Detección en tiempo real de fibrilación auricular en computador de placa reducida

Abstract

El desarrollo de dispositivos portables, que permitan la detección en tiempo real de fibrilación auricular, requiere el uso de algoritmos de reconocimiento automático de patrones con la metodología adecuada para su ejecución en sistemas embebidos. En el presente trabajo, se expone la implementación de una red neuronal artificial (ANN), una máquina de soporte vectorial (SVM), un algoritmo K vecinos más cercanos (KNN) y un modelo Hibrido, en un computador de placa reducida para obtener dicha detección automática. Como resultado, se comparan los desempeños de los algoritmos implementados en cuanto a la capacidad de detección de esta arritmia y el tiempo de respuesta asociado a su ejecución en tiempo real. La base de datos MIT-BIH AFIB es usada para el entrenamiento y validación de los algoritmos previa extracción de características relacionadas con el uso de coeficientes wavelet. Se encontraron resultados superiores al 95% en la precisión de los algoritmos mencionados y variados tiempos de respuesta entre 5.7 s y 7.1 s.

Development of portable devices, that allows real-time detection of atrial fibrillation, requires the implementation of automatic pattern recognition algorithms and an appropriate methodology for their execution in embedded systems. In the present article, the performances of an artificial neural network, a machine vector support, a k-nearest neighbors algorithm and a hybrid classifier implemented on a single-board computer, were compared in terms of detection capacity of arrhythmia and time response associated with real-time execution. The MIT-BIH AFIB database was used to train and validate the algorithms. In advance, the extraction of parameters associated with the stationary wavelet transform was developed. Results between 95% and 97% for precision, and time responses between 5.7 s and 7.1 s were found in this research.