Model of dynamic classification of arrhythmias cardiac by means of learning of machine with interface to user

Modelo de clasificación dinámico de arritmias cardíacas mediante aprendizaje de máquina con interfaz a usuario

dc.creatorRamírez López, Leonardo
dc.date2006-12-01
dc.identifierhttps://revistas.unimilitar.edu.co/index.php/rcin/article/view/1237
dc.identifier10.18359/rcin.1237
dc.descriptionThis work presents the development of a classification model of heart arrhythmias, based on the duration ECG wave records, using supervised classification techniques and their corresponding meta-classifiers. The classifiers were tested and compared obtaining promising results. For the presentation to the specialist an interface was designed as a support for arrythmia classification.
dc.descriptionEste trabajo presenta el desarrollo de un modelo de clasificación de arritmias cardiacas, basado en la duración de las ondas de registros electrocardiográficos, utilizando técnicas de clasificación supervisada. Los clasificadores desarrollados se basaron en técnicas de aprendizaje de máquina, Se implementaron metaclasificadores para los diferentes clasificadores. El desempeño de los diferentes clasificadores se probó aplicando criterios objetivos de comparación, y se obtuvieron resultados prometedores. Para presentar los resultados al usuario final, se diseñó una interfaz para ser usada por el especialista como ayuda a la clasificación de arritmias.
dc.formatapplication/pdf
dc.languagespa
dc.publisherUniversidad Militar Nueva Granada
dc.relationhttps://revistas.unimilitar.edu.co/index.php/rcin/article/view/1237/966
dc.relation/*ref*/MINAMI, K. NAKAJIMA, H. and TOYOSHIMA, T. “Real-time discrimination of ventricular tachyarrhythmia with Fourier-transform neural network,” IEEE Trans. Biomed. Eng., vol. 46, pp. 179–185, Feb. 1999.
dc.relation/*ref*/AFONSO, V. X. and TOMPKINS, W. J. “Detecting ventricular fibrillation, selecting the appropriate time-frequency analysis tool for the application,”IEEE Eng. Med. Biol. Mag., pp. 152–159, Mar. 1995.
dc.relation/*ref*/KHADRA, L. AL-FAHOUM, A. S. and AL-NASHASH, H. “Detection of lifethreatening cardiac arrhythmias using thewavelet transformation,” Med.Biolo. Eng. Comput., vol. 35, pp. 626–632, Nov. 1997.
dc.relation/*ref*/AL-FAHOUM A. S. and HOWITT, I. “Combined wavelet transformation and radial basis neural networks for classifying life-threatening cardiac arrhythmias,” Med. Biology. Eng. Comput., vol. 37, pp. 566– 573, Sept. 1999.
dc.relation/*ref*/THAKOR, N. V. and ZHU, Y. “Applications of adap-tive filtering to ECG analysis: Noise cancellation and arrhythmia detection,” IEEE Trans.Biomed. Eng., vol. 38, pp. 785–794, Aug. 1991.
dc.relation/*ref*/ITURRALDE TORRES, P. “Arritmias cardiacas,” Ed McGrawHill Interamericana. Segunda edición p. 25.
dc.relation/*ref*/MAGOULAS, G. y PRENTZA, A. Machine learning in medical applications, lecture notes in computer science. 1999.
dc.relation/*ref*/AGUIRRE, P. CARDELINO, J. y LOEFF, N. CARDIDENT,
dc.relation/*ref*/Instituto de Ingeniería eléctrica de la Universidad de la republica de Montevideo. Abril 2001.
dc.relation/*ref*/PALLAS ARENY, R. director tesis doctoral, Análisis de la variabilidad de intervalos de tiempo del ECG. Departamento de Ingeniería Electrónica. Universidad Politécnica de Cataluña (UPC), España. (2001).
dc.relation/*ref*/PAN, J. TOMPKINS, W. A real time QRS detec-tion algorithm, IEEE transactions on biomedical engieneering, vol. BME-32, No. 3, Marzo 1985
dc.relation/*ref*/FRITSCHY, D. RISK, M. Detección de latidos cardiacos ectopicos con redes neuronales. U. College London. 2000.
dc.relation/*ref*/VÉLEZ, A. H. ROJAS M. W. BORRERO, R. J. RESTREPO M. J. Equipo Médico del Centro Cardiovascular Colombiano, Clínica Santa María FUNDAMENTOS DE MEDICINA. CARDIOLOGIA. Sexta edición, 2002.
dc.relation/*ref*/Grupo Red Heart, Colombia. 2005.
dc.relation/*ref*/GOLDBERGER, E. Derivaciones unipolares en electrocardiografía y vectorgrafía incluyendo las derivaciones estándar, las arritmias cardiacas y los principios de cetotrcardiografía. P. 16 – 51.
dc.relation/*ref*/MITCHELL, T. Machine learning. Mc Graw Hill, 1997.
dc.relation/*ref*/HILERA, J. y MARTÍNEZ, V. Redes neuronales artificiales, fundamentos, modelos y aplicaciones. Ed. RaMa 1995.
dc.relation/*ref*/HAU, D. COIERA, E. Learning qualitative models of dinamic system. Machine learning.1997.
dc.relation/*ref*/BAUER E. and KOHAVI. An emperical comparison of voting classification algorithms. Machine Learning, Boston. 1999.
dc.relation/*ref*/BREIMAN L. BAGGING PREDICTOR. Machine Learning, Technical report. U. of. California. 1994.
dc.relation/*ref*/SCHAPIRE, R. E. and SINGER, Y. Improved boos-ting algorithms. Machine Learning, 297-336. 1999.
dc.relation/*ref*/LAVRAE Relational data mining applications. 1998
dc.relation/*ref*/ISS y ASCOFAME. Guía práctica clínica basadas en evidencia. 2004
dc.relation/*ref*/VIÑUELA, I. P. y GALVAN, I. M. Redes neuronales: Un enfoque practico. Ed. Pearson Educación, 2004. p. 261
dc.relation/*ref*/ARAGON TORRES, A. SASADO, S. Uso de las redes
dc.relation/*ref*/neuronales para optimizar simuladores. Ed. Burgos, 2002. p. 39
dc.relation/*ref*/Fuente: http://mit-bih/phisionet. Registros de electro cardiología, Instituto Tecnológico de Massachussets. 2004.
dc.relation/*ref*/Fuente: www.physionel.org/physiotools/wfdb.shtml 2005.
dc.relation/*ref*/Fuente: http://www.texasheartinstitute.org/arcat_sp del hospital St. Luke’s Episcopal, Instituto del cardiología de Texas, 2005
dc.relation/*ref*/Fuente: http://www.cardiologiahmm.com/hmm/index Unidad de Cardiología, Hospital General Universitario Morales Messenguer, Abril 2005.
dc.relation/*ref*/Fuente: http://www.cardioglobal.com.ar/sociedades, Directorio de la Cardiología mundial, Junio 2005.
dc.relation/*ref*/Fuente: http://www.hemodinamiadelsur.com. ar, HDS Hemodinámica del sur, Junio 2005.
dc.relation/*ref*/Fuente: http://www.portalcardio.com/, una excelente guía de recursos cardiacos, Diciembre 2003
dc.relation/*ref*/Fuente:http://www.mmhs.com/clinical/adult/spanish/cardiac/arrhythm.htmSistema de Salud Martin Memorial, Marzo 2005.
dc.relation/*ref*/Fuente: http://philips.com/ecg. 2004
dc.relation/*ref*/Fuente: http//:www.weka.com/manual Completo manual de clasificadores mediante la librería weka, de la Universidad de Waikato. 2005.
dc.relation/*ref*/Fuente: http://www.umm.edu/esp_imagepages/8772. Universidad de Maryland, Centro Medico, ADAM Diciembre 2003.
dc.rightsDerechos de autor 2016 Ciencia e Ingeniería Neogranadina
dc.sourceCiencia e Ingenieria Neogranadina; Vol. 16 No. 2 (2006); 86-95
dc.sourceCiencia e Ingeniería Neogranadina; Vol. 16 Núm. 2 (2006); 86-95
dc.sourceCiencia e Ingeniería Neogranadina; v. 16 n. 2 (2006); 86-95
dc.source1909-7735
dc.source0124-8170
dc.subjectarrhythmias
dc.subjectholter
dc.subjectlearning of machine
dc.subjectweak
dc.subjectmetaclasificador sort key
dc.subjectarritmias
dc.subjectholter
dc.subjectaprendizaje de máquina
dc.subjectclasificador débil
dc.subjectmetaclasificador
dc.titleModel of dynamic classification of arrhythmias cardiac by means of learning of machine with interface to user
dc.titleModelo de clasificación dinámico de arritmias cardíacas mediante aprendizaje de máquina con interfaz a usuario
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:eu-repo/semantics/publishedVersion


Este ítem pertenece a la siguiente institución