1. Repositorio Institucional del Tecnológico Nacional de México (RI - TecNM)
2. Tesis de Posgrado
3. Morelos
4. Centro Nacional de Investigación y Desarrollo Tecnológico
5. Tesis CENIDET
6. Tesis de Maestría
7. Tesis de Maestría en Computación

Título :	Reconocimiento de Arritmias Cardíacas Mediante un Autoencoder Profundo Espectral
Autor :	Quezada Próspero, Enrique%1298070
metadata.dc.subject.other:	ECG, Costo computacional, Filtro pasa-bajos, Espectros, Autoencoder
Fecha de publicación :	2025-07-02
Editorial :	Tecnológico Nacional de México
metadata.dc.publisher.tecnm:	Centro Nacional de Investigación y Desarrollo Tecnológico
Descripción :	Las arritmias cardíacas representan un desafío significativo en el ámbito de la salud, ya que su detección temprana es crucial para prevenir complicaciones graves. La clasificación automática de señales electrocardiográficas (ECG) ha cobrado relevancia en los últimos años debido al creciente interés en el desarrollo de herramientas computacionales eficientes para el diagnóstico de arritmias. Si bien existen múltiples enfoques para la clasificación de señales ECG, muchos de ellos dependen de arquitecturas profundas como redes convolucionales (CNN) o redes neuronales recurrentes (RNN), las cuales requieren grandes volúmenes de datos y una alta capacidad computacional para su entrenamiento. En contraste, los Autoencoders profundos han demostrado ser una alternativa efectiva debido a su capacidad para la extracción de características de datos complejos. En este contexto, el presente trabajo propone un modelo basado en un Autoencoder profundo combinado con técnicas de estimación espectral, con el objetivo de mejorar la clasificación de señales ECG mediante una arquitectura de bajo costo computacional y alto rendimiento. Para evaluar el desempeño del modelo, se realizaron múltiples experimentos. Inicialmente, se analizaron señales en crudo, lo que evidenció limitaciones en la capacidad del modelo para discriminar patrones debido a la falta de características distintivas. Posteriormente, se incorporó un preprocesamiento al aplicar un filtro pasa-bajos, logrando una mejora en las métricas de clasificación, aunque con restricciones inherentes a la representación en el dominio del tiempo. Con el fin de optimizar el desempeño del modelo, se llevó a cabo una sintonización exhaustiva de hiperparámetros, lo que permitió incrementar significativamente la capacidad de clasificación. Uno de los avances más relevantes del trabajo fue la transformación de las señales al dominio de la frecuencia mediante estimaciones espectrales, lo que permitió representar con mayor precisión las características discriminantes de cada clase. Entre las técnicas evaluadas, el espectro de Covarianza se destacó como la mejor opción, logrando métricas de calidad superiores al 95 %. Este enfoque permitió al modelo alcanzar un rendimiento robusto y competitivo en comparación con otras técnicas reportadas en la literatura. Además, se evaluó la capacidad de generalización del modelo aplicándolo a una base de datos distinta, lo que permitió validar su estabilidad ante variaciones en la adquisición de señales ECG. Los resultados demostraron que el modelo mantuvo un desempeño elevado, demostrando ser una alternativa viable para la clasificación automática de arritmias en entornos clínicos. Finalmente, se comparó el desempeño del modelo con arquitecturas avanzadas del estado del arte, demostrando que la propuesta logra una clasificación eficiente con una estructura más simple y menor costo computacional. Este hallazgo refuerza su aplicabilidad en sistemas de monitoreo embebidos y dispositivos de bajo costo.
metadata.dc.type:	info:eu-repo/semantics/masterThesis
Aparece en las colecciones:	Tesis de Maestría en Computación

Este ítem está protegido por copyright original Visualizar la licencia

Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons