se validó con la base de datos MIT-BIH de PhysioNet
(Exactitud promedio de de 95.9 %), y luego con una base de datos de BCG semisintético creada mediante la concatenación aleatoria de latidos de BCG obtenidos
en entornos reales (Exactitud promedio de 91.1 %). Al incorporar el detector en un
sistema de detección de latidos, la sensibilidad de los algoritmos mejoró de 75 % a
98.5 % en el caso del ECG, y de 72.1 % a 94.5 % en el caso del BCG, para señales
contaminadas a SNR = 0 [dB]. Se concluye que la incorporación de una etapa de
detección de MA basada en el clasi cador propuesto, mejora la con abilidad de las
métricas de interés. De acuerdo a los resultados obtenidos, se puede vislumbrar la
aplicación de la metodología presentada en este trabajo a otros tipos de señales cardíacas, así como su implementación en dispositivos de monitoreo portables donde las
señales suelen ser baja calidad.
Description
Tesis presentada para optar al grado de Magíster en Ciencias de la Ingeniería con mención en Ingeniería Eléctrica.
Keywords
Redes Neurales (Ciencia de la Computación), Aprendizaje Profundo, Análisis de Componentes Principales, Industria, Innovación e Infraestructura