Resumen

Las contracciones ventriculares prematuras (PVC, por sus siglas en inglés) son una de las enfermedades cardiovasculares más comunes con alto riesgo para una gran población de pacientes. Se ha demostrado que los algoritmos de aprendizaje supervisado pueden detectar PVC a partir de datos de ECG a nivel de latido. Sin embargo, se necesita un gran esfuerzo humano para lograr una tasa de detección precisa. En este trabajo se entrenó un autoencoder convolucional de forma no supervisada para extraer características automáticamente sin ningún conocimiento especializado previo. Se adoptó el algoritmo de bosque aleatorio como un algoritmo supervisado entrenado en las características generadas por el autoencoder. Se estudiaron diversas estrategias de selección de aprendizaje activo, basadas en la incertidumbre y la diversidad, sobre el bosque aleatorio. En cada iteración del aprendizaje activo, los datos de entrenamiento se actualizan con las muestras recién seleccionadas y se introducen en el clasificador. El rendimiento en un conjunto de validación independiente se

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Contracciones ventriculares; PVCs; Algoritmos de aprendizaje supervisado; Autoencoder convolucional; Bosque aleatorio; Estrategias de aprendizaje activo
• Keywords:Ventricular contractions; PVCs; Supervised learning algorithms; Convolutional autoencoder; Random forest; Active learning strategies