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 | |
    | |
9:00 - 9:15
Mejora de la clasificación de latidos cardíacos en señales ECG mediante preentrenamiento autosupervisado a gran escala 1: Instituto de Investigación en Ingeniería de Aragón, Universidad de Zaragoza, Zaragoza, España; 2: Centro de Investigación Biomédica en Red, Biomateriales, Bioingeniería y Nanomedicina, España; 3: William Harvey Research Institute, Queen Mary University of London, London, United Kingdom Los latidos ectópicos, anomalías del ritmo cardíaco, son indicadores importantes de arritmias. El electrocardiograma (ECG) de 12 derivaciones es una herramienta económica y no invasiva, ideal para el diagnóstico de estas patologías. Recientemente, las redes neuronales (RN) se han propuesto en cardiología para la predicción del riesgo cardíaco. Sin embargo, su uso sigue siendo limitado debido a la escasez de datos etiquetados. El objetivo de este proyecto es evaluar si el preentrenamiento autosupervisado mejora el rendimiento de las RN en una tarea de aprendizaje supervisado para la clasificación de tres tipos de latidos (normales, ectópicos supraventriculares aislados, o combinados con ventriculares), usando datos de entrenamiento limitados con una distribución desequilibrada de casos. Para ello, se han descargado y preprocesado señales ECG disponibles públicamente, dando lugar a 14.662.014 señales ECG. A continuación, se ha implementado una RN convolucional multicapa (CNN) para la clasificación de latidos. Después se ha desarrollado y preentrenado, de forma autosupervisada, una RN basada en codificación predictiva contrastiva. Los dos modelos han mostrado un buen rendimiento. Al utilizar una CNN simplificada junto con una RN preentrenada de forma autosupervisada, la precisión balanceada mejoró de 0,701 a 0,832, la puntuación F1 balanceada ascendió de 0,897 a 0,902, y la macro área bajo la curva aumentó de 0,835 a 0,966. De acuerdo a nuestros hallazgos, el método de aprendizaje supervisado basado en características autosupervisadas mejora el rendimiento y permite simplificar la arquitectura y el entrenamiento del modelo puramente supervisado.
| |