Mejora de la clasificación de latidos cardiacos en se ñales ECG mediante preentrenamiento auto supervisado a gran escala

• Sara Artal ^[1] ; Julia Ramírez ^[1] ; Antonio Miguel ^[1] ; Juan Pablo Martínez ^[1]
  1. [1] Universidad de Zaragoza

     Universidad de Zaragoza

     Zaragoza, España

     
• Localización: CASEIB 2025. Libro de Actas del XLIII Congreso Anual de la Sociedad Española de Ingeniería Biomédica: Innovando en tecnología para la salud y calidad de vida / David Hernando (ed. lit.), Jesús Lazaro Plaza (ed. lit.), Pablo Laguna Lasaosa (aut.), Juan Pablo Martínez Cortés (aut.), 2025, ISBN 978-84-09-80259-3, págs. 656-659
• Idioma: español
• Texto completo no disponible (Saber más ...)
• Resumen

  • Los latidos ectópicos, anomalías del ritmo cardíaco, son indicadores importantes de arritmias. El electrocardiograma (ECG) de 12 derivaciones es una herramienta económica y no invasiva, ideal para el diagnóstico de estas patologías. Recientemente, las redes neuronales (RN) se han propuesto en cardiología para la predicción del riesgo cardíaco. Sin embargo, su uso sigue siendo limitado debido a la escasez de datos etiquetados. El objetivo de este proyecto es evaluar si el preentrenamiento autosupervisado mejora el rendimiento de las RN en una tarea de aprendizaje supervisado para la clasificación de tres tipos de latidos (normales, ectópicos supraventriculares aislados, o combinados con ventriculares), usando datos de entrenamiento limitados con una distribución desequilibrada de casos. Para ello, se han descargado y preprocesado señales ECG disponibles públicamente, dando lugar a 14.662.014 señales ECG. A continuación, se ha implementado una RN convolucional multicapa (CNN) para la clasificación de latidos. Después se ha desarrollado y preentrenado, de forma autosupervisada, una RN basada en codificación predictiva contrastiva. Los dos modelos han mostrado un buen rendimiento. Al utilizar una CNN simplificada junto con una RN preentrenada de forma autosupervisada, la precisión balanceada mejoró de 0,701 a 0,832, la puntuación F1 balanceada ascendió de 0,897 a 0,902, y el macro área bajo la curva aumentó de 0,835 a 0,966. De acuerdo con nuestros hallazgos, el método de aprendizaje supervisado basado en características autosupervisadas mejora el rendimiento y permite simplificar la arquitectura y el entrenamiento del modelo puramente supervisado.