Resumen de Clasificación de arritmias car diacas usando redes neuronales convolucionales en muestras de ECG

Victor Manuel Astudillo Delgado, David Armando Revelo Luna, Javier Andres Muñoz

• español

  El electrocardiograma (ECG) es una herramienta esencial en el diagnóstico de enfermedades cardiovasculares, proporcionando información valiosa sobre el ritmo y la función del corazón. Tradicionalmente, los médicos se basaban en características heurísticas identificadas manualmente para detectar anomalías en el ECG. Sin embargo, esta metodología presentaba limitaciones en términos de precisión y fiabilidad. Con el objetivo de mejorar la precisión en la identificación de arritmias cardiacas, esta investigación se enfocó en el desarrollo de modelos basados en redes neuronales convolucionales. Se utilizaron dos conjuntos de datos: el dataset PhysioNet MIT-BIH, ampliamente utilizado en la comunidad científica, y datos adquiridos por el simulador de arritmias Bio-Tek BP Pump NIBP. Se entrenaron cinco modelos con diferentes arquitecturas, incluyendo modelos convencionales como VGG16, ResNet-50 y AlexNet, así como dos arquitecturas propuestas por los autores. Todos los modelos se entrenaron con el mismo número de muestras y configuración de hiperparámetros. La evaluación del desempeño se realizó utilizando métricas comunes como exactitud, recall, F1-score y exactitud —accuracy—. Los resultados demostraron que la arquitectura VGG16 fue la más eficaz en la clasificación de arritmias cardiacas, alcanzando una exactitud del 98,8% en el conjunto de datos MIT-BIH. Además, al evaluar los datos de prueba del simulador Bio-Tek BP Pump NIBP, el modelo customize-2 demostró el mejor rendimiento con una exactitud del 96,3%. Estos resultados son prometedores, ya que demuestran el potencial de las redes neuronales convolucionales para mejorar la precisión en el diagnóstico de arritmias cardiacas. Los modelos desarrollados en esta investigación podrían ser una herramienta útil para los médicos en la detección temprana y el tratamiento adecuado de estas afecciones cardiovasculares.

• English

  The electrocardiogram (ECG) is an essential tool in the diagnosis of cardiovascular disease, providing valuable information about heart rhythm and function. Traditionally, physicians relied on manually identified heuristic features to detect ECG abnormalities. However, this methodology had limitations in terms of accuracy and reliability. With the aim of improving accuracy in the identification of cardiac arrhythmias, this research focused on the development of models based on convolutional neural networks. Two data sets were used: the PhysioNet MIT-BIH dataset, widely used in the scientific community, and data acquired by the Bio-Tek BP Pump NIBP arrhythmia simulator. Five models were trained with different architectures, including conventional models such as (VGG16, ResNet-50 and AlexNet), as well as two architectures proposed by the authors. All models were trained with the same number of samples and hyperparameter settings. Performance evaluation was performed using common metrics such as precision, recall, F1-score and accuracy. The results showed that the VGG16 architecture was the most effective in classifying cardiac arrhythmias, achieving an accuracy of 98.8% on the MIT-BIH dataset. Furthermore, when evaluating test data from the Bio-Tek BP Pump NIBP simulator, the customize-2 model demonstrated the best performance with an accuracy of 96.3%. These results are promising, as they demonstrate the potential of convolutional neural networks to improve accuracy in the diagnosis of cardiac arrhythmias. The models developed in this research could be a useful tool for clinicians in the early detection and appropriate treatment of these cardiovascular conditions.