Trabajo de grado - Pregrado
Clasificación de señales ECG para la detección de enfermedades cardíacas : un estudio comparativo
Fecha
2020Registro en:
instname:Universidad de los Andes
reponame:Repositorio Institucional Séneca
Autor
Mosquera Rojas, Gonzalo Esteban
Institución
Resumen
ECG signals play an important role for heart disease detection, ranging from various types of arrhythmia to AV block and heart attack. Although electrocardiogram is a relatively simple test, its correct analysis requires both time and capable personnel. These requirements increase proportionally to the number of exams to be analyzed. Therefore, doing these processes in an automatic and trustworthy fashion becomes a need in the medical field. This paper explores the implementation of Machine Learning models for ECG signals classification in four different categories: normal patient, atrial fibrillation patient, patient with abnormal rhythm that could have a different disease and noisy signal that cannot be studied. Tackling this problem leads to examine the models? capacity to recognize a specific disease, differentiate between normal and abnormal signals that need further analysis as well as determining errors in electrocardiogram taking. Six models were trained: five based on a feature engineering approach and one based on deep learning. Likewise, two additional models trained with techniques to handling class imbalance (oversampling and cost sensitive classification) are proposed. Models with good classification performance are obtained, with F1 average scores between 0.73 and 0.8. Las señales ECG tienen un papel fundamental para la detección de un gran número de enfermedades cardíacas, que van desde varios tipos de arritmias hasta bloqueos auriculares, infartos y pre-infartos. Si bien el electrocardiograma es relativamente sencillo, su correcto análisis requiere de tiempo y personal capacitado. Estos requerimientos aumentan de forma proporcional al número de exámenes a estudiar. Por lo tanto, realizar estos procesos de forma automática y confiable surge como una necesidad importante en el campo médico. En este trabajo se explora la implementación de modelos de Machine Learning para la clasificación de señales ECG en cuatro categorías: paciente normal, paciente con fibrilación auricular, paciente con ritmo anormal que puede padecer otra patología y señal ruidosa que no puede ser estudiada. Con este problema se analiza la capacidad de los modelos para reconocer una enfermedad en específico, diferenciar una señal normal de otra que no lo es y debe ser analizada en detalle para su correcto diagnóstico, así como determinar errores en la toma del examen. Se realiza el entrenamiento de seis modelos: cinco de ellos utilizando el enfoque de ingeniería de características y uno a través de aprendizaje profundo. Asimismo, se proponen dos modelos adicionales entrenados con dos técnicas para el tratamiento del desbalance entre clases: sobremuestreo y clasificación sensitiva al costo. Se obtienen modelos de buen rendimiento en la clasificación, con puntajes F1 promedio entre 0.73 y 0.8.