Aplicación de las redes neuronales en el Internet de las Cosas para el diagnóstico de fibrilación auricular
El objetivo de este articulo consiste en realizar una revisión y análisis acerca de los distintos métodos de detección de fibrilación auricular, a través de IoT y redes neuronales. En los últimos años, la industria ha generado avances a nivel tecnológico acerca del internet de las cosas y las redes...
- Autores:
-
Yoliani, E.
Poveda, J.
Martínez, J.
- Tipo de recurso:
- Fecha de publicación:
- 2022
- Institución:
- Universidad Simón Bolívar
- Repositorio:
- Repositorio Digital USB
- Idioma:
- spa
- OAI Identifier:
- oai:bonga.unisimon.edu.co:20.500.12442/11742
- Acceso en línea:
- https://hdl.handle.net/20.500.12442/11742
- Palabra clave:
- Fibrilación auricular
Electrocardiograma
Redes neuronales
IoT
Atrial fibrillation
Electrocardiogram
Neural networks
- Rights
- restrictedAccess
- License
- Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Summary: | El objetivo de este articulo consiste en realizar una revisión y análisis acerca de los distintos métodos de detección de fibrilación auricular, a través de IoT y redes neuronales. En los últimos años, la industria ha generado avances a nivel tecnológico acerca del internet de las cosas y las redes neuronales, traduciéndose en mejores herramientas en distintos campos que suplen la intervención humana y métodos convencionales de los cuales resultan ser costosos y poco prácticos, que en algunos casos no logran detectar la fibrilación auricular correctamente lo cual puede afectar la vida diaria si no es detectada a tiempo. El aprendizaje en línea consiste en entrenar una red neuronal sin disponer previamente de todos los datos. La idea que subyace a este enfoque es que, si no disponemos de todos los datos de entrenamiento, podemos entrenar nuestro sistema para que sea capaz de generalizar lo suficientemente bien para nosotros más adelante, cuando tengamos información más completa sobre lo sucedido durante el historial de cada paciente (como las grabaciones del ECG). Este enfoque ha demostrado ser útil en muchos campos, entre ellos la medicina, donde no siempre hay tiempo para que los pacientes acudan a las clínicas y se sometan a pruebas exhaustivas antes de ser diagnosticados correctamente; por lo tanto, el uso de técnicas de aprendizaje automático podría ayudar a los médicos a diagnosticar afecciones antes de lo que podrían hacerlo de otro modo, al tiempo que se reducen los costes asociados a los procedimientos de pruebas de diagnóstico. |
---|