Comparacion de Redes Neuronales Preentrenadas para la ´ Evaluación de la Calidad en Registros Electrocardiográficos

• A. Huerta ^[1] ; A. Martínez Rodrigo ^[1] ; R. Alcaraz Martínez ^[1] ; A. Puchol Calderón ^[2] ; J.J. Rieta Ibáñez ^[3]
  1. [1] Universidad de Castilla-La Mancha

     Universidad de Castilla-La Mancha

     Ciudad Real, España

     
  2. [2] Hospital Virgen de la Salud

     Hospital Virgen de la Salud

     Toledo, España

     
  3. [3] Universidad Politécnica de Valencia

     Universidad Politécnica de Valencia

     Valencia, España

     

  Mostrar afiliaciones +
• Localización: XXXVIII Congreso Anual de la Sociedad Española de Ingeniería Biomédica. CASEIB 2020: Libro de actas / Roberto Hornero Sánchez (ed. lit.), Jesús Poza Crespo (ed. lit.), Carlos Gómez Peña (ed. lit.), María García Gadañón (ed. lit.), 2020, ISBN 978-84-09-25491-0, págs. 409-412
• Idioma: español
• Texto completo no disponible (Saber más ...)
• Resumen

  • Actualmente, es habitual el uso de las redes neuronales convolucionales para el análisis del registro electrocardiográfico (ECG). ´ Sin embargo, su capacidad para evaluar la calidad con la que se registra esta senal fisiol ˜ ogica todav ´ ´ıa no se ha examinado a fondo. Esta difìcil tarea, cuyo objetivo es identificar los intervalos de ECG de baja calidad, podrìa ayudar a un diagnostico ´ mas preciso de enfermedades cardíacas, especialmente si el ECG se ha registrado con un sistema de monitorizacion a largo plazo ´ portatil o vestible. As ´ ´ı pues, en este trabajo se introduce un estudio comparativo en el que se analizan varios modelos de redes neuronales en la tarea de discernir entre intervalos de ECG de alta y de baja calidad. Al no existir bases de datos suficientemente extensas, anotadas, y con acceso publico, se comparan tres redes ´ neuronales preentrenadas, las cuales son AlexNet, GoogLeNet y VGGNet. Para ello, se han utilizado 2.000 segmentos de ECG de 5 segundos de duracion, y clasificados en dos grupos de 1.000 ´ segmentos cada uno. Se ha obtenido una validacion robusta de ´ los algoritmos realizando cinco procesos de entrenamiento y dividiendo el conjunto de datos de manera aleatoria, con un 80 % para entrenamiento y un 20 % para test. Los resultados muestran una exactitud generalizada en todos los modelos en torno a un 90 %. Sin embargo, en cuanto al tiempo de calculo y memoria ´ utilizada se han observado importantes diferencias. AlexNet ha mostrado ser el método más r ápido para clasificar los segmen- ´ tos de ECG, mientras que GoogLeNet ha requerido menos memoria. Por lo tanto, ambos algoritmos han demostrado un buen equilibrio entre la identificación de intervalos de ECG y carga ´ computacional