Comparación de Redes Neuronales Preentrenadas para la Evaluación de la Calidad en Registros Electrocardiográficos

Abstract

[ES] Actualmente, es habitual el uso de las redes neuronales convolucionales para el analisis del registro electrocardiografico (ECG). Sin embargo, su capacidad para evaluar la calidad con la que se registra esta senal fisiologica todavia no se ha examinado a fondo. Esta dificil tarea, cuyo objetivo es identificar los intervalos de ECG de baja calidad, podria ayudar a un diagnostico mas preciso de enfermedades cardiacas, especialmente si el ECG se ha registrado con un sistema de monitorizacion a largo plazo portatil o vestible. Asi pues, en este trabajo se introduce un estudio comparativo en el que se analizan varios modelos de redes neuronales en la tarea de discernir entre intervalos de ECG de alta y de baja calidad. Al no existir bases de datos suficientemente extensas, anotadas, y con acceso publico, se comparan tres redes neuronales preentrenadas, las cuales son AlexNet, GoogLeNet y VGGNet. Para ello, se han utilizado 2.000 segmentos de ECG de 5 segundos de duracion, y clasificados en dos grupos de 1.000 segmentos cada uno. Se ha obtenido una validacion robusta de los algoritmos realizando cinco procesos de entrenamiento y dividiendo el conjunto de datos de manera aleatoria, con un 80 % para entrenamiento y un 20 % para test. Los resultados muestran una exactitud generalizada en todos los modelos en torno a un 90 %. Sin embargo, en cuanto al tiempo de calculo y memoria utilizada se han observado importantes diferencias. AlexNet ha mostrado ser el metodo mas rapido para clasificar los segmentos de ECG, mientras que GoogLeNet ha requerido menos memoria. Por lo tanto, ambos algoritmos han demostrado un buen equilibrio entre la identificacion de intervalos de ECG y carga computacional.