Aprendizaje contrastivo para la detección de fibrilación auricular en escenarios desafiantes

Fonseca Estupiñán, Karen Andrea; Osorio Mejía, Sergio Andrés

Aprendizaje contrastivo para la detección de fibrilación auricular en escenarios desafiantes

dc.contributor.advisor	Castillo Bohórquez, Jeison Arley
dc.contributor.advisor	Fajardo Ariza, Carlos Augusto
dc.contributor.author	Fonseca Estupiñán, Karen Andrea
dc.contributor.author	Osorio Mejía, Sergio Andrés
dc.contributor.evaluator	Sepúlveda Sepúlveda, Franklin Alexander
dc.contributor.evaluator	Africano Ardila, Gerson Fernando
dc.date.accessioned	2022-04-21T12:50:40Z
dc.date.available	2022-04-21T12:50:40Z
dc.date.created	2022-04-01
dc.date.embargoEnd	2027-04-01
dc.date.issued	2022-04-01
dc.description.abstract	En las aplicaciones de salud, el reentrenamiento de los modelos para los nuevos usuarios suele requerir la recopilación de muchos datos etiquetados, lo que resulta difícil y costoso en este tipo de aplicaciones, como la detección de la fibrilación auricular. Las técnicas no supervisadas y autosupervisadas han surgido como métodos prometedores para hacer frente a la escasez de datos etiquetados. El aprendizaje contrastivo es una técnica reciente que pretende mejorar la precisión del modelo mediante un proceso de preentrenamiento con datos no etiquetados. En este trabajo, proponemos la implementación del aprendizaje contrastivo para mejorar el rendimiento de una CNN que clasifica la fibrilación auricular en escenarios con pocos datos etiquetados, modelos pequeños y datos ruidosos. La estrategia fue evaluada con la mayor base de datos públicos de señales ECG. Presentamos resultados relativos a la métrica F1 para una cantidad diferente de datos no etiquetados y diferentes tamaños de modelos. Nuestros resultados sugieren que la estrategia supera a la estrategia de referencia hasta un 30% de la métrica F1 media en interaciones de 10 repeticiones.
dc.description.abstractenglish	In healthcare applications, retraining models for new users often require collecting many labeled data, which is challenging and expensive in these types of applications, such as atrial fibrillation detection. Unsupervised and self-supervised techniques have emerged as promising methods to deal with the scarcity of labeled data. Contrastive learning is a recent technique that aims to improve the model accuracy by a pre-trained process with unlabelled data. In this work, we propose the implementation of contrastive learning to improve the performance of a CNN that classifies atrial fibrillation in scenarios with few labeled data, small models, and noisy data. The strategy was evaluated in the largest public ECG dataset. We present results regarding the F1-score for a different amount of unlabeled-labeled data, and different model sizes. Our results suggest that the strategy outperforms the baseline strategy by up to 30% of the 10-fold mean F1 score.
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero Electrónico
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/10104
dc.language.iso	eng
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Ingeniería Electrónica
dc.publisher.school	Escuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Arritmia cardíaca
dc.subject	Aprendizaje contrastivo
dc.subject	Redes neuronales convolucionales
dc.subject	Aumento de datos
dc.subject	Señales ECG
dc.subject	Aprendizaje autosupervisado
dc.subject.keyword	Cardiac Arrhythmia
dc.subject.keyword	Contrastive Learning
dc.subject.keyword	Convolutional Neural Networks
dc.subject.keyword	Data Augmentation
dc.subject.keyword	ECG Signals
dc.subject.keyword	Self-Supervised Learning
dc.title	Aprendizaje contrastivo para la detección de fibrilación auricular en escenarios desafiantes
dc.title.english	Contrastive Learning for Atrial Fibrillation Detection in Challenging Scenarios
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado
dspace.entity.type