Clasificación de arritmias cardiacas usando redes neuronales convolucionales en muestras de ECG

Abstract

El electrocardiograma (ECG) es una herramienta esencial en el diagnóstico de enfermedades cardiovasculares, proporcionando información valiosa sobre el ritmo y la función del corazón. Tradicionalmente, los médicos se basaban en características heurísticas identificadas manualmente para detectar anomalías en el ECG. Sin embargo, esta metodología presentaba limitaciones en términos de precisión y fiabilidad. Con el objetivo de mejorar la precisión en la identificación de arritmias cardiacas, esta investigación se enfocó en el desarrollo de modelos basados en redes neuronales convolucionales. Se utilizaron dos conjuntos de datos: el dataset PhysioNet MIT-BIH, ampliamente utilizado en la comunidad científica, y datos adquiridos por el simulador de arritmias Bio-Tek BP Pump NIBP. Se entrenaron cinco modelos con diferentes arquitecturas, incluyendo modelos convencionales como VGG16, ResNet-50 y AlexNet, así como dos arquitecturas propuestas por los autores. Todos los modelos se entrenaron con el mismo número de muestras y configuración de hiperparámetros. La evaluación del desempeño se realizó utilizando métricas comunes como exactitud, recall, F1-score y exactitud —accuracy—. Los resultados demostraron que la arquitectura VGG16 fue la más eficaz en la clasificación de arritmias cardiacas, alcanzando una exactitud del 98,8% en el conjunto de datos MIT-BIH. Además, al evaluar los datos de prueba del simulador Bio-Tek BP Pump NIBP, el modelo customize-2 demostró el mejor rendimiento con una exactitud del 96,3%. Estos resultados son prometedores, ya que demuestran el potencial de las redes neuronales convolucionales para mejorar la precisión en el diagnóstico de arritmias cardiacas. Los modelos desarrollados en esta investigación podrían ser una herramienta útil para los médicos en la detección temprana y el tratamiento adecuado de estas afecciones cardiovasculares.