REVISTA DE INGENIERIA DYNA

Palabras clave:

ECG, Bradycardia, Tachycardia, Bundle Branch Block, Wavelet Transform, Multi class Classifiers, Arritmia Cardíaca, Transformación Wavelet, Clasificadores Multi-clase, Árboles de Decisión, Máquina de Vectores de Apoyo (SVM), Análisis Discriminante, Clasificadores k-Nearest Neighbor, Clasificadores Ensemble, Clasificador Optimizable

Tipo de artículo:

ARTICULO DE INVESTIGACION / RESEARCH ARTICLE

Sección:

ARTICULOS DE INVESTIGACION / RESEARCH ARTICLES

El diagnóstico oportuno y la detección temprana de las condiciones cardíacas peligrosas reducirán la tasa de mortalidad y salvarán la vida del paciente. Para ello, es necesario automatizar la clasificación y predicción de la arritmia cardíaca. La señal de ECG sin procesar se extrae de la base de datos de arritmias del MIT-BIH, seguida de un preprocesamiento y una extracción de características mediante el método de la transformada wavelet. Además, las características extraídas se utilizan para la clasificación de cuatro arritmias cardíacas diferentes, como bradicardia, taquicardia y bloqueo de rama izquierda y derecha. En el trabajo propuesto se ha realizado un estudio comparativo de cinco clasificadores diferentes, a saber, árboles de decisión, máquinas de vectores de apoyo (SVM), análisis discriminante, clasificadores de vecinos más cercanos (KNN), clasificadores de conjunto y sus variantes. Entre ellos, el clasificador KNN ponderado proporciona una mayor precisión (90,3%) y velocidad de predicción (10.000 observaciones por segundo) con un tiempo de entrenamiento reducido (4,329 segundos), en comparación con los métodos existentes del estado del arte. La velocidad de predicción es de 10.000 observaciones por segundo, lo que permite identificar antes el problema cardíaco y, por tanto, administrar el tratamiento adecuado al paciente. Para mejorar aún más la precisión de la clasificación, se utilizan tres clasificadores optimizables, a saber, KNN optimizable, SVM optimizable y conjunto optimizable, para el ajuste de los hiperparámetros y la optimización del peso. El SVM optimizable proporciona un mejor rendimiento (precisión del 93,4%) entre los tres clasificadores optimizables, así como entre los trabajos existentes del estado de la técnica. Por lo tanto, el trabajo propuesto se utiliza para el diagnóstico y pronóstico temprano de la enfermedad de arritmia cardíaca.
Palabras clave: ECG, Arritmia Cardíaca, Transformación Wavelet, Clasificadores Multi-clase, Árboles de Decisión, Máquina de Vectores de Apoyo (SVM), Análisis Discriminante, Clasificadores k-Nearest Neighbor, Clasificadores Ensemble, Clasificador Optimizable.