Show simple item record

dc.contributor.authorPicon, Artzai
dc.contributor.authorIrusta Zarandona, Unai
dc.contributor.authorAlvarez-Gila, Aitor
dc.contributor.authorAramendi Ecenarro, Elisabete
dc.contributor.authorGarrote, Estibaliz
dc.contributor.authorAyala, Unai
dc.contributor.authorAlonso-Atienza, F.
dc.contributor.authorFiguera, Carlos
dc.date.accessioned2018-03-21T15:18:11Z
dc.date.available2018-03-21T15:18:11Z
dc.date.issued2018
dc.identifier.citationCASEIB 2017: XXXV Congreso anual de la Sociedad Española de Ingeniería Biomédica: Libro de actas, Bilbao 29 de Noviembre - 1 de Diciembre : 3-6 (2018)en
dc.identifier.isbn978-84-9082-797-0en
dc.identifier.urihttp://hdl.handle.net/11556/518
dc.description.abstractDetección de fibrilación ventricular mediante técnicas de aprendizaje profundo La detección de arritmias ventriculares, en particular la fibrilación ventricular (FV), es parte fundamental de los algoritmos de clasificación de arritmias de los desfibriladores. Dichos algoritmos deciden si administrar la descarga de desfibrilación, para lo que clasifican los ritmos en desfibrilables (Sh) o no desfibrilables (NSh). Este trabajo propone un nuevo abordaje para la clasificación Sh/NSh de ritmos basado en un sistema de aprendizaje profundo. Para el trabajo se emplearon tres bases de datos públicas de la plataforma Physionet (CUDB, VFDB y AHADB), y se extrajeron segmentos de 4 y 8 segundos. Se anotaron los segmentos como Sh y NSh en base a las anotaciones de las bases de datos, que fueron auditadas por expertos. Los datos se dividieron por paciente en 80% para desarrollar los algoritmos y 20% para evaluación. El sistema de aprendizaje profundo emplea dos etapas convolucionales seguidas de, una red longshort- term-memory y una etapa final de clasificación basada en red neuronal. A modo de referencia se optimizó un clasificador SVM basado en las características de detección de arritmias ventriculares más eficientes publicadas en la literatura. Se calculó la sensibilidad (Se), ritmos desfibrilables, especificidad (Sp), ritmos no desfibrilables, y la precisión (Acc). El método de aprendizaje profundo proporcionó Se, Sp y Acc de 98.5%, 99.4% y 99.2% para segmentos de 4 segundos y 99.7%, 98.9%, 99.1% para segmentos de 8 segundos. El algoritmo permite detectar FV de forma fiable con segmentos de 4 segundos, corrigiendo un 30% de los errores del método basado en SVM.en
dc.description.sponsorshipEste trabajo ha sido financiado por el Ministerio de Economía y Competitividad mediante el proyecto TEC2015-64678R junto con el Fondo Europeo de Desarrollo Regional (FEDER), así como por la UPVEHU mediante el proyecto EHU16/18.en
dc.language.isospaen
dc.rightsAttribution-NonCommercial-ShareAlike 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/*
dc.titleDetección de fibrilación ventricular mediante técnicas de aprendizaje profundoen
dc.typeconferenceObjecten
dc.rights.accessRightsopenAccessen
dc.subject.keywordsVentricular arrhythmiasen
dc.subject.keywordsDetectionen
dc.subject.keywordsDefibrillatorsen
dc.subject.keywordsAlgorithmsen
dc.conference.titleCASEIB 2017: XXXV Congreso anual de la Sociedad Española de Ingeniería Biomédica: Libro de actas, Bilbao 29 de Noviembre - 1 de Diciembre : 3-6 (2018)en


Files in this item

Thumbnail

    Show simple item record

    Attribution-NonCommercial-ShareAlike 4.0 InternationalExcept where otherwise noted, this item's license is described as Attribution-NonCommercial-ShareAlike 4.0 International