Detection of atrial fibrillation in segments of ecg signals using deep neural networks

Simple item page
dc.contributor.advisorFajardo Ariza, Carlos Augusto
dc.contributor.authorCastillo Bohorquez, Jeyson Arley
dc.contributor.authorGranados Hernández, Yenny Carolina
dc.date.accessioned2023-04-06T03:39:05Z
dc.date.available2023
dc.date.available2023-04-06T03:39:05Z
dc.date.created2019
dc.date.issued2019
dc.description.abstractLa fibrilación auricular (FA) es la arritmia cardíaca más común en todo el mundo. Se asocia con la reducción en la calidad de vida y aumenta el riesgo de accidente cerebrovascular e infarto de miocardio. Lamentablemente, muchos casos de FA son asintomáticos y no diagnosticados a tiempo, lo que aumenta el riesgo para los pacientes. La detección de FA exige un monitoreo a largo plazo debido a su naturaleza paroxística y tal acción es lenta, costosa y, a veces, su valoración puede ser subjetiva. Este proyecto es la primera etapa de un proyecto macro que tiene como objetivo desarrollar un dispositivo portátil para la detección de FA, que se basará en una red neuronal convolucional (CNN). Los datos para el proceso de entrenamiento y validación son Atrial Fibrillation Database, un recurso público de MIT-BIH1 . Nuestro objetivo es encontrar un modelo CNN adecuado, que posteriormente podría llegar a implementarse en hardware. Aplicamos diversas técnicas para mejorar la respuesta con respecto a la precisión, sensibilidad, especificidad y precisión. El modelo final logra una precisión del 97,44%, una especificidad del 97,76%, una sensibilidad del 96,97% y una precisión del 96,80%. Además, seleccionando un optimizador adecuado se realiza la mejora en la sensibilidad del modelo, a un menor costo computacional. Los resultados de estos trabajos se utilizarán como marco para el trabajo futuro centrado en la implementación del dispositivo portátil basado en CNN para la detección automática de FA
dc.description.abstractenglishAtrial Fibrillation (AF) is the most common cardiac arrhythmia worldwide. It is associated with reduced quality of life and increases the risk of stroke and myocardial infarction. Lamentably, many cases of AF are asymptomatic and undiagnosed, which increases the risk for the patients. The detection of AF demands long-term monitoring because of its paroxysmal nature and is time-consuming, expensive, and sometimes it could be subjective. This project is the first stage in a macro project that aims to develop a portable device for the detection of AF, which will be based in a Convolutional Neural Network (CNN). The data for the train and validation process is the Atrial Fibrillation database, a public resource from MIT-BIH1 . We aim to find a suitable CNN model, which later could be implemented in hardware. We apply diverse techniques to improve the answer regarding accuracy, sensitivity, specificity, and precision. The final model achieves an accuracy of 97.44%, a specificity of 97.76%, a sensitivity of 96.97% and a precision of 96.80%. Besides the optimizer selected performs the best sensitivity at a lower computational cost. The results of this works will be used as framework for the future work focused on the implementation of the CNN-based portable device for automatic detection of AF.
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero Electrónico
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/13432
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías Fisicomecánicas
dc.publisher.programIngeniería Electrónica
dc.publisher.schoolEscuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectDeteccion
dc.subjectEcg
dc.subjectFibrilacion Auricular
dc.subjectRedes Neuronales Profundas.
dc.subject.keywordAtrial Fibrillation
dc.subject.keywordDeep Neural Networks
dc.subject.keywordDetection
dc.subject.keywordEcg
dc.titleDetection of atrial fibrillation in segments of ecg signals using deep neural networks
dc.title.englishDetection of atrial fibrillation in segments of ecg signals using deep neural networks *
dc.type.coarhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.hasversionhttp://purl.org/coar/resource_type/c_7a1f
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
dspace.entity.type
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
854.23 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
2.44 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
363.62 KB
Format:
Adobe Portable Document Format
Download
Collections
Ingeniería Electrónica