Resumen

El electrocardiograma (ECG) es uno de los instrumentos de diagnóstico más utilizados en medicina y asistencia sanitaria. Los métodos de aprendizaje profundo se han mostrado prometedores en los retos de predicción sanitaria que implican datos de ECG. Este trabajo tiene como objetivo aplicar técnicas de aprendizaje profundo en el conjunto de datos disponibles públicamente para clasificar la arritmia. Hemos utilizado dos tipos de conjuntos de datos en nuestro trabajo de investigación. Un conjunto de datos es la base de datos de arritmias del MIT-BIH, con una frecuencia de muestreo de 125 Hz con 1.09.446 latidos de ECG. Las clases incluidas en este primer conjunto de datos son N, S, V, F y Q. La segunda base de datos es la base de datos de ECG de diagnóstico PTB. La segunda base de datos tiene dos clases. Las técnicas utilizadas en estos dos conjuntos de datos son el modelo CNN, CNN LSTM y el modelo de atención CNN LSTM. El 80% de los datos se utiliza para el entrenamiento y el 20% restante para las pruebas. El resultado obtenido al utilizar estas tres técnicas muestra una precisión del 99,12 en el modelo CNN, del 99,3 en el CNN LSTM y del 99,29 en el modelo de atención CNN LSTM.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:modelo cnn, lstm, segunda base de datos, modelo de atención, cnn, métodos de aprendizaje profundo, ecg de diagnóstico ptb, base de datos de ecg de diagnóstico, base de datos de arritmias bih, reto de predicción sanitaria
• Keywords:cnn model, lstm, second database, attention model, cnn, deep learning methods, ptb diagnostic ecg, diagnostic ecg database, bih arrhythmia database, healthcare prediction challenge