Dispositivo de captura y procesamiento de ECG y PCG para detección de anomalías por medio de inteligencia artificial

"Las señales de electrocardiograma (ECG) y de fonocardiograma (PCG, por sus siglas en inglés) proporcionan información crucial sobre la actividad eléctrica y mecánica del corazón. La combinación de estas señales multimodales ofrece una perspectiva integral que puede facilitar el estudio detalla...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Gonzalez Branchi, Lourdes Florencia, Peralta Ramos Guerrero, Malena
Formato: Proyecto final de grado
Lenguaje:Español
Publicado: 2025
Materias:
INTELIGENCIA ARTIFICIAL, ECG, PCG, APRENDIZAJE PROFUNDO, CLASIFICACIÓN DE ANOMALÍAS, FONOCARDIOGRAMA, ELECTROCARDIOGRAMA, SEÑALES MULTIMODALES
Acceso en línea:https://hdl.handle.net/20.500.14769/5168
Aporte de:
Repositorio Institucional Instituto Tecnológico de Buenos Aires (ITBA) de Instituto Tecnológico de Buenos Aires (ITBA)
id I32-R138-20.500.14769-5168
record_format dspace
spelling I32-R138-20.500.14769-51682026-01-07T14:10:19Z Dispositivo de captura y procesamiento de ECG y PCG para detección de anomalías por medio de inteligencia artificial Gonzalez Branchi, Lourdes Florencia Peralta Ramos Guerrero, Malena INTELIGENCIA ARTIFICIAL, ECG, PCG, APRENDIZAJE PROFUNDO, CLASIFICACIÓN DE ANOMALÍAS, FONOCARDIOGRAMA, ELECTROCARDIOGRAMA, SEÑALES MULTIMODALES "Las señales de electrocardiograma (ECG) y de fonocardiograma (PCG, por sus siglas en inglés) proporcionan información crucial sobre la actividad eléctrica y mecánica del corazón. La combinación de estas señales multimodales ofrece una perspectiva integral que puede facilitar el estudio detallado de la función cardíaca, al abarcar tanto la actividad eléctrica como los sonidos producidos por el corazón. En este trabajo se desarrollaron tres modelos de inteligencia artificial (IA) utilizando aprendizaje profundo para la clasificación de anomalías en ambas señales, evaluándolas por separado y en conjunto. Primero, se implementó una red neuronal para la señal de ECG, alcanzando una precisión de 0.9737, sensibilidad de 0.9759 y área bajo la curva ROC de 0.9941. Luego, se desarrolló una red neuronal para la señal de PCG con métricas de precisión de 0.9134, sensibilidad de 0.8417 y área bajo la curva ROC de 0.9680. Finalmente, se diseñó un clasificador SVM de aprendizaje automático que emplea las mejores características extraídas de ambas redes neuronales, seleccionadas mediante el algoritmo genético. En este caso se obtuvo una precisión de 0.9825, sensibilidad de validación de 0.9748 y área bajo la curva ROC de 0.9982. Además, se diseñó y construyó un dispositivo de adquisición capaz de capturar ambas señales de manera simultánea. Este dispositivo, ensamblado a partir de componentes de bajo costo como una Raspberry Pi, un estetoscopio, un módulo de ECG y electrodos, se acompaña de una aplicación web que permite visualizar y analizar los registros de ECG y PCG, así como escuchar los sonidos cardíacos. La aplicación está integrada con una base de datos SQL para almacenar los datos del paciente y los archivos generados, facilitando así el análisis posterior. Se evaluaron las capacidades del dispositivo y de los modelos de clasificación en pruebas con tres sujetos: uno con condiciones cardíacas normales, uno con hipertensión y uno con un soplo cardíaco. Los resultados muestran que el modelo que combina ambas señales logra un rendimiento superior al de los modelos individuales. A su vez, se concluyó que el análisis de las señales en simultáneo facilita la identificación de los ruidos cardíacos y el análisis de la señal de PCG, que por sí sola suele ser compleja de estudiar. En conclusión, este trabajo presenta un avance en la utilización de señales multimodales y sistemas de inteligencia artificial aplicados al diagnóstico cardiovascular, demostrando el potencial de integrar ECG y PCG para una mejor evaluación de la actividad cardíaca. En particular, el aporte se basa en mejorar el rendimiento de algoritmos de inteligencia artificial entrenados a partir de ambas señales para estudiar la actividad eléctrica y mecánica del corazón." 2025-11-05T12:56:42Z 2025-11-05T12:56:42Z 2025-08-08 Proyecto final de grado https://hdl.handle.net/20.500.14769/5168 es application/pdf
institution Instituto Tecnológico de Buenos Aires (ITBA)
institution_str I-32
repository_str R-138
collection Repositorio Institucional Instituto Tecnológico de Buenos Aires (ITBA)
language Español
topic INTELIGENCIA ARTIFICIAL, ECG, PCG, APRENDIZAJE PROFUNDO, CLASIFICACIÓN DE ANOMALÍAS, FONOCARDIOGRAMA, ELECTROCARDIOGRAMA, SEÑALES MULTIMODALES
spellingShingle INTELIGENCIA ARTIFICIAL, ECG, PCG, APRENDIZAJE PROFUNDO, CLASIFICACIÓN DE ANOMALÍAS, FONOCARDIOGRAMA, ELECTROCARDIOGRAMA, SEÑALES MULTIMODALES
Gonzalez Branchi, Lourdes Florencia
Peralta Ramos Guerrero, Malena
Dispositivo de captura y procesamiento de ECG y PCG para detección de anomalías por medio de inteligencia artificial
topic_facet INTELIGENCIA ARTIFICIAL, ECG, PCG, APRENDIZAJE PROFUNDO, CLASIFICACIÓN DE ANOMALÍAS, FONOCARDIOGRAMA, ELECTROCARDIOGRAMA, SEÑALES MULTIMODALES
description "Las señales de electrocardiograma (ECG) y de fonocardiograma (PCG, por sus siglas en inglés) proporcionan información crucial sobre la actividad eléctrica y mecánica del corazón. La combinación de estas señales multimodales ofrece una perspectiva integral que puede facilitar el estudio detallado de la función cardíaca, al abarcar tanto la actividad eléctrica como los sonidos producidos por el corazón. En este trabajo se desarrollaron tres modelos de inteligencia artificial (IA) utilizando aprendizaje profundo para la clasificación de anomalías en ambas señales, evaluándolas por separado y en conjunto. Primero, se implementó una red neuronal para la señal de ECG, alcanzando una precisión de 0.9737, sensibilidad de 0.9759 y área bajo la curva ROC de 0.9941. Luego, se desarrolló una red neuronal para la señal de PCG con métricas de precisión de 0.9134, sensibilidad de 0.8417 y área bajo la curva ROC de 0.9680. Finalmente, se diseñó un clasificador SVM de aprendizaje automático que emplea las mejores características extraídas de ambas redes neuronales, seleccionadas mediante el algoritmo genético. En este caso se obtuvo una precisión de 0.9825, sensibilidad de validación de 0.9748 y área bajo la curva ROC de 0.9982. Además, se diseñó y construyó un dispositivo de adquisición capaz de capturar ambas señales de manera simultánea. Este dispositivo, ensamblado a partir de componentes de bajo costo como una Raspberry Pi, un estetoscopio, un módulo de ECG y electrodos, se acompaña de una aplicación web que permite visualizar y analizar los registros de ECG y PCG, así como escuchar los sonidos cardíacos. La aplicación está integrada con una base de datos SQL para almacenar los datos del paciente y los archivos generados, facilitando así el análisis posterior. Se evaluaron las capacidades del dispositivo y de los modelos de clasificación en pruebas con tres sujetos: uno con condiciones cardíacas normales, uno con hipertensión y uno con un soplo cardíaco. Los resultados muestran que el modelo que combina ambas señales logra un rendimiento superior al de los modelos individuales. A su vez, se concluyó que el análisis de las señales en simultáneo facilita la identificación de los ruidos cardíacos y el análisis de la señal de PCG, que por sí sola suele ser compleja de estudiar. En conclusión, este trabajo presenta un avance en la utilización de señales multimodales y sistemas de inteligencia artificial aplicados al diagnóstico cardiovascular, demostrando el potencial de integrar ECG y PCG para una mejor evaluación de la actividad cardíaca. En particular, el aporte se basa en mejorar el rendimiento de algoritmos de inteligencia artificial entrenados a partir de ambas señales para estudiar la actividad eléctrica y mecánica del corazón."
format Proyecto final de grado
author Gonzalez Branchi, Lourdes Florencia
Peralta Ramos Guerrero, Malena
author_facet Gonzalez Branchi, Lourdes Florencia
Peralta Ramos Guerrero, Malena
author_sort Gonzalez Branchi, Lourdes Florencia
title Dispositivo de captura y procesamiento de ECG y PCG para detección de anomalías por medio de inteligencia artificial
title_short Dispositivo de captura y procesamiento de ECG y PCG para detección de anomalías por medio de inteligencia artificial
title_full Dispositivo de captura y procesamiento de ECG y PCG para detección de anomalías por medio de inteligencia artificial
title_fullStr Dispositivo de captura y procesamiento de ECG y PCG para detección de anomalías por medio de inteligencia artificial
title_full_unstemmed Dispositivo de captura y procesamiento de ECG y PCG para detección de anomalías por medio de inteligencia artificial
title_sort dispositivo de captura y procesamiento de ecg y pcg para detección de anomalías por medio de inteligencia artificial
publishDate 2025
url https://hdl.handle.net/20.500.14769/5168
work_keys_str_mv AT gonzalezbranchilourdesflorencia dispositivodecapturayprocesamientodeecgypcgparadetecciondeanomaliaspormediodeinteligenciaartificial
AT peraltaramosguerreromalena dispositivodecapturayprocesamientodeecgypcgparadetecciondeanomaliaspormediodeinteligenciaartificial
_version_ 1854267347339051008

Ejemplares similares