[ES] La clasificación automática de cualquier afección cardíaca a partir de la señal de ECG es, sin duda, un desafío más si se pretende distinguir entre distintas subcategorías más específicas a partir del registro de una ...[+]
[ES] La clasificación automática de cualquier afección cardíaca a partir de la señal de ECG es, sin duda, un desafío más si se pretende distinguir entre distintas subcategorías más específicas a partir del registro de una única derivación del electrocardiograma. El objetivo principal de este trabajo consiste en utilizar el potencial de los métodos de aprendizaje profundo (Deep learning) junto con los avances en computación asociados con el neural basis expansion analysis para pronósticos de series de tiempo interpretables. El algoritmo de clasificación a desarrollar se basa en la hipótesis de que cada una de las señales puede describirse utilizando un generador de forma de onda.
N-BEATS se utilizarán para obtener parámetros de onda que se validarán sobre la base de datos abierta ofrecida por PhysioNet en el marco del congreso Computing in Cardiology (CinC) Challenge 2020.
[-]
[EN] The automated classification of any heart condition from ECG signal is undoubtedly a challeging
task to perform, not to mention the task of distinguishing even more specific subcategories
when the only information ...[+]
[EN] The automated classification of any heart condition from ECG signal is undoubtedly a challeging
task to perform, not to mention the task of distinguishing even more specific subcategories
when the only information available is a single ECG lead recording.
The main goal of this work was to use the power of deep learning methods along with the computational benefits associated with neural basis
expansion analysis for interpretable time series forecasting. The classification algorithm should be based on the hypothesis that each of the signals can be described using a waveform generator.
N-BEATS neural networks will be used to deliver substantial waveform generators parameters as a results of the training process conducted
on the training dataset provided by PhysioNet/Computing in Cardiology (CinC) Challenge 2020.
[-]
|