Resumen

La salud es vital para cada ser humano. Para mejorar aún más su ya respetable tecnología médica, la comunidad médica está transitando hacia un enfoque proactivo que anticipa y mitiga los riesgos antes de enfermarse. Este enfoque requiere medir las señales fisiológicas de los seres humanos y analizar estos datos en intervalos regulares. En este documento, presentamos un enfoque novedoso para aplicar el aprendizaje profundo en el análisis de señales fisiológicas que permite a los médicos identificar riesgos latentes. Sin embargo, extraer información de alto nivel de datos de series temporales fisiológicas es un problema difícil al que se enfrentan las comunidades de aprendizaje automático. Por lo tanto, en este enfoque, aplicamos un modelo basado en una red neuronal convolucional que puede aprender automáticamente características de las señales fisiológicas crudas de manera no supervisada y luego, basándose en las características aprendidas, utilizar un método de detección de anomalías de distribución Gauss multivariante para detectar datos anómalos. Nuestro experiment

• Materias:Difusión de información Inteligencia de enjambre Programación híbrida Modelo de programación Máquinas virtuales
• Subjects:Information dissemination Swarm intelligence Hybrid programming Programming model Virtual machines
• Palabras claves:Salud; Tecnología médica; Enfoque proactivo; Señales fisiológicas; Aprendizaje profundo; Detección de anomalías
• Keywords:Health; Medical technology; Proactive approach; Physiological signals; Deep learning; Anomaly detection