Detección en tiempo real de fibrilación auricular en computador de placa reducida

El desarrollo de dispositivos portables, que permita la detección en tiempo real de fibrilación auricular, requiere la implementación de algoritmos de reconocimiento automático de patrones con la metodología adecuada para su ejecución en sistemas embebidos. En el presente artículo se expone la implementación de una red neuronal artificial (ANN), una máquina de soporte vectorial (SVM) y un algoritmo de K vecinos más cercanos (KNN) en un computador de placa reducida para así comparar su desempeño en cuanto a la capacidad de detección de esta arritmia y el tiempo de respuesta asociado en su ejecución en tiempo real. La base de datos MIT-BIH AFIB es usada para el entrenamiento y validación de los algoritmos previa extracción de parámetros asociados a la transformada wavelet estacionaria. Se encontraron resultados entre el 92% y 97% para la sensibilidad y especificidad de los algoritmos mencionados y tiempos de respuesta variados entre 6 s y 7,1 s

• Autores: Maya Gonzalez, Juan Carlos
• Tipo de recurso: Article of journal
• Fecha de publicación: 2022
• Institución: Universidad EIA .
• Repositorio: Repositorio EIA .
• Idioma: spa
• OAI Identifier: oai:repository.eia.edu.co:11190/5180
• Acceso en línea: https://repository.eia.edu.co/handle/11190/5180; https://doi.org/10.24050/reia.v19i38.1565
• Palabra clave: Atrial fibrillation; artificial neural network (ANN); hybrid classifier; k-nearest neighbors algorithm (KNN); single-board computer; support vector machine (SVM); static wavelet transform; Computador de placa reducida; Fibrilación auricular; K vecinos más cercanos (KNN); red neuronal artificial (ANN); máquina de soporte vectorial (SVM); Transformada Wavelet Estacionaria
• Rights: openAccess
• License: Revista EIA - 2022