Resumen

La fibrilación auricular (FA) es una enfermedad común de ritmo cardíaco anormal. Por lo tanto, el desarrollo de un sistema de detección de FA es de gran importancia para detectar enfermedades críticas. En este artículo, proponemos un método de reconocimiento automático llamado CNN-LSTM para detectar automáticamente los latidos cardíacos de FA basado en aprendizaje profundo. El modelo combina redes neuronales convolucionales (CNN) para extraer características de correlación local y utiliza redes de memoria a corto y largo plazo (LSTM) para capturar las dependencias de adelante hacia atrás de los datos de secuencia del electrocardiograma (ECG). El CNN-LSTM se alimenta con datos procesados para detectar automáticamente las señales de FA. Nuestro estudio utiliza la Base de Datos de Fibrilación Auricular MIT-BIH para verificar la validez del modelo. Logramos una alta precisión de clasificación para los datos de latidos del conjunto de pruebas, con una tasa de precisión de clasificación general del 97.21%, una sensibilidad del 97.34% y una

• Materias:Virus informático Entropía del gráfico Modelo epidémico Modelo de optimización Modelos conceptuales
• Subjects:Computer virus Entropy of the graph Epidemic model Optimization model Conceptual models
• Palabras claves:Fibrilación auricular; Sistema de detección; CNN-LSTM; Aprendizaje profundo; Electrocardiograma; Precisión de clasificación
• Keywords:Atrial fibrillation; Detection system; CNN-LSTM; Deep learning; Electrocardiogram; Classification accuracy