Show simple item record

Final Degree Project

dc.contributor.advisorPayán Somet, Francisco Javieres
dc.creatorAlonso Cabrera, Carlos Albertoes
dc.date.accessioned2017-09-27T17:38:07Z
dc.date.available2017-09-27T17:38:07Z
dc.date.issued2017
dc.identifier.urihttp://hdl.handle.net/11441/64789
dc.description.abstractDentro de las unidades de cuidados intensivos se producen multitud de falsas alarmas asociadas a una mala medición de las distintas arritmias cardiacas, ya sea por un factor interno o externo. El objeto del algoritmo presentado en este documento es, dado un conjunto de archivos que generan alarma en la UCI de determinados hospitales, detectar si cada uno de ellos contiene una arritmia verdaderamente o se trata de una falsa arritmia generada por fallos en la medición, lo cual provoca una falsa alarma. En el caso de la arritmia del tipo fibrilación auricular el único objetivo es detectar las arritmias de dicho tipo contenidas en los ficheros de entrada. El algoritmo se basa en la extracción de características de las distintas señales fisiológicas contenidas en los ficheros de entrada y el uso de 3 tipos de clasificadores (uno por cada arritmia; bradicardia, taquicardia, taquicardia ventricular ) hallados mediante machine learning (Random Forest), para la toma de decisión entre alarma detectada o falsa alarma, y el uso de estadísticos (fibrilación auricular). En el primer caso se desarrolla una clasificación binaria entre arritmia detectada o falsa alarma, para un determinado archivo de entrada, combinando parámetros de calidad de señal y características fisiológicas obtenidas de distintas señales biomédicas, como electrocardiograma (ECG), fotopletismografía (PPG) y señal de presión arterial(ABP) mediante un método predictivo. Los clasificadores Random Forest para cada arritmia son entrenados teniendo en cuenta esta serie de características en un gran conjunto de datos. El rango de detección de señales correspondiente con un episodio de arritmia es de un 75-99%(dependiendo de cada tipo de arritmia) y la detección de señales que correspondientes con una falsa alarma oscila entre 74-94%. Los mejores resultados se corresponden con taquicardia y los ratios mas pobres de detección se dan para taquicardia ventricular. En el segundo caso la detección se lleva a cabo aplicando estadísticos a intervalos RR de señales ECG. Estos estadísticos tienen en cuenta la irregularidad de los intervalos RR cuando existe fibrilación auricular. La detección esta basada en RMSSD (Root Mean Square of Successive Differences), TPR (Turning Point Ratio) y H (Entropía de Shannon). Con este método el 81,25 % de las arritmias son detectadas.es
dc.formatapplication/pdfes
dc.language.isospaes
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internacional*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectArritmiases
dc.subjectFibrilación auriculares
dc.subjectTratamiento de señales
dc.subjectRandom Forestes
dc.titleDetección de arritmias mediante parámetros de calidad de señal y estadísticoses
dc.typeinfo:eu-repo/semantics/bachelorThesises
dc.type.versioninfo:eu-repo/semantics/publishedVersiones
dc.rights.accessrightsinfo:eu-repo/semantics/openAccesses
dc.contributor.affiliationUniversidad de Sevilla. Departamento de Teoría de la Señal y Comunicacioneses
dc.description.degreeUniversidad de Sevilla. Grado en Ingeniería de las Tecnologías de Telecomunicaciónes
idus.format.extent76 p.es

FilesSizeFormatViewDescription
Carlos Alberto Alonso Cabrera.pdf20.50MbIcon   [PDF] View/Open  

This item appears in the following collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Except where otherwise noted, this item's license is described as: Attribution-NonCommercial-NoDerivatives 4.0 Internacional