Picón-Ruiz, Artzai; IRUSTA, UNAI; ALVAREZ-GILA, AITOR; ARAMENDI, ELISABETE; Garrote-Contreras, Estibaliz; AYALA, UNAI; ALONSO, FELIPE; FIGUERA, CARLOS Detección de fibrilación ventricular mediante técnicas de aprendizaje profundo (Artículo en actas) CASEIB 2017 - XXXV Congreso Anual de la Sociedad Espanola de Ingeniería Biomedica, Bilbao, Spain, 2017. @inproceedings{picon_deteccion_2017, title = {Detección de fibrilación ventricular mediante técnicas de aprendizaje profundo}, author = {Artzai Picón-Ruiz and UNAI IRUSTA and AITOR ALVAREZ-GILA and ELISABETE ARAMENDI and Estibaliz Garrote-Contreras and UNAI AYALA and FELIPE ALONSO and CARLOS FIGUERA}, url = {https://computervision.tecnalia.com/wp-content/uploads/2018/01/caseib_2017_picon.pdf}, year = {2017}, date = {2017-01-01}, booktitle = {CASEIB 2017 - XXXV Congreso Anual de la Sociedad Espanola de Ingeniería Biomedica}, address = {Bilbao, Spain}, abstract = {La detección de arritmias ventriculares, en particular la fibrilación ventricular (FV), es parte fundamental de los algoritmos de clasificación de arritmias de los desfibriladores. Dichos algoritmos deciden si administrar la descarga de desfibrilación, para lo que clasifican los ritmos en desfibrilables (Sh) o no desfibrilables (NSh). Este trabajo propone un nuevo abordaje para la clasificación Sh/NSh de ritmos basado en un sistema de aprendizaje profundo. Para el trabajo se emplearon tres bases de datos públicas de la plataforma Physionet (CUDB, VFDB y AHADB), y se extrajeron segmentos de 4 y 8 segundos. Se anotaron los segmentos como Sh y NSh en base a las anotaciones de las bases de datos, que fueron auditadas por expertos. Los datos se dividieron por paciente en 80% para desarrollar los algoritmos y 20% para evaluación. El sistema de aprendizaje profundo emplea dos etapas convolucionales seguidas de, una red long-short-term-memory y una etapa final de clasificación basada en red neuronal. A modo de referencia se optimizó un clasificador SVM basado en las características de detección de arritmias ventriculares más eficientes publicadas en la literatura. Se calculó la sensibilidad (Se), ritmos desfibrilables, especificidad (Sp), ritmos no desfibrilables, y la precisión (Acc). El método de aprendizaje profundo proporcionó Se, Sp y Acc de 98.5%, 99.4% y 99.2% para segmentos de 4 segundos y 99.7%, 98.9%, 99.1% para segmentos de 8 segundos. El algoritmo permite detectar FV de forma fiable con segmentos de 4 segundos, corrigiendo un 30% de los errores del método basado en SVM.}, keywords = {}, pubstate = {published}, tppubtype = {inproceedings} } La detección de arritmias ventriculares, en particular la fibrilación ventricular (FV), es parte fundamental de los algoritmos de clasificación de arritmias de los desfibriladores. Dichos algoritmos deciden si administrar la descarga de desfibrilación, para lo que clasifican los ritmos en desfibrilables (Sh) o no desfibrilables (NSh). Este trabajo propone un nuevo abordaje para la clasificación Sh/NSh de ritmos basado en un sistema de aprendizaje profundo. Para el trabajo se emplearon tres bases de datos públicas de la plataforma Physionet (CUDB, VFDB y AHADB), y se extrajeron segmentos de 4 y 8 segundos. Se anotaron los segmentos como Sh y NSh en base a las anotaciones de las bases de datos, que fueron auditadas por expertos. Los datos se dividieron por paciente en 80% para desarrollar los algoritmos y 20% para evaluación. El sistema de aprendizaje profundo emplea dos etapas convolucionales seguidas de, una red long-short-term-memory y una etapa final de clasificación basada en red neuronal. A modo de referencia se optimizó un clasificador SVM basado en las características de detección de arritmias ventriculares más eficientes publicadas en la literatura. Se calculó la sensibilidad (Se), ritmos desfibrilables, especificidad (Sp), ritmos no desfibrilables, y la precisión (Acc). El método de aprendizaje profundo proporcionó Se, Sp y Acc de 98.5%, 99.4% y 99.2% para segmentos de 4 segundos y 99.7%, 98.9%, 99.1% para segmentos de 8 segundos. El algoritmo permite detectar FV de forma fiable con segmentos de 4 segundos, corrigiendo un 30% de los errores del método basado en SVM. |
2017 |
Picón-Ruiz, Artzai; IRUSTA, UNAI; ALVAREZ-GILA, AITOR; ARAMENDI, ELISABETE; Garrote-Contreras, Estibaliz; AYALA, UNAI; ALONSO, FELIPE; FIGUERA, CARLOS Detección de fibrilación ventricular mediante técnicas de aprendizaje profundo (Artículo en actas) CASEIB 2017 - XXXV Congreso Anual de la Sociedad Espanola de Ingeniería Biomedica, Bilbao, Spain, 2017. (Resumen | Enlaces | BibTeX | Etiquetas: cnn, convolutional neural networks, ecg, fibrillation, LSTM, neural networks, recurrent neural networks, RNN) @inproceedings{picon_deteccion_2017, title = {Detección de fibrilación ventricular mediante técnicas de aprendizaje profundo}, author = {Artzai Picón-Ruiz and UNAI IRUSTA and AITOR ALVAREZ-GILA and ELISABETE ARAMENDI and Estibaliz Garrote-Contreras and UNAI AYALA and FELIPE ALONSO and CARLOS FIGUERA}, url = {https://computervision.tecnalia.com/wp-content/uploads/2018/01/caseib_2017_picon.pdf}, year = {2017}, date = {2017-01-01}, booktitle = {CASEIB 2017 - XXXV Congreso Anual de la Sociedad Espanola de Ingeniería Biomedica}, address = {Bilbao, Spain}, abstract = {La detección de arritmias ventriculares, en particular la fibrilación ventricular (FV), es parte fundamental de los algoritmos de clasificación de arritmias de los desfibriladores. Dichos algoritmos deciden si administrar la descarga de desfibrilación, para lo que clasifican los ritmos en desfibrilables (Sh) o no desfibrilables (NSh). Este trabajo propone un nuevo abordaje para la clasificación Sh/NSh de ritmos basado en un sistema de aprendizaje profundo. Para el trabajo se emplearon tres bases de datos públicas de la plataforma Physionet (CUDB, VFDB y AHADB), y se extrajeron segmentos de 4 y 8 segundos. Se anotaron los segmentos como Sh y NSh en base a las anotaciones de las bases de datos, que fueron auditadas por expertos. Los datos se dividieron por paciente en 80% para desarrollar los algoritmos y 20% para evaluación. El sistema de aprendizaje profundo emplea dos etapas convolucionales seguidas de, una red long-short-term-memory y una etapa final de clasificación basada en red neuronal. A modo de referencia se optimizó un clasificador SVM basado en las características de detección de arritmias ventriculares más eficientes publicadas en la literatura. Se calculó la sensibilidad (Se), ritmos desfibrilables, especificidad (Sp), ritmos no desfibrilables, y la precisión (Acc). El método de aprendizaje profundo proporcionó Se, Sp y Acc de 98.5%, 99.4% y 99.2% para segmentos de 4 segundos y 99.7%, 98.9%, 99.1% para segmentos de 8 segundos. El algoritmo permite detectar FV de forma fiable con segmentos de 4 segundos, corrigiendo un 30% de los errores del método basado en SVM.}, keywords = {cnn, convolutional neural networks, ecg, fibrillation, LSTM, neural networks, recurrent neural networks, RNN}, pubstate = {published}, tppubtype = {inproceedings} } La detección de arritmias ventriculares, en particular la fibrilación ventricular (FV), es parte fundamental de los algoritmos de clasificación de arritmias de los desfibriladores. Dichos algoritmos deciden si administrar la descarga de desfibrilación, para lo que clasifican los ritmos en desfibrilables (Sh) o no desfibrilables (NSh). Este trabajo propone un nuevo abordaje para la clasificación Sh/NSh de ritmos basado en un sistema de aprendizaje profundo. Para el trabajo se emplearon tres bases de datos públicas de la plataforma Physionet (CUDB, VFDB y AHADB), y se extrajeron segmentos de 4 y 8 segundos. Se anotaron los segmentos como Sh y NSh en base a las anotaciones de las bases de datos, que fueron auditadas por expertos. Los datos se dividieron por paciente en 80% para desarrollar los algoritmos y 20% para evaluación. El sistema de aprendizaje profundo emplea dos etapas convolucionales seguidas de, una red long-short-term-memory y una etapa final de clasificación basada en red neuronal. A modo de referencia se optimizó un clasificador SVM basado en las características de detección de arritmias ventriculares más eficientes publicadas en la literatura. Se calculó la sensibilidad (Se), ritmos desfibrilables, especificidad (Sp), ritmos no desfibrilables, y la precisión (Acc). El método de aprendizaje profundo proporcionó Se, Sp y Acc de 98.5%, 99.4% y 99.2% para segmentos de 4 segundos y 99.7%, 98.9%, 99.1% para segmentos de 8 segundos. El algoritmo permite detectar FV de forma fiable con segmentos de 4 segundos, corrigiendo un 30% de los errores del método basado en SVM. |