Abstract:
CONDITION FOR PUBLICATION OF PROJECT. English to write the same as described before in the Resumen. Use cursive fonts in this section. Cardiovascular diseases are the leading cause of mortality worldwide. Arrthythmias require early and accurate detection, with the electrocardiogram (EKG) being the standard tool for analysis. However, manual interpretation requires time and clinical expertise, which limits its applicability. The project aims to implement a heartbeat classification system in EKG signals using artificial intelligence techniques, utilizing convolutional neural networks (CNNs) and the standardized AMMI classification. The project was developed using the MIT-BIH Arrhythmia database, processed using noise removal, normalization, and heartbeat segmentation filtering techniques. Data balancing was applied with SMOTE, and a CNN was subsequently trained and validated in a Python environment using specialized libraries such as WFDB, TensorFlow, and Keras. The results showed a model capable of classifying heartbeats into the five categories defined by the AAMI, achieving accuracy and sensitivity metrics for a reliable diagnosis. The system constitutes a complementary tool for medical personnel and has the potential for integration into portable devices and telemedicine, contributing to the early detection of arrhythmias and the optimizing medical care.
Keywords: Arrhythmias, AI, Neural Networks, AAMI.
Description:
CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. Las enfermedades cardiovasculares representan la principal causa de mortalidad a nivel mundial. En ellas, las arritmias requieren detección temprana y precisa, siendo el electrocardiograma (EKG) la herramienta estándar para su análisis. Sin embargo, la interpretación manual demanda tiempo y experiencia clínica, lo que limita su aplicabilidad. Tiene como objetivo implementar un sistema de clasificación de latidos cardíacos en señales de EKG mediante técnicas de IA, utilizando redes neuronales convolucionales (CNN) y la clasificación estandarizada de la AMMI. El proyecto se desarrolló utilizando la base de datos MIT-BIH Arrhythmia, procesada mediante técnicas de filtrado pasa eliminación de ruido, normalización y segmentación de latidos. Se aplicó balanceo de datos con SMOTE y posteriormente se entrenó y validó una CNN en Python, empleando bibliotecas como WFDB, TensorFlow y Keras. Los resultados evidenciaron un modelo con capacidad para clasificar latidos cardíacos en las cinco categorías definidas por la AAMI, alcanzando métricas de precisión y sensibilidad para un diagnóstico confiable. El sistema constituye una herramienta complementaria para el personal médico y potencial de integración en dispositivos portátiles, telemedicina, contribuyendo a la detección temprana de arritmias y optimización de la atención médica.
