Resumen

Este trabajo presenta un modelo para predecir el riesgo de depresión basado en el electrocardiograma (ECG). Este modelo propuesto utiliza una red neuronal recurrente (RNN) y un autocodificador de memoria a corto plazo (LSTM) para predecir los latidos normales, anormales y de PVC. El modelo RNN es un modelo basado en el aprendizaje profundo para clasificar los latidos normales, anormales y de PVC. Utilizamos el modelo como clasificador. El modelo utiliza un conjunto de datos de frecuencias cardíacas para predecir los latidos anormales y de PVC. En cuanto al conjunto de datos, hemos utilizado 5000 muestras de ECG. El modelo se entrenó con un conjunto de datos de entrenamiento y otro de validación. Después, se probó en un conjunto de datos de prueba. El modelo se ha entrenado con frecuencias de latido normales, por lo que el modelo puede predecir cualquier frecuencia de latido que no sea normal. Nuestra contribución aquí es construir un modelo que pueda diferenciar entre latidos "normales", "anormales" y "de riesgo". Nuestro modelo predice los latidos "normales" con un 97,24 y puede predecir los latidos de "PVC" con una precisión del 100 %. precisión. Además de la precisión, evaluamos nuestro modelo en función de los gráficos de pérdidas de entrenamiento. Estos dos tipos de gráficos de pérdidas de entrenamiento se evaluaron como "normal" frente a "arriesgado" y "anormal" frente a "arriesgado". Ahí también hemos visto grandes resultados. Las mejores pérdidas para "normal", "anormal" y "arriesgado" son 5,71, 33,36 y 34,78. Sin embargo, estos resultados pueden mejorar si se utiliza un conjunto de datos más amplio. En los estudios realizados se ha comprobado que los pacientes que sufren depresión pueden tener un tipo de latido diferente al de los normales. En la mayoría de los casos, se trata de latidos de PVC (contracción ventricular prematura). Por lo tanto, el objetivo es predecir los latidos anormales y los latidos de PVC.

• 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, latido del corazón pvc, gráfico de pérdida de entrenamiento, latido del corazón, ritmo normal de latidos, tipo de latido, riesgo de depresión, precisión, tipo de entrenamiento, visto grandes resultados
• Keywords:model, pvc heartbeat, training loss graph, heartbeat, normal heartbeat rate, kind of heartbeat, risk of depression, accuracy, type of training, seen great results