Resumen de Comparacion de Redes Neuronales Preentrenadas para la ´ Evaluación de la Calidad en Registros Electrocardiográficos
Alvaro Huerta Herraiz, A. Martinez Rodrigo, Raúl Alcaraz Martínez, Alberto Puchol Calderón, José Joaquín Rieta Ibáñez
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
