Resumen

La fibrilación auricular (FA) es una enfermedad cardiovascular grave que se caracteriza por latidos irregulares. Es la principal causa de diversas cardiopatías, como el infarto de miocardio. La detección automática de latidos de FA sigue siendo una tarea difícil que requiere una mayor exploración. Se propuso un nuevo marco, que combina la transformada wavelet de corte de frecuencia modificada (MFSWT) y las redes neuronales convolucionales (CNN), para la identificación automática de latidos de FA. Se utilizó la MFSWT para transformar segmentos de electrocardiograma (ECG) de 1 s en imágenes de tiempo-frecuencia y, a continuación, las imágenes se introdujeron en una CNN de 12 capas para la extracción de características y la clasificación de latidos FA/no FA. Los resultados obtenidos con la base de datos de fibrilación auricular MIT-BIH mostraron una precisión media (Acc) del 81,07 a partir de una validación cruzada de cinco veces para los datos de prueba. Los resultados correspondientes de sensibilidad (Se), especificidad (Sp) y área bajo la curva ROC (AUC) son 74,96%, 86,41% y 0,88, respectivamente. Cuando se excluye un registro de ECG de calidad de señal extremadamente mala en los datos de prueba, se alcanza un Acc medio del 84,85%, con los correspondientes valores de Se, Sp y AUC del 79,05%, 89,99% y 0,92. Este estudio indica que es posible identificar con precisión ECG con o sin FA a partir de un episodio de señal de corta duración.

• Materias:Señales orofaciales Clasificación del cáncer Terapia de exposición Resonancias magnéticas Medicina de precisión
• Subjects:Orofacial signals Cancer classification Exposure therapy Magnetic resonance imaging Precision medicine
• Palabras claves:FA, datos de prueba, detección automática de latidos de FA, base de datos de fibrilación auricular BIH, identificación automática de latidos de FA, transformada wavelet de corte de frecuencia, registro de ECG de baja calidad de señal, redes neuronales convolucionales, validación cruzada de pliegues, enfermedad cardiovascular grave.
• Keywords:AF, test data, Automatic AF beat detection, BIH Atrial Fibrillation Database, automatic AF beat identification, frequency slice wavelet transform, poor signal quality ECG recording, convolutional neural networks, fold cross validation, serious cardiovascular disease