Desarrollo de un Clasificador de Normalidad Cardíaca Basado en las Técnicas de Monitorización Ambulatoria de Electrocardiografía y Presión Arterial a Partir de Señales ECG

Simple item page
dc.contributor.advisorGómez Peña, Guidospa
dc.contributor.authorErazo Rivera, Carlos Santiagospa
dc.coverage.spatialColombia( Popayán, Cauca)spa
dc.creator.cedula20561914010spa
dc.date.accessioned2024-01-31T13:31:26Z
dc.date.available2024-01-31T13:31:26Z
dc.date.issued2023-11-24spa
dc.description.abstractHeart and hypertensive diseases are among the leading causes of death in Colombia and the world. Because of this, they are included in the Sustainable Development Goals of the WHO’s 2030 agenda as a high priority issue. The study of cardiac dynamics is essential to understand heart disease and develop effective diagnostics and treatments. Ambulatory blood pressure monitoring (ABPM) and cardiac Holter are important techniques to assess cardiac activity under daily conditions. Cardiovascular disease and hypertension are significant health problems, and the lack of early detection is of concern. The aim of this work is to develop an algorithm that combines ECG and blood pressure estimation to classify cardiac dynamics as normal or abnormal. The algorithm is based on ECG signal analysis and intelligent blood pressure estimation through the DII derivative of this signal. The purpose is to improve early diagnosis and prevent cardiovascular diseases. Machine learning and quantitative methodology will be used for data extraction and classification.As a result of the study, two Gaussian process regression (GPR) models were derived to estimate blood pressure, specifically the systolic blood pressure model exhibited a coefficient of determination (R2) of 0.83 and a mean square error of 8.4, while the diastolic blood pressure model showed an R2 of 0.88 and an RMSE of 3.54. Together, these regression models yielded a cumulative RMSE of 11.94, thus meeting the standards established by the British Hypertension Society (BHS) and classifying as type C. Therefore, the blood pressure estimation model possesses the feasibility for implementation in clinical settings. Regarding the cardiac normality classifier, a Bagged Trees classification model was employed and demonstrated an accuracy of 96.6 %, allowing effective classification of normal ECG signals among five types of arrhythmias. Finally, through a binary classification that considers the estimated values of arterial pressure, heart rate and the results of the normality classification, it is determined whether the cardiac dynamics are within normal parameters or whether they present any mechanical or electrical abnormalityeng
dc.description.abstractLas enfermedades cardíacas e hipertensivas son unas de las principales causas de muerte en Colombia y el mundo. Debido a esto, se incluyen en los objetivos de desarrollo sostenible de la agenda 2030 de la OMS como una problemática de alta prioridad. En este sentido, el estudio de la dinámica cardíaca es esencial para comprender las enfermedades cardíacas y desarrollar diagnósticos y tratamientos efectivos, así la monitorización ambulatoria de presión arterial (MAPA) y el Holter cardiaco son técnicas importantes para evaluar la actividad cardíaca en condiciones diarias. Las enfermedades cardiovasculares y la hipertensión son problemas de salud significativos, y la falta de detección temprana es preocupante. El objetivo de este trabajo es desarrollar un algoritmo que combine señales de electrocardiografía (ECG) y la estimación de la Presión Arterial (PA) para clasificar la dinámica cardíaca como normal o anormal. El algoritmo se basa en el análisis de señales ECG y la estimación inteligente de la presión arterial a través de la derivada DII de esta señal. El propósito es mejorar el diagnóstico temprano y prevenir enfermedades cardiovasculares. Se emplea aprendizaje automático y la metodología cuantitativa para extracción y clasificación de datos. Como resultado del estudio, se derivaron dos modelos de regresión de procesos gaussianos (RPG) para estimar la presión arterial, específicamente el modelo de presión arterial sistólica exhibió un coeficiente de determinación (R2) de 0.83 y un error cuadrático medio de 8.4, mientras que el modelo de presión arterial diastólica mostró un R2 de 0.88 y un RMSE de 3.54. En conjunto, estos modelos de regresión arrojaron un RMSE acumulado de 11.94, cumpliendo así con los estándares establecidos por la Sociedad Británica de Hipertensión (BHS) y clasificándose como de tipo C. Por consiguiente, el modelo de estimación de la presión arterial posee la viabilidad para su implementación en entornos clínicos. En lo que respecta al clasificador de normalidad cardíaca, se empleó un modelo de clasificación Bagged Trees que demostró una exactitud del 96.6 %, permitiendo la clasificación efectiva de señales ECG normales entre cinco tipos de arritmias. Finalmente, a través de una clasificación binaria que considera los valores estimados de presión arterial, la frecuencia cardíaca y los resultados de la clasificación de normalidad, se determina si la IV dinámica cardíaca se encuentra dentro de los parámetros normales o si presenta alguna anormalidad mecánica o eléctrica.spa
dc.description.degreelevelPregradospa
dc.description.degreenameIngeniero(a) Biomédico(a)spa
dc.description.degreetypeProyectospa
dc.description.notesPresencialspa
dc.identifier.bibliographicCitationL. Zhao, C. Liang, Y. Huang, G. Zhou, Y. Xiao, N. Ji, Y.-T. Zhang, and N. Zhao, ‘‘Emerging sensing and modeling technologies for wearable and cuffless blood pressure monitoring,’’ npj Digital Medicine 2023 6:1, vol. 6, pp. 1--15, 5 2023. [Online]. Available: https://www-nature-com.ezproxy.uan.edu.co/articles/s41746-023-00835-6spa
dc.identifier.bibliographicCitationJ. I. Gupta and M. J. Shea, ‘‘Biología del corazón,’’ 5 2022spa
dc.identifier.bibliographicCitationJ. C. Serrano, ‘‘Desarrollo de un mÉtodo de estimaciÓn de la presiÓn arterial combinando fotopletismografÍa y electrocardiografÍa,’’ UPV, 2019.spa
dc.identifier.bibliographicCitationM. EKG, ‘‘Derivaciones del electrocardiograma,’’ 6 2022.spa
dc.identifier.bibliographicCitationS. F. on ResearchGate, ‘‘Ondas, intervalos y segmentos que conforman el electrocardiograma,’’ 12 2010. [Online]. Available: https://www.researchgate.net/figure/Figura-12-Ondas-intervalos-y-segmentos-que-conforman-el-electrocardiograma_ fig2_246992000spa
dc.identifier.bibliographicCitationJ. Pan and W. J. Tompkins, ‘‘A real-time qrs detection algorithm,’’ IEEE Transactions on Biomedical Engineering, vol. BME-32, no. 3, pp. 230--236, 1985.spa
dc.identifier.bibliographicCitationM. L. G. Sr., D. K. Blackwell, M. L. G. Jr., and D. Rajan, EXECUTIVE OVERVIEW OF THE FOURTH MANUFACTURING REVOLUTION, 1st ed. McGraw-Hill Education, 2019. [Online]. Available: https://www.accessengineeringlibrary.com/content/ book/9781260135039/chapter/chapter6spa
dc.identifier.bibliographicCitationA. W. Services, ‘‘Validación cruzada.’’ [Online]. Available: https://docs.aws.amazon.com/es_es/machine-learning/latest/dg/ cross-validation.htmlspa
dc.identifier.bibliographicCitation] D. ABC, ‘‘Jumping jacks,’’ 4 2020. [Online]. Available: https://www.abc.es/bienestar/fitness/abci-jumping-jacks-202004080958_ noticia.html?ref=https%3A%2F%2Fwww.abc.es%2Fbienestar%2Ffitness%2Fabci-jumping-jacks-202004080958_noticia.htmspa
dc.identifier.bibliographicCitationM. Hammad, S. A. Chelloug, R. Alkanhel, A. J. Prakash, A. Muthanna, I. A. Elgendy, and P. Pławiak, ‘‘Automated detection of myocardial infarction and heart conduction disorders based on feature selection and a deep learning model,’’ Sensors, vol. 22, p. 6503, 8 2022. [Online]. Available: https://www.mdpi.com/1424-8220/22/17/6503spa
dc.identifier.instnameinstname:Universidad Antonio Nariñospa
dc.identifier.reponamereponame:Repositorio Institucional UANspa
dc.identifier.repourlrepourl:https://repositorio.uan.edu.co/spa
dc.identifier.urihttp://repositorio.uan.edu.co/handle/123456789/9110
dc.language.isospaspa
dc.publisherUniversidad Antonio Nariñospa
dc.publisher.campusPopayán - Alto Caucaspa
dc.publisher.facultyFacultad de Ingeniería Mecánica, Electrónica y Biomédicaspa
dc.publisher.programIngeniería Biomédicaspa
dc.rightsAcceso abierto
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2spa
dc.rights.licenseAttribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)spa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/spa
dc.subjectECGes_ES
dc.subjectclasificador de normalidades_ES
dc.subjectenfermedades cardiacases_ES
dc.subjectalgoritmos inteligenteses_ES
dc.subject.ddc56.24 E655des_ES
dc.subject.keywordECGes_ES
dc.subject.keywordnormality classifieres_ES
dc.subject.keywordheart diseasees_ES
dc.subject.keywordsmart algorithmses_ES
dc.titleDesarrollo de un Clasificador de Normalidad Cardíaca Basado en las Técnicas de Monitorización Ambulatoria de Electrocardiografía y Presión Arterial a Partir de Señales ECGes_ES
dc.typeTrabajo de grado (Pregrado y/o Especialización)spa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1fspa
dc.type.coarversionhttp://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.versioninfo:eu-repo/semantics/acceptedVersionspa
dcterms.audienceGeneralspa
Files
Original bundle
Now showing 1 - 4 of 4
thumbnail.default.alt
Name:
2023_CarlosErazo
Size:
1.09 MB
Format:
Adobe Portable Document Format
Description:
Documento Trabajo de Grado
Download
thumbnail.default.alt
Name:
2023_CarlosErazo_Acta
Size:
329.78 KB
Format:
Adobe Portable Document Format
Description:
Acta de sustentación
thumbnail.default.alt
Name:
2023_CarlosErazo _Autorización
Size:
991.58 KB
Format:
Adobe Portable Document Format
Description:
Autorización de autor
thumbnail.default.alt
Name:
2023_CarlosErazo_Turnitin
Size:
1.21 MB
Format:
Adobe Portable Document Format
Description:
Análisis de similitud
Collections
Ingeniería biomédica