Programa del congreso
Resúmenes y datos de las sesiones para este congreso. Seleccione una fecha o ubicación para mostrar solo las sesiones en ese día o ubicación. Seleccione una sola sesión para obtener una vista detallada (con resúmenes y descargas, si están disponibles).
|
Resumen diario |
| Sesión | |
|
Mi-S3.1-GIB II: Premios SEIB-Fenin (II) Lugar: Salón de Actos Presidente de la sesión: Elisabete Aramendi Ecenarro Presidente de la sesión: Juan Carlos Antony García Presidente de la sesión: Pablo Laguna Trabajos seleccionados para el Premio SEIB-FENIN (estudiantes del Grado en Ingeniería Biomédica). | |
    | |
17:03 - 17:14
Advanced Cardiac Al Models for Automatic Arrhythmia Classification on Electrocardiograms 1: Departamento de Bioingeniería, Universidad Carlos III de Madrid, España; 2: Instituto de Investigación Sanitaria Gregorio Marañón (IiSGM), Hospital General Universitario Gregorio Marañón, Madrid, España.; 3: Centro de Investigación Biomédica en Red de Enfermedades Cardiovasculares (CIBERCV), Instituto de Salud Carlos III, Madrid, España. This work explores the use of machine learning for arrhythmia classification from 12-lead electrocardiograms (ECGs). A Vector-Quantized Variational Autoencoder (VQ-VAE) was trained in an unsupervised manner on a large ECG dataset (~99,000 ECGs), to learn compact, discrete latent representations of cardiac morphology. These embeddings were then used as features for downstream classifiers, namely fullly connected layers, XGBoost and multi-layer perceptron (MLP), to distinguish sinus rhythm (SR), supraventricular tachycardia (SVT), and ventricular tachycardia (VT). Labeled ECGs for supervised training/testing were collected at Hospital General Universitario Gregorio Marañón in Madrid and annotated by expert cardiologists. The best model (an MLP using VQ-VAE embeddings) achieved 95.2% accuracy on the test set. Compared with baseline approaches, VQ-VAE features improved performance and yielded structured, clinically meaningful representations suitable for arrhythmia classification. To our knowledge, this is the first application of VQ-VAEs to 12-lead ECG classification, showing strong generalization and potential for clinical integration.
| |