Clasificación de electrocardiogramas con métodos de inteligencia artificial

Abstract

We present the performance of different classifiers using ECG time series, extracted from the physionet CinC challenge 2017 database. The algorithms to classify the ECG recordings comprise of Feed Forward Neural Networks, Convolutional Neural Network and Support Vector Machines. The results on the classification of the ECG database are satisfying, obtaining an overall accuracy of 94.33 %, 99.0% and 100% for each one of the algorithms mentioned above. In order to classify the ECG recordings in two of the algorithms a transformation to images of the signals was made, namely, the GASF (Gramian Angular Summation Field), providing with a new approach to solve the difficult problem of the detection of heart diseases by analizing ECGs, with the CNN being one of the best algorithms.

Se presentan los resultados del desempeño de los diferentes métodos de clasificación sobre los datos de Electrocardiogramas (ECG) obtenidos del CinC challenge 2017 de la fuente physionet. Los métodos implementados comprenden las redes neuronales artificiales (RNA), redes neuronales convolucionales (RNC) y máquinas de soporte vectorial (MSV). Se obtienen resultados satisfactorios, sobre la base de datos del CinC Challenge 2017, con precisión del 94.33 %, 99.0% y 100% al implementar cada uno de los métodos mencionados anteriormente. Para llevar a cabo la clasificación en dos de los métodos, se realizó la transformación de las series de tiempo en imágenes por medio de la matriz GASF (Gramian Angular Summation Field), abriendo la posibilidad de un nuevo enfoque para la solución al difícil problema de la detección de enfermedades del corazón bajo el análisis de ECGs, siendo la red convolucional la solución más prometedora.