Revisión Sistemática de Literatura para la Detección de fibrilación auricular por medio de redes convolucionales 1D

El siguiente trabajo presenta un proceso investigativo sobre el diagnóstico de la FA o Fibrilación Auricular por medio de una red neuronal convolucional 1D. La FA es un cambio en el ritmo cardiaco, es decir, es una irregularidad en el tiempo de nuestros latidos que puede afectar nuestra calidad de v...

Full description

Autores:
Cueto, O.
Martínez, J.
Márquez, C.
Villanueva, A.
Tipo de recurso:
Fecha de publicación:
2022
Institución:
Universidad Simón Bolívar
Repositorio:
Repositorio Digital USB
Idioma:
spa
OAI Identifier:
oai:bonga.unisimon.edu.co:20.500.12442/11751
Acceso en línea:
https://hdl.handle.net/20.500.12442/11751
Palabra clave:
Fibrilación auricular
Ondas
Redes neuronales
Convolucional
Inteligencia artificial
Gráficos
IoT
Atrial fibrillation
Waves
Neural networks
Convolutional
Artificial intelligence
Graphics
Rights
restrictedAccess
License
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
id USIMONBOL2_2db802ae2dfd0e5dcab6021e3e5eabc0
oai_identifier_str oai:bonga.unisimon.edu.co:20.500.12442/11751
network_acronym_str USIMONBOL2
network_name_str Repositorio Digital USB
repository_id_str
dc.title.spa.fl_str_mv Revisión Sistemática de Literatura para la Detección de fibrilación auricular por medio de redes convolucionales 1D
dc.title.translated.eng.fl_str_mv Systematic Literature Review for the Detection of atrial fibrillation by means of 1D convolutional networks
title Revisión Sistemática de Literatura para la Detección de fibrilación auricular por medio de redes convolucionales 1D
spellingShingle Revisión Sistemática de Literatura para la Detección de fibrilación auricular por medio de redes convolucionales 1D
Fibrilación auricular
Ondas
Redes neuronales
Convolucional
Inteligencia artificial
Gráficos
IoT
Atrial fibrillation
Waves
Neural networks
Convolutional
Artificial intelligence
Graphics
title_short Revisión Sistemática de Literatura para la Detección de fibrilación auricular por medio de redes convolucionales 1D
title_full Revisión Sistemática de Literatura para la Detección de fibrilación auricular por medio de redes convolucionales 1D
title_fullStr Revisión Sistemática de Literatura para la Detección de fibrilación auricular por medio de redes convolucionales 1D
title_full_unstemmed Revisión Sistemática de Literatura para la Detección de fibrilación auricular por medio de redes convolucionales 1D
title_sort Revisión Sistemática de Literatura para la Detección de fibrilación auricular por medio de redes convolucionales 1D
dc.creator.fl_str_mv Cueto, O.
Martínez, J.
Márquez, C.
Villanueva, A.
dc.contributor.author.none.fl_str_mv Cueto, O.
Martínez, J.
Márquez, C.
Villanueva, A.
dc.subject.spa.fl_str_mv Fibrilación auricular
Ondas
Redes neuronales
Convolucional
Inteligencia artificial
Gráficos
IoT
topic Fibrilación auricular
Ondas
Redes neuronales
Convolucional
Inteligencia artificial
Gráficos
IoT
Atrial fibrillation
Waves
Neural networks
Convolutional
Artificial intelligence
Graphics
dc.subject.eng.fl_str_mv Atrial fibrillation
Waves
Neural networks
Convolutional
Artificial intelligence
Graphics
description El siguiente trabajo presenta un proceso investigativo sobre el diagnóstico de la FA o Fibrilación Auricular por medio de una red neuronal convolucional 1D. La FA es un cambio en el ritmo cardiaco, es decir, es una irregularidad en el tiempo de nuestros latidos que puede afectar nuestra calidad de vida al punto de matarnos y es considerado el tipo de arritmia más común del mundo. Una red neuronal convolucional son neuronas artificiales las cuales por medio de matrices bidimensionales son muy efectivas para tareas de clasificación y segmentación de información, este tipo de tarea es muy importante al momento de diagnosticar una enfermedad como la FA. Este trabajo se encamina específicamente en la búsqueda de información sobre el diagnóstico de la FA por medio de la red neuronal mencionada, con el objetivo de poder brindar y recomendar soluciones viables evaluadas por medio de su precisión, eficacia, rapidez.
publishDate 2022
dc.date.issued.none.fl_str_mv 2022
dc.date.accessioned.none.fl_str_mv 2023-01-24T13:20:24Z
dc.date.available.none.fl_str_mv 2023-01-24T13:20:24Z
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.spa.spa.fl_str_mv Trabajo de grado - pregrado
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12442/11751
url https://hdl.handle.net/20.500.12442/11751
dc.language.iso.spa.fl_str_mv spa
language spa
dc.rights.*.fl_str_mv Attribution-NonCommercial-NoDerivatives 4.0 Internacional
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_16ec
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/restrictedAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivatives 4.0 Internacional
http://creativecommons.org/licenses/by-nc-nd/4.0/
http://purl.org/coar/access_right/c_16ec
eu_rights_str_mv restrictedAccess
dc.format.mimetype.spa.fl_str_mv pdf
dc.publisher.spa.fl_str_mv Ediciones Universidad Simón Bolívar
Facultad de Ingenierías
institution Universidad Simón Bolívar
bitstream.url.fl_str_mv https://bonga.unisimon.edu.co/bitstreams/8f0eb855-b7a7-4a5f-a54a-5da3d537b159/download
https://bonga.unisimon.edu.co/bitstreams/ccc81ecf-42ac-4ef9-b62b-176784727c3a/download
https://bonga.unisimon.edu.co/bitstreams/3c19a9fa-b902-4d01-87f6-7fbbf4455d5b/download
https://bonga.unisimon.edu.co/bitstreams/c3f04a72-f073-4101-b86d-04f3deca6c2b/download
https://bonga.unisimon.edu.co/bitstreams/78ffb035-2c1b-4714-aa3b-aaf0e425ebd9/download
https://bonga.unisimon.edu.co/bitstreams/2f88a742-982c-4e61-a51d-7048174c7298/download
https://bonga.unisimon.edu.co/bitstreams/7c5e8821-3033-4a99-9b6e-65dbd589df3e/download
https://bonga.unisimon.edu.co/bitstreams/23d13d04-85ac-4464-8954-b6821eb5b438/download
https://bonga.unisimon.edu.co/bitstreams/365f6836-4d8e-4201-bd0e-8134c43d4688/download
bitstream.checksum.fl_str_mv 0e2f66f660d3a7d95c891abdf679afd8
4460e5956bc1d1639be9ae6146a50347
2a1661e5960a7bab4fd8dda692fb677c
dc3283426d77bda9a0750974348bdad5
dc3283426d77bda9a0750974348bdad5
dc3283426d77bda9a0750974348bdad5
68d23319d5120deb6b81f40afdc238d1
68d23319d5120deb6b81f40afdc238d1
68d23319d5120deb6b81f40afdc238d1
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Digital Universidad Simón Bolívar
repository.mail.fl_str_mv repositorio.digital@unisimon.edu.co
_version_ 1814076096174358528
spelling Cueto, O.4bb00832-6df5-441f-b93a-048d2b235243Martínez, J.76af9cc1-94c3-4400-a4a8-3d1d1d9d2277Márquez, C.d8f7c777-7226-4a41-8783-c362cb553824Villanueva, A.d08891ee-e01f-42f8-875a-5a31e6b763a82023-01-24T13:20:24Z2023-01-24T13:20:24Z2022https://hdl.handle.net/20.500.12442/11751El siguiente trabajo presenta un proceso investigativo sobre el diagnóstico de la FA o Fibrilación Auricular por medio de una red neuronal convolucional 1D. La FA es un cambio en el ritmo cardiaco, es decir, es una irregularidad en el tiempo de nuestros latidos que puede afectar nuestra calidad de vida al punto de matarnos y es considerado el tipo de arritmia más común del mundo. Una red neuronal convolucional son neuronas artificiales las cuales por medio de matrices bidimensionales son muy efectivas para tareas de clasificación y segmentación de información, este tipo de tarea es muy importante al momento de diagnosticar una enfermedad como la FA. Este trabajo se encamina específicamente en la búsqueda de información sobre el diagnóstico de la FA por medio de la red neuronal mencionada, con el objetivo de poder brindar y recomendar soluciones viables evaluadas por medio de su precisión, eficacia, rapidez.The following work presents an investigative process on the diagnosis of AF or Atrial Fibrillation through a 1D convolutional neural network. AF is a change in heart rhythm, that is, it is an irregularity in the timing of our heartbeats that can affect our quality of life to the point of killing us and is considered the most common type of arrhythmia in the world. A convolutional neural network are artificial neurons which through two-dimensional arrays are very effective for information classification and segmentation tasks, this type of task is very important when diagnosing a disease such as AF. This work is specifically aimed at the search for information on the diagnosis of AF through the neural network, with the aim of being able to provide and recommend viable solutions evaluated through their accuracy, effectiveness, and speed.pdfspaEdiciones Universidad Simón BolívarFacultad de IngenieríasAttribution-NonCommercial-NoDerivatives 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/restrictedAccesshttp://purl.org/coar/access_right/c_16ecFibrilación auricularOndasRedes neuronalesConvolucionalInteligencia artificialGráficosIoTAtrial fibrillationWavesNeural networksConvolutionalArtificial intelligenceGraphicsRevisión Sistemática de Literatura para la Detección de fibrilación auricular por medio de redes convolucionales 1DSystematic Literature Review for the Detection of atrial fibrillation by means of 1D convolutional networksinfo:eu-repo/semantics/bachelorThesisTrabajo de grado - pregradohttp://purl.org/coar/resource_type/c_7a1fLi Xiaolin, Barry Cardiff, Deepu John. (2020). A 1D Convolutional Neural Network for Heartbeat Classification from Single Lead ECG. https://ezproxy.unisimon.edu.co:2131/document/9294838Peng Zhang, Yuting Chen, Fan Lin, Sifan Wu, Xiaoyun Yang, Qiang Li. (2020). Semi-supervised learning for automatic atrial fibrillation detection in 24-hour Holter monitoring. https://ezproxy.unisimon.edu.co:2131/document/9772345Reza Firoozabadi, Richard E Gregg, Saeed Babaeizadeh. (2018). P-wave Analysis in Atrial Fibrillation Detection Using a Neural Network Clustering Algorithm. https://ezproxy.unisimon.edu.co:2131/document/8743886Jelena Kornej, Christin S. Börschel, Emelia J. Benjamin, Renate B. Schnabel. (2020). Epidemiology of Atrial Fibrillation in the 21st Century. https://www.ahajournals.org/doi/10.1161/CIRCRESAHA.120.316340#:~:text=The%20overall%20prevalence%20of%20AF,is%201%25%20to%202%25.&text=AF%20prevalence%20and%20incidence%20in,burden%20of%20comorbidities%20in%20blacks.Juqian Zhang, Søren Paaske Johnsen, Yutao Guo, Gregory Y.H Lip. (2022). Epidemiology of Atrial Fibrillation. file:///C:/Users/JUAN%20DIEGO/Downloads/Epidemiology%20of%20Atrial%20Fibrillation.pdfJunaid Malik, Ozer Can Devecioglu, Serkan Kiranyaz, Turker Ince, Moncef Gabbou. (2021). Real-Time Patient-Specific ECG Classification by 1D Self-Operational Neural Networks. https://ezproxy.unisimon.edu.co:2131/document/9652095Md Remon Hasan Apu, Fahmeda Akter, Mst Farzana Akhtar Lubna, Tanjina Helaly, Tanmoy Sarkar Pias. (2021). ECG Arrhythmia Classification Using 1D CNN Leveraging the Resampling Technique and Gaussian Mixture Model. https://ezproxy.unisimon.edu.co:2131/document/9564201Adrian Vulpe-Grigorasi, Ovidiu Grigore. (2021). A Neural Network Approach for Anxiety Detection Based on ECG. https://ezproxy.unisimon.edu.co:2131/document/9657544Sengwoo Han, Heesang Eom, Juhyeong Kim, Cheolsoo Park. (2020). Optimal DNN architecture search using Bayesian Optimization Hyperband for arrhythmia detection. https://ezproxy.unisimon.edu.co:2131/document/9295590Çağla Sarvan & Nalan Özkurt. (2019). ECG Beat Arrhythmia Classification by using 1-D CNN in case of Class Imbalance. https://ezproxy.unisimon.edu.co:2131/document/8895014Yi Hui, Zhendong Yin, Mingyang Wu, Dasen Li. (2021). Wearable Devices Acquired ECG Signals Detection Method Using 1D Convolutional Neural Network. https://ezproxy.unisimon.edu.co:2131/document/9434935Omar Cheikhrouhou, Redowan Mahmud, Ramzi Zouari, Muhammad Ibrahim, Atef Zaguia, Tuan Nguyen Gia. (2021). One-Dimensional CNN Approach for ECG Arrhythmia Analysis in Fog-Cloud Environments. https://ezproxy.unisimon.edu.co:2131/document/9489314Muhammad Uzair Zahid, Serkan Kiranyaz, Turker Ince, Ozer Can Devecioglu, Muhammad E. H. Chowdhury, Amith Khandakar, Anas Tahir & Moncef Gabbouj. (2021). Robust R-Peak Detection in Low-Quality Holter ECGs Using 1D Convolutional Neural Network. https://ezproxy.unisimon.edu.co:2131/document/9451595Mohammad Mahbubur Rahman Khan Mamun. (2019). Assessment of Potential Primary and Recurrent Ischemic Stroke by Detecting Atrial Fibrillation using 1D-CNN and CHA2DS2-VA Score. https://ezproxy.unisimon.edu.co:2131/document/9669885Chen, Yuxi Qiao, Huayiting Wen, Alexander. (2021). Binary Classification for Atrial Fibrillation Detection from ECG Based Signals using 1D-Convolutional Neural Network. https://ezproxy.unisimon.edu.co:2091/record/display.uri?eid=2-s2.0-85124698671&origin=resultslist&sort=plf-f&src=s&st1=Detection+of+Atrial+Fibrillation+use+1d&sid=12f3a4816cba82f6fe64ed3ad6f9a6fc&sot=b&sdt=b&sl=54&s=TITLE-ABS-KEY%28Detection+of+Atrial+Fibrillation+use+1d%29&relpos=6&citeCnt=0&searchTerm=Zhaohan Xiong, Martin K. Stiles, Jichao Zhao. (2018). Robust ECG signal classification for detection of atrial fibrillation using a novel neural network. https://ezproxy.unisimon.edu.co:2131/document/8331487Md Awsafur Rahman, Shahed Ahmed, Shaikh Anowarul Fattah. (2022). A Deep Learning Scheme for Detecting Atrial Fibrillation Based on Fusion of Raw and Discrete Wavelet Transformed ECG Features. https://ezproxy.unisimon.edu.co:2131/document/9870829Prabodh Panindre, Vijay Gandhi, Sunil Kumar. (2015). Comparison of Performance of Artificial Intelligence Algorithms for Real-Time Atrial Fibrillation Detection using Instantaneous Heart Rate. https://ezproxy.unisimon.edu.co:2131/document/9322658Sudarsan Sadasivuni, Rahul Chowdhury, Vinay Elkoori Ghantala Karnam, Imon Banerjee, Arindam Sanyal. (2021). Recurrent Neural Network Circuit for Automated Detection of Atrial Fibrillation from Raw ECG. https://ezproxy.unisimon.edu.co:2131/document/9401666Bo Fang; Junxin Chen, Yu Liu, Wei Wang; Ke Wang, Amit Kumar Singh, Zhihan Lv. (2019). Dual-channel Neural Network for Atrial Fibrillation Detection from a Single Lead ECG Wave. https://ezproxy.unisimon.edu.co:2131/document/958063Mixue Deng, Lishen Qiu, Hongqing Wang, Wei Shi, Lirong Wang. (2021). Atrial Fibrillation Classification Using Convolutional Neural Networks and Time Domain Features of ECG Sequence. https://ezproxy.unisimon.edu.co:2131/document/9343104Chaur-Heh Hsieh, Yan-Shuo Li, Bor-Jiunn Hwang, Ching-Hua Hsiao. (2020). Detection of Atrial Fibrillation Using 1D Convolutional Neural Network. https://www.researchgate.net/publication/340611488_Detection_of_Atrial_Fibrillation_Using_1D_Convolutional_Neural_NetworkJeyson A. Castillo, Yenny C. Granados, Carlos A. Fajardo. (2020). Patient-Specific Detection of Atrial Fibrillation in Segments of ECG Signals using Deep Neural Networks. https://revistas.unimilitar.edu.co/index.php/rcin/article/view/4156/4080Y. N. Fu’adah y K. M. Lim. (2022). Classification of Atrial Fibrillation and Congestive Heart Failure Using Convolutional Neural Network with Electrocardiogram. https://www.mdpi.com/2079-9292/11/15/2456/htmY. Jin, C. Qin, Y. Huang, W. Zhao y C. Liu. (2020). Multi-domain modeling of atrial fibrillation detection with twin attentional convolutional long short-term memory neural network. https://ezproxy.unisimon.edu.co:2055/science/article/pii/S0950705119306707?via%3DihubY. -H. Chen, A. H. Twing, D. Badawi, J. Danavi, M. McCauley, A. E. Cetin. (2020). Atrial Fibrillation Risk Prediction from Electrocardiogram and Related Health Data with Deep Neural Network. https://ezproxy.unisimon.edu.co:2131/document/9054403X. Chen et al. (2021). Atrial fibrillation detection based on multi-feature extraction and convolutional neural network for processing ECG signals. https://ezproxy.unisimon.edu.co:2055/science/article/pii/S0169260721000845?via%3DihubK. R. Madhavi, P. Kora, L. V. Reddy, J. Avanija, K. L. S. Soujanya y P. Telagarapu. (2022). Cardiac arrhythmia detection using dual-tree wavelet transform and convolutional neural network. https://ezproxy.unisimon.edu.co:2287/article/10.1007/s00500-021-06653-wX. Qingsong, T. Shikui, W. Guoxing, L. Yong y X. Lei. (Fecha N/A). Discrete Biorthogonal Wavelet Transform Based Convolutional Neural Network for Atrial Fibrillation Diagnosis from Electrocardiogram. https://www.ijcai.org/proceedings/2020/607T.-S. Heo, C. Kim, J.-D. Kim, C.-Y. Park y Y.-S. Kim. (2021). Prediction of Atrial Fibrillation Cases: Convolutional Neural Networks Using the Output Texts of Electrocardiography. https://sensors.myu-group.co.jp/article.php?ss=3023Autor (N/A). Fecha (N/A). Red Neuronal Artificial, https://es.wikipedia.org/wiki/Red_neuronal_artificialJuan Barrios. Fecha (N/A). Redes Neuronales Convolucionales. https://www.juanbarrios.com/redes-neurales-convolucionales/Autor (N/A), Fecha (N/A). ¿Qué es el Internet de las Cosas (IoT)?. https://internetdelascosas.xyz/articulo.php?id=37&titulo=Que-es-el-Internet-de-las-cosas-IoT&secc=DIVULGACIONAlexander Alexis Suárez León, José Ricardo Núñez Álvarez. (2019). 1D Convolutional Neural Network for Detecting Ventricular Heartbeats. https://ezproxy.unisimon.edu.co:2131/document/9011541Óscar Jesús Cosido Cobos, Ignacio Diaz Blanco, Ana González Muñiz. (2021). DETECCIÓN, CLASIFICACIÓN E INTERPRETACIÓN DE PATOLOGÍAS DE LA CONDUCCIÓN CARDIACA MEDIANTE EL USO DE TÉCNICAS DE DEEP LEARNING. https://digibuo.uniovi.es/dspace/bitstream/handle/10651/60332/TFM_JorgeBlancoPrieto.pdf?sequence=5&isAllowed=ySede BarranquillaIngeniería de SistemasORIGINALPDF.pdfPDF.pdfapplication/pdf600347https://bonga.unisimon.edu.co/bitstreams/8f0eb855-b7a7-4a5f-a54a-5da3d537b159/download0e2f66f660d3a7d95c891abdf679afd8MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8805https://bonga.unisimon.edu.co/bitstreams/ccc81ecf-42ac-4ef9-b62b-176784727c3a/download4460e5956bc1d1639be9ae6146a50347MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-83000https://bonga.unisimon.edu.co/bitstreams/3c19a9fa-b902-4d01-87f6-7fbbf4455d5b/download2a1661e5960a7bab4fd8dda692fb677cMD53TEXTRevisión_Sistemática_Literatura_Detección_Fibrilación_Auricular_Redes_Convolucionales_Artículo.pdf.txtRevisión_Sistemática_Literatura_Detección_Fibrilación_Auricular_Redes_Convolucionales_Artículo.pdf.txtExtracted texttext/plain86607https://bonga.unisimon.edu.co/bitstreams/c3f04a72-f073-4101-b86d-04f3deca6c2b/downloaddc3283426d77bda9a0750974348bdad5MD54PDF.txtPDF.txtExtracted texttext/plain86607https://bonga.unisimon.edu.co/bitstreams/78ffb035-2c1b-4714-aa3b-aaf0e425ebd9/downloaddc3283426d77bda9a0750974348bdad5MD56PDF.pdf.txtPDF.pdf.txtExtracted texttext/plain86607https://bonga.unisimon.edu.co/bitstreams/2f88a742-982c-4e61-a51d-7048174c7298/downloaddc3283426d77bda9a0750974348bdad5MD58THUMBNAILRevisión_Sistemática_Literatura_Detección_Fibrilación_Auricular_Redes_Convolucionales_Artículo.pdf.jpgRevisión_Sistemática_Literatura_Detección_Fibrilación_Auricular_Redes_Convolucionales_Artículo.pdf.jpgGenerated Thumbnailimage/jpeg6163https://bonga.unisimon.edu.co/bitstreams/7c5e8821-3033-4a99-9b6e-65dbd589df3e/download68d23319d5120deb6b81f40afdc238d1MD55PDF.jpgPDF.jpgGenerated Thumbnailimage/jpeg6163https://bonga.unisimon.edu.co/bitstreams/23d13d04-85ac-4464-8954-b6821eb5b438/download68d23319d5120deb6b81f40afdc238d1MD57PDF.pdf.jpgPDF.pdf.jpgGenerated Thumbnailimage/jpeg6163https://bonga.unisimon.edu.co/bitstreams/365f6836-4d8e-4201-bd0e-8134c43d4688/download68d23319d5120deb6b81f40afdc238d1MD5920.500.12442/11751oai:bonga.unisimon.edu.co:20.500.12442/117512024-08-14 21:52:02.936http://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 Internacionalrestrictedhttps://bonga.unisimon.edu.coRepositorio Digital Universidad Simón Bolívarrepositorio.digital@unisimon.edu.co

Publicaciones similares