Generación automática de señales de ECG en los asistentes cognitivos para mejorar la detección de problemas cardíacos

Abstract

[ES] Los asistentes cognitivos son dispositivos diseñados para ayudar a las personas mayores a mantener su independencia y seguridad en el hogar. Estos dispositivos pueden ayudarles a recordar citas médicas, tomar medicamentos y comunicarse con amigos y familiares, entre otras cosas.

Recientemente, se ha explorado la posibilidad de incorporar la captura de señales de ECG (electrocardiograma) en estos asistentes cognitivos. El ECG es una técnica que mide la actividad eléctrica del corazón y proporciona información valiosa sobre la salud cardiovascular.

La captura de señales de ECG en los asistentes cognitivos puede ayudar a detectar problemas de salud en los adultos mayores, como arritmias cardíacas, y alertar a los cuidadores o profesionales médicos para que puedan intervenir rápidamente. Sin embargo, uno de los desafíos es la limitada cantidad de datos disponibles en los cuales se almacena un ECG con una sola derivada. Por lo tanto, los datasets existentes con este tipo de señal a menudo están desequilibrados, lo que significa que hay pocas muestras de patologías cardíacas.

Para abordar esta cuestión, en este TFM se busca desarrollar una red GAN que permita equilibrar estos datasets para mejorar la clasificación de los asistentes cognitivos.

[EN] Cognitive assistants are devices designed to help older people maintain their independence and safety at home. These devices can help them remember medical appointments, take medication, and communicate with friends and family, among other things. Recently, the possibility of incorporating ECG (electrocardiogram) signal capture into these cognitive assistants has been explored. ECG is a technique that measures the electrical activity of the heart and provides valuable information about cardiovascular health. Capturing ECG signals in cognitive assistants can help detect health problems in older adults, such as cardiac arrhythmias, and alert caregivers or medical professionals so they can intervene quickly. However, one of the challenges is the limited amount of data available in which to store an ECG with a single derivative. Therefore, existing datasets with this type of signal are often unbalanced, which means that there are few samples of cardiac pathologies. To address this issue, this TFM aims to develop a GAN network to balance these datasets in order to improve the classification of cognitive assistants.