Deep Learning for Cardiac Rhythm Assessment: Evaluating CNN Models on ECG Data

• Astudillo Delgado , Victor Manuel ^[1] ; Revelo Luna , David Armando ^[1] ; Muñoz Chaves, Javier Andrés ^[2]
  1. [1] Corporación Universitaria Comfacauca
  2. [2] Corporación Univeristaia Comfacauca
• Localización: I+ T+ C: Investigación, tecnología y ciencia, ISSN-e 2805-7201, ISSN 1909-5775, Vol. 1, Nº. 17, 2023 (Ejemplar dedicado a: I+T+C Journal: Research, Technology and Science)
• Idioma: inglés
• Títulos paralelos:
  • Aprendizaje profundo para la evaluación del ritmo cardiaco: Evaluación de modelos CNN en datos de ECG
• Enlaces
  • Texto completo
• Resumen
  • español

    El electrocardiograma (ECG) es una técnica para detectar problemas en el ritmo cardíaco y evaluar el sistema cardiovascular. Tradicionalmente, los médicos confiaban en observaciones manuales, pero esto tenía limitaciones en términos de precisión. En esta investigación, se utilizaron redes neuronales convolucionales para la identificación de arritmias cardiacas en pacientes. Se entrenaron tres modelos diferentes, usando arquitecturas: VGG16 y ResNet-50, así mismo una propuesta por los investigadores. Todos los modelos se entrenaron con el dataset (PhysioNet MIT-BIH), con la misma cantidad de datos y configuración. La evaluación de los modelos se realizó utilizando métricas: precisión, recall, F1Score y accuracy. El modelo VGG16 demostró ser el más efectivo, logrando una accuracy del 98,8%. Los resultados de la investigación pueden llegar a mejorar la detección de arritmias cardiacas, lo que podría llevar a diagnósticos más precisos y un mejor cuidado de la salud cardiovascular en pacientes.

  • English

    The electrocardiogram (ECG) is a technique for detecting heart rhythm problems and evaluating the cardiovascular system. Traditionally, physicians relied on manual observations, but this had limitations in terms of accuracy. In this research, convolutional neural networks were used for the identification of cardiac arrhythmias in patients. Three different models were trained, using architectures: VGG16 and ResNet-50, as well as one proposed by the researchers. All models were trained with the dataset (PhysioNet MIT-BIH), with the same amount of data and configuration. The evaluation of the models was performed using the following metrics: precision, recall, F1Score and accuracy. The VGG16 model proved to be the most effective, achieving an accuracy of 98.8%. The results of the research may lead to improved detection of cardiac arrhythmias, which could lead to more accurate diagnoses and better cardiovascular health care for patients.