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 | |
|
Vi-S6.1-AASe: Inteligencia Artificial en el análisis de señales cardíacas Lugar: Salón de Actos Presidente de la sesión: Jose Millet Roig Presidente de la sesión: Sofia Romagnoli | |
    | |
9:30 - 9:45
Deep Learning for Denoising and Latent Representation of Intracardiac Electrograms 1: Universidad Carlos III de Madrid (UC3M), Leganés, España; 2: Hospital General Universitario Gregorio Marañón, IiSGM, Madrid, España; 3: Centro de Investigación Biomédica en Red de Enfermedades Cardiovasculares (CIBERCV), Madrid, España Intracardiac electrograms (EGMs) are fundamental for arrhythmia diagnosis, but their clinical utility is often compromised by noise and high dimensionality. This paper presents a deep learning framework for EGM denoising and dimensionality reduction. We developed a convolutional autoencoder to process 495,731 unipolar and bipolar EGMs from 29 persistent atrial fibrillation patients, compressing signals into a 64-dimensional latent representation. The model achieved excellent reconstruction fidelity, with test R² values of 0.8488 for unipolar and 0.6614 for bipolar signals. Furthermore, classification experiments using the latent features achieved F1-scores exceeding 0.97 for rhythm discrimination. These results suggest that deep learning-based dimensionality reduction can significantly enhance EGM interpretability while preserving clinically relevant information for improved arrhythmia analysis.
| |