Sistema de detección de insuficiencia cardíaca congestiva en señales de ECG a través de aprendizaje máquina
DOI:
https://doi.org/10.46842/ipn.cien.v28n2a06Palabras clave:
Análisis de señales, Aprendizaje máquina, Clasificación, Electrocardiograma, Plataforma webResumen
Las enfermedades cardiovasculares, como la Insuficiencia Cardíaca Congestiva (ICC), son causas principales de mortalidad global y deterioran la calidad de vida. El Electrocardiograma (ECG), eficiente y no invasivo, es esencial para detectar la ICC mediante el análisis de la actividad eléctrica del corazón. Este trabajo integra el aprendizaje automático supervisado en el análisis del ECG, utilizando modelos de clasificación para distinguir entre señales normales y aquellas afectadas por la ICC. Se desarrolla una plataforma web para apoyar la investigación y el desarrollo de sistemas de Telemedicina, facilitando la clasificación de señales de ECG de manera automatica y contribuyendo al diagnóstico médico a distancia, el registro de datos, y las consultas médicas. El presente trabajo demuestra que los modelos utilizados alcanzan una precisión de hasta 99%, con solo 5 errores en 720 muestras de prueba. No obstante, la generalización del sistema puede verse limitada por la variabilidad en las señales y las condiciones de adquisición. La principal contribución de este trabajo es la investigación de rasgos específicos del ECG para entrenar modelos de clasificación, ofreciendo una base para futuras investigaciones en entornos clínicos.
Referencias
L. Azcona, “El electrocardiograma,” in Libro de la salud cardiovascular, A. López Farré, C. Mayaca Miguel, 1ª ed. Bilbao, España: Narea, 2009, pp. 49-56.
A. Darmawahyuni, S. Nurmaini, M. Yuwandini, M. N. Rachmatullah, F. Firdaus, B. Tutuko, “Congestive heart failure waveform classification based on short time-step analysis with recurrent network,” Informatics in Medicine Unlocked, vol. 21, p. 100441, 2020, doi: https://doi.org/10.1016/j.imu.2020.100441.
D. Li, Y. Tao, J. Zhao, H. Wu, “Classification of Congestive Heart Failure from ECG Segments with a Multi-Scale Residual Network,” Symmetry, vol. 12, no. 12, p. 2019, Dec. 2020, doi: 10.3390/sym12122019. Disponible en: https://doi.org/10.3390/sym12122019.
V. Jahmunah, S. L. Oh, J. K. E. Wei, E. J. Ciaccio, K. Chua, T. R. San, U. R. Acharya, ``Computer-aided diagnosis of congestive heart failure using ECG signals – A review,'' Physica Medica, vol. 62, pp. 95-104, jun. 2019, ISSN 1120-1797. DOI: 10.1016/j.ejmp.2019.05.004. [En línea]. Available: https://www.sciencedirect.com/science/article/pii/S1120179719301115.
L. Hussain, I. A. Awan, W. Aziz, S. Saeed, A. Ali, F. Zeeshan, K. S. Kwak, ``Detecting Congestive Heart Failure by Extracting Multimodal Features and Employing Machine Learning Techniques,'' BioMed Research International, vol. 2020, ID 4281243, Feb. 2020. DOI: 10.1155/2020/4281243. [En línea]. Disponible en: https://www.hindawi.com/journals/bmri/2020/4281243/.
A. C. Guyton, J. E. Hall, “Electrocardiograma normal,” in Tratado de fisiología médica, 12ª ed., vol. 1, Unidad 3, Elsevier, 2011, pp. 121-130.
R. Bover, “El electrocardiograma (ECG) en la insuficiencia cardíaca: bloqueo de rama izquierda,” Insuficiencia cardíaca para pacientes, Aug. 13, 2018. Available: https://insuficiencia-cardiaca.com/insuficiencia-cardiaca/diagnostico-insuficiencia-cardiaca/41-diagnostico-electrocardiograma-insuficiencia-cardiaca.html.
D. Zipes, P. Libby, R. Bonow, D. Mann, and G. Tomaselli, Braunwald's Heart Disease: A Textbook of Cardiovascular Medicine, 11ª ed. Philadelphia, PA, USA: Elsevier, 2019.
D. S. Baim, W. S. Colucci, E. S. Monrad, H. S. Smith, R. F. Wright, A. Lanoue, D. F. Gauthier, B. J. Ransil, W. Grossman, E. Braunwald, “Survival of patients with severe congestive heart failure treated with oral milrinone,” Journal of the American College of Cardiology, vol. 7, no. 3, pp. 661-670, Mar. 1986, doi: https://doi.org/10.1016/s0735-1097(86)80478-8.
A. L. Goldberger, L. A. N. Amaral, L. Glass, J. M. Hausdorff, P. C. Ivanov, R. G. Mark, H. E. Stanley, “PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals,” Circulation, vol. 101, no. 23, pp. e215-e220, Jun. 2000, doi: https://doi.org/10.13026/C29G60.
A. L. Goldberger, L. A. N. Amaral, L. Glass, J. M. Hausdorff, P. Ch. Ivanov, R. G. Mark, and H. E. Stanley, “PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals,” Circulation, vol. 101, no. 23, pp. e215-e220, Jun. 2000. Available: https://physionet.org/content/nsrdb/1.0.0/.
O. Manolkar, N. Gawande, “ECG Analysis for Chronic Heart Failure Detection using Deep Learning,” International Journal for Research in Applied Science & Engineering Technology (IJRASET), vol. 11, no. 6, 2023, doi: https://doi.org/10.22214/ijraset.2023.53733.
V. Morales Oñate, “Machine Learning: Teoría y Práctica,” [En línea]. Disponible: https://bookdown.org/victor_morales/TecnicasML/. (accesed Apr. 11, 2023).
J. Botros, F. Mourad-Chehade, D. Laplanche, “CNN and SVM-Based Models for the Detection of Heart Failure Using Electrocardiogram Signals,” Sensors (Basel), vol. 22, no. 23, p. 9190, Nov. 2022, doi: https://doi.org/10.3390/s22239190.
A. Turnip et al., “Classification of ECG signal with Support Vector Machine Method for Arrhythmia Detection,” J. Phys.: Conf. Ser., vol. 970, p. 012012, Jul. 2018, doi: https://doi.org/10.1088/1742-6596/970/1/012012.
I. Logunova, “K-Nearest Neighbors Algorithm for ML,” Serokell. Available: https://serokell.io/blog/knn-algorithm-in-ml. (accesed Sep. 7, 2024).
Y. Shi, Z. Yang, K. Yang, Y. Zhou, “k-Nearest Neighbors Method,” in Mobile Edge Artificial Intelligence, Academic Press, 2022. Available: https://doi.org/10.1016/C2020-0-00624-9.
ScienceDirect, “k-Nearest Neighbors Algorithm,” ScienceDirect. Available: https://www.sciencedirect.com/topics/computer-science/k-nearest-neighbors-algorithm. (accesed Sep. 7, 2024).
S. Jayalalitha, D. Susan, S. Kumari, B. Archana, "K-nearest Neighbour Method of Analysing the ECG Signal (To Find out the Different Disorders Related to Heart)," Journal of Applied Sciences, vol. 14, no. 14, pp. 1628-1632, 2014, doi: https://doi.org/10.3923/jas.2014.1628.1632.
I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning, 1st ed. Cambridge, MA, USA: MIT Press, 2016.
U. R. Acharya, H. Fujita, O. S. Lih, M. Adam, J. H. Tan, C. K. Chua, "Automated detection of coronary artery disease using different durations of ECG segments with convolutional neural network," Knowledge-Based Systems, vol. 132, pp. 62-71, Jun. 2017, doi: https://doi.org/10.1016/j.knosys.2017.06.003.
Y. Karaca, M. Moonis, "Shannon entropy-based complexity quantification of nonlinear stochastic process," in Multi-Chaos, Fractal and Multi-Fractional Artificial Intelligence of Different Complex Systems, Elsevier, 2022. Available: https://www.sciencedirect.com/topics/engineering/shannon-entropy.
T. Li, M. Zhou, "ECG classification using wavelet packet entropy and random forests," Entropy, vol. 18, no. 8, p. 285, Aug. 2016. https://doi.org/10.3390/e18080285.
H. Yanık, E. Değirmenci, B. Büyükakıllı, D. Karpuz, O. Kılınç, S. Gürgül, "Electrocardiography (ECG) analysis and a new feature extraction method using wavelet transform with scalogram analysis," Biomedical Engineering / Biomedizinische Technik, vol. 65, no. 5, pp. 543-556, May 2020. https://doi.org/10.1515/bmt-2019-0147.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2024 Aldair Ascencio Salazar, Ángel Humberto Corral Domínguez, Fortunato Ramírez Arzate, José Ricardo Cárdenas Valdez (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
