Resumen de Modelo computacional para el diagnóstico preliminar de arritmias cardiacas basado en Redes Neuronales Convolucionales

Alfonso Aníbal Guijarro Rodríguez, Jorge Medina, Erick J. Limón Mejillones, Angie A Salazar Salazar

• español

  La detección de enfermedades cardiovasculares es un proceso llevado por los médicos especialistas en cardiología, comúnmente mediante la exploración y análisis de un electrocardiograma (ECG), la presencia o ausencia de enfermedades cardiovasculares (ECV), se realiza mediante la lectura de una prueba simple e indolora que muestra el ritmo cardiaco, para determinar si existe o no un grado de afectación, de acuerdo con los protocolos que presentan las normas internacionales. Trabajos recientes sugieren que el desarrollado de las nuevas tecnologías permite establecer diagnósticos médicos, para la detección temprana de ECV, para así acelerar la aplicación de los tratamientos. Este trabajo presenta como objetivo seleccionar un modelo computacional basado en redes neurales convolucionales (CNN por sus siglas en inglés), para la detección temprana de anomalías cardiacas a partir de las imágenes de un ECG, para esto se utilizó un proceso de clasificación de cuatro fases: análisis de data, entrenamiento, depuración de datos y la evaluación de resultados. Como insumo se consideró un conjunto de imágenes de ECG, obtenidas desde el sitio de Mendeley data, otro corresponde al aporte del Centro Médico OHS y otras fueron generadas mediante el dispositivo KardiaMobile. Para la clasificación se utilizó una CNN de transferencia de aprendizaje, y para la validación se consideraron 230 imágenes, las cuales fueron corroboradas mediante tres modelos pre-entrenados, Inception V3 con 96% de precisión, ResNet 101 con 93% de precisión y MobileNet V2 con 92% de precisión, logrando clasificar tres tipos de arritmias cardiacas, miocardio, ritmo sinusal normal y anormal.

• English

  The detection of cardiovascular disease is a process carried out by cardiology specialists, usually by means of the exploration and analysis of an electrocardiogram (ECG). The presence or absence of cardiovascular disease (CVD) is determined by reading a simple and painless test that shows the heart rhythm, to determine whether or not there is a degree of involvement, in accordance with the protocols presented by international standards. Recent work suggests that the development of new technologies allows the establishment of medical diagnostics for the early detection of CVD in order to accelerate the application of treatments. The aim of this work is to select a computational model based on convolutional neural networks (CNN) for the early detection of cardiac abnormalities from ECG images, using a four-phase classification process: data analysis, training, data cleaning and evaluation of results. As input we considered a set of ECG images obtained from the Mendeley data site, another set of images corresponds to the contribution of the OHS Medical Center and others were generated using the KardiaMobile device. A learning transfer CNN was used for classification, and 230 images were considered for validation, which were corroborated by three pre-trained models, Inception V3 with 96% accuracy, ResNet 101 with 93% accuracy and MobileNet V2 with 92% accuracy, managing to classify three types of cardiac arrhythmias, myocardial, normal and abnormal sinus rhythm.