Diseño de aplicación prototipo para la detección y clasificación de arritmia usando métodos de machine learning a partir de ECGs

En este artículo, desarrollamos un enfoque de aprendizaje automático de modelos apilados para la clasificación de arritmias utilizando la base de datos de arritmias MIT-BIH y aplicando diferentes filtros y métodos de reducción de ruido. Realizamos la extracción de características mediante el uso de características relacionadas con los intervalos RR y la transformada wavelet. Nuestro modelo utilizando tanto análisis de discriminantes lineales como redes neuronales. Este enfoque muestra una precisión del 89% en promedio. Encontrados valores de sensitividad de 93%, 94%, 97% y 98% para cada una de las clases y unos valores de especifidad de 81%, 89%, 85% y 85% para cada una de las clases. La arquitectura lógica del proyecto está cimentada en los diferentes servicios de Amazon Web Services (AWS), que nos ofrece escalabilidad dependiendo de la demanda que requiera el modelo. Usando EC2 de AWS para desplegar las APIs encargadas de suplir la información obtenida del modelo. Además, usamos una single page application hecha con Vue Js conectada a estas APIs y desplegada en un S3 bucket de AWS para mostrar la información.

• Autores: Cárcamo Morales, Luis Manuel; Osorio Iriarte, Fabián Hernando; Villegas García, Johnny De Jesus
• Fecha de publicación: 2020
• Institución: Universidad del Norte
• Repositorio: Repositorio Uninorte
• Idioma: spa
• OAI Identifier: oai:manglar.uninorte.edu.co:10584/9273
• Acceso en línea: http://hdl.handle.net/10584/9273
• Palabra clave: ecgs; data mining; wavelet transform; arrythmia; linear discriminant analysis; signals processing; electrocardiograma; minería de datos; arritmia
• License: Universidad del Norte