Implementación de algoritmos de selección de señales ECG para aprendizaje contrastivo, con el fin de mejorar la precisión en la clasificación de señales con arritmias

Abstract

La señal ECG proporciona información sobre el sistema cardiovascular, sin embargo, clasificar este tipo de señales es complicado y consume tiempo. La interpretación de grandes volúmenes de datos ECG es realizada por especialistas, lo que puede llevar a fatiga y errores médicos. El desarrollo de sistemas de deep learning ha abierto nuevas posibilidades en la interpretación automatizada de las señales ECG, pero se requieren conjuntos de datos etiquetados, que son costosos y pueden plantear problemas de privacidad. Además, los conjuntos de datos existentes son limitados en comparación con la diversidad de patrones de ECG. Por lo tanto, es necesario buscar alternativas que mejoren la clasificación de señales ECG sin depender únicamente de grandes conjuntos de datos etiquetados. Por medio de este proyecto se aporta a la búsqueda de soluciones utilizando señales ECG no etiquetadas con el objetivo de mejorar la clasificación de arritmias cardiacas de una CNN implementando distintos algoritmos de selección de datos para el aprendizaje contrastivo no supervisado durante el pre entrenamiento del CNN. Esta implementación se realizó en el lenguaje de programación python. El sistema utilizó la base de datos Icentia11k con 11.000 muestras de señales ECG.