Resumen

El objetivo de este estudio es diseñar la arquitectura de red neuronal profunda GoogLeNet ampliando el tamaño del núcleo de la capa de inicio y combinando las capas de convolución para clasificar los latidos del electrocardiograma (ECG) en ritmo sinusal normal, contracción ventricular prematura, contracción auricular prematura y arritmia por bloqueo de rama derecha/izquierda. Basándose en las bases de datos de referencia de arritmias MIT-BIH, el alcance de los datos de ECG de entrenamiento/prueba se configuró cubriendo al menos tres y siete características de pico R, y la arquitectura extendida-GoogLeNet propuesta puede clasificar cinco latidos distintos: ritmo sinusal normal (NSR), contracción ventricular prematura (PVC), contracción auricular prematura (APC), bloqueo de rama derecha del haz (RBBB) y bloqueo de rama izquierda del haz (LBBB), con una precisión del 95.En comparación con investigaciones anteriores, el índice de error para clasificar latidos normales o anormales teniendo en cuenta tres segmentos del ECG fue del 95,94%, la tasa de error del 4,06%, la sensibilidad máxima del 96,9% y el valor predictivo positivo máximo del 95,7; para clasificar la APC a partir de latidos de NSR, PVC y APC fue del 98,31%, la sensibilidad del 88,75%, la especificidad del 99,4% y el valor predictivo positivo del 94,4, mientras que la tasa de error para clasificar erróneamente latidos de APC fue relativamente baja, del 6,32%.

• Materias:Análisis de espectro Organización modular Diagnóstico automatizado Monitoreo Servicios de salud
• Subjects:Spectrum analysis Modular organization Automated diagnostics Monitoring Health services
• Palabras claves:contracción auricular prematura, ritmo sinusal normal, contracción ventricular prematura, APC, tasa de error, bases de datos de referencia de arritmias BIH, arquitectura de red neuronal profunda, valor predictivo positivo máximo, bloqueo de rama derecha del haz, bloqueo de rama derecha del haz(LBBB
• Keywords:atrial premature contraction, normal sinus rhythm, premature ventricular contraction, APC, error rate, BIH arrhythmia benchmark databases, deep neural network architecture, maximum positive predictive value, right bundle branch block, bundle brunch block(LBBB