Patient-Specific Detection of Atrial Fibrillation in Segments of ECG Signals using Deep Neural Networks

Abstract

La fibrilación auricular (FA) es la arritmia cardíaca más común en todo el mundo. Se asocia con una reducción de la calidad de vida y aumenta el riesgo de accidente cerebrovascular e infarto de miocardio. Desafortunadamente muchos casos de FA son asintomáticos, lo cual aumenta el riesgo para los pacientes. Debido a su naturaleza paroxística, la detección de la FA requiere la evaluación, por parte de un cardiólogo, de señales ECG de larga duración. En Colombia, es difícil tener diagnóstico temprano de la FA debido a los costos asociados a la detección de la FA y la distribución geográfica de los cardiólogos. Este trabajo es parte de un proyecto macro que tiene como objetivo desarrollar un dispositivo portátil para pacientes específicos que permita detectar la FA, el cual estará basado en una red neuronal convolucional (CNN). Nuestro objetivo es encontrar un modelo CNN adecuado, que luego se pueda implementar en hardware. Se aplicaron diversas técnicas para mejorar la respuesta con respecto a la exactitud, la sensibilidad, la especificidad y la precisión. El modelo final alcanza una exactitud del 97,44%, una especificidad del 97,76%, una sensibilidad del 96,97% y una precisión del 96,80%. Durante el desarrollo del modelo, el costo computacional y los recursos de memoria se tuvieron en cuenta para obtener un modelo de hardware eficiente en una futura implementación del dispositivo.

Keywords

• detección automática
• ecg
• fibrilación auricular
• redes neuronales convolucionales
• redes neuronales profundas