• Repositorio Institucional Universidad de Pamplona
  • Trabajos de pregrado y especialización
  • Facultad de Ingenierías y Arquitectura
  • Ingeniería en Telecomunicaciones
    • Por favor, use este identificador para citar o enlazar este ítem: http://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/713
    Registro completo de metadatos
    Campo DC Valor Lengua/Idioma
    dc.contributor.authorBravo Tuay, Darío Fernando.-
    dc.date.accessioned2022-05-12T19:50:24Z-
    dc.date.available2021-10-09-
    dc.date.available2022-05-12T19:50:24Z-
    dc.date.issued2022-
    dc.identifier.citationBravo Tuay, D. F. (2021). Desarrollo de un sistema para clasificación de patologías cardiovasculares en señales electrocardiográficas (ECG) aplicando inteligencia artificial y Cloud Computing [Trabajo de Grado Pregrado, Universidad de Pamplona]. Repositorio Hulago Universidad de Pamplona. http://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/713es_CO
    dc.identifier.urihttp://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/713-
    dc.descriptionEste trabajo se presenta como una alternativa tecnológica para aquellas personas que padecen de enfermedades cardiovasculares tales como disritmia cardíaca, hipertrofia ventricular, bloqueo de rama y afección valvular ya sea de forma congénita o mal cuidado de la salud por el mismo. En primer lugar, se adquieren las señales electrocardiográficas (ECG) de pacientes sanos y pacientes con dichas patologías mediante la base de datos “Physiobank”, en lo cual, se aplican técnicas de tratamiento y procesamiento de señales tales como ajuste de nivel, Transformada Rápida de Fourier (FFT), Wavelet (DCT), entropía y energía, para la posterior búsqueda de características o patrones que demuestren una diferencia de las señales y otorgar una correcta clasificación mediante la implementación Machine Learning bajo el lenguaje de programación Python empleado en Linux en relación a las patologías presentes y dar una mayor facilidad en cuanto al diagnóstico por parte del especialista, con base en lo anterior se selecciona la mejor técnica en relación a los resultados de optimización y clasificación. En segundo lugar, una vez finalizada la caracterización y clasificación de las ondas ECG se procede a aplicar estrategias de Cloud Computing para gestionar los datos almacenados en servidores remotos, procesarlos en la nube y poder obtener una respuesta como tal de la señal ingresada al sistema, por tanto, cualquier entidad podrá tener acceso al sistema de clasificación de forma gratuita para prestar el servicio. Para este caso, se trabaja en la plataforma “Pythonanywhere” el cual permite alojar código Python y ser ejecutado como un aplicativo web.es_CO
    dc.description.abstractEl autor no proporciona la información sobre este ítem.es_CO
    dc.format.extent121es_CO
    dc.format.mimetypeapplication/pdfes_CO
    dc.language.isoeses_CO
    dc.publisherUniversidad de Pamplona – Facultad de Ingenierías y Arquitectura.es_CO
    dc.subjectEl autor no proporciona la información sobre este ítem.es_CO
    dc.titleDesarrollo de un sistema para clasificación de patologías cardiovasculares en señales electrocardiográficas (ECG) aplicando inteligencia artificial y Cloud Computing.es_CO
    dc.typehttp://purl.org/coar/resource_type/c_7a1fes_CO
    dc.date.accepted2021-07-09-
    dc.relation.references[1] Pozas G., “El electrocardiograma y su tecnología,” Educ. Medica, vol. 8, no. 24, pp. 27–31, 2008, [Online]. Available: http://www.cmzh.com.mx/media/108934/rev_24_elelectricardiogramasutecnolog ia.pdf.es_CO
    dc.relation.references[2] C. V. Silva and V. G. Rojas, “Diseño e implementación de un sistema electrocardiográfico digital,” Rev. Fac. Ing., no. 55, pp. 99–107, 2010.es_CO
    dc.relation.references[3] “Minimanual de ECG Ilustrado,” 2005, [Online]. Available: https://muymedico.com.es_CO
    dc.relation.references[4] J. Garcia Niebla, “Errores y artefactos más comunes en la obtención del electrocardiograma,” Siacardio, vol. 1, no. 8, pp. 1–29, 15AD, [Online]. Available: http://www.siacardio.com/wp-content/uploads/2015/01/ECG-Capitulo-10- Errores-y-artefactos-comunes-en-ECG.pdf.es_CO
    dc.relation.references[5] R. Sastre, Iván;Pérez, “ANATOMÍA Y FISIOLOGÍA DEL CORAZÓN,” Anatomía y Fisiol. del corazón, pp. 1–30, 2014, [Online]. Available: https://www.faeditorial.es/capitulos/infarto-miocardio.pdf.es_CO
    dc.relation.references[6] J. Ramirez, “Fisiología cardiaca,” Revista Médica MD, vol. 1, no. 3, pp. 3–6, 2009.es_CO
    dc.relation.references[7] P. Acosta, A. Álvarez, J. Betancourt, J. Cabrales, and N. Ascencio, Electrocardiografía, Primera Ed. Bogotá.es_CO
    dc.relation.references[8] D. E. Mohrman and L. J. Heller, Fisiología Cardiovascular. 2007.es_CO
    dc.relation.references[9] B. E. V. Angarita et al., “Arritmias.”es_CO
    dc.relation.references[10] D. S, “Transformada Discreta de Fourier (DFT).” [Online]. Available: https://sites.google.com/site/dson978/signals-systems/discrete-fourier-transform.es_CO
    dc.relation.references[11] G. Pazmiño Castillo and R. M. García Oquendo, “La transformada de Fourier y su aplicación en el procesamiento de imágenes,” Tsafiqui, no. 1, p. 7, 2008, doi: 10.29019/tsafiqui.v0i1.23.es_CO
    dc.relation.references[12] K. Najarian and R. Splinter, Biomedical Signal and Image Processing. CRC Press, Taylor & Francis Group, 2006.es_CO
    dc.relation.references[13] J. Semnmlow, Biosignal and Medical Image Processing. CRC Press, Taylor & Francis Group, 2009.es_CO
    dc.relation.references[14] M. Larrota, “Aplicación de la transformada wavelet discreta en el filtrado de señales bioeléctricas,” Umbral Científico, no. 5, pp. 92–98, 2004.es_CO
    dc.relation.references[15] “La Transformada Wavelet.” [Online]. Available: http://bibing.us.es/proyectos/abreproy/11511/fichero/PFC+Silvia+Blasco+Vadillo %252FCapítulo+9+-+Anexo+2.pdf+.es_CO
    dc.relation.references[16] B. Medina, J. E. Sierra, and A. B. Ulloa, “Técnicas de extracción de características de señales EEG en la imaginación de movimiento para sistemas BCI,” Espacios, vol. 39, no. 22, pp. 36–48, 2018, [Online]. Available: https://www.revistaespacios.com/a18v39n22/18392236.html.es_CO
    dc.relation.references[17] G. Garg, V. Singh, and A. P. Mittal, “Wrapper Based Wavelet Feature Optimization for EEG Signals.” doi: 10.1007/s13534-012-0044-0.es_CO
    dc.relation.references[18] B. A. Medina and R. Alvarez López, “Caracterización de Señales EEG mediante Wavelet Packet y Entropía Difusa para Tareas de Imaginación Motora,” Ingeniería, vol. 22, no. 2, p. 226, 2017, doi: 10.14483/udistrital.jour.reving.2017.2.a04.es_CO
    dc.relation.references[19] E. Neira, “MODELO DE IDENTIFICACIÓN DE LOCUTOR EN ENTORNOS GSM, APLICACIÓN EN COLOMBIA,” Universidad Macional de Colombia, 2010.es_CO
    dc.relation.references[20] A. Ramiro and V. Alvarado, “Machine Learning para Todos Aldo Valdez Alvarado,” ResearchGate, no. January 2019, 2020, doi: 10.13140/RG.2.2.13786.70086.es_CO
    dc.relation.references[21] G. Betancourt, “LAS MÁQUINAS DE SOPORTE VECTORIAL (SVMs),” Sci. Tech., vol. XI, pp. 67–72, 2005, [Online]. Available: https://www.redalyc.org/pdf/849/84911698014.pdf.es_CO
    dc.relation.references[22] L. Gonzalez, “Naïve Bayes.” https://aprendeia.com/naive-bayes-teoria-machinelearning/.es_CO
    dc.relation.references[23] M. Quintero and A. Edgar, Alternativas de Uso de la Tierra para los Llanos Orientales de Colombia. pp. 1–46.es_CO
    dc.relation.references[24] L. Gonzalez, “Arbóles de Decisión - Clasificación.” https://aprendeia.com/arbolesde-decision-clasificacion-teoria-machine-learning/.es_CO
    dc.relation.references[25] A. Youssef, “Exploring Cloud Computing Services and Applications,” J. Emerg. SC-CER96940 Universidad de Pamplona Pamplona - Norte de Santander - Colombia Tels: (7) 5685303 - 5685304 - 5685305 - Fax: 5682750 www.unipamplona.edu.co “Formando líderes para la construcción de un nuevo país en paz” 120 Trends Comput. …, vol. 3, no. 6, pp. 838–847, 2012, [Online]. Available: http://scholar.google.com/scholar?hl=en&btnG=Search&q=intitle:Exploring+Clou d+Computing+Services+and+Applications#0.es_CO
    dc.relation.references[26] N. Quintero and A. Fuentes, “Computacion En La Nube,” pp. 46–51, 2014.es_CO
    dc.relation.references[27] “Cloud Computing La revolución tecnológica para las empresas.” [Online]. Available: https://systemsgroup.es/noticias-it/cloud-computing/32212/.es_CO
    dc.relation.references[28] T. Cardiovasc, “Listado de Aplicacion IA en cardiología,” vol. 70, no. December 2016. pp. 2016–2017, 2017.es_CO
    dc.relation.references[29] S. Sahoo, M. Mohanty, S. Behera, and S. K. Sabut, “ECG beat classification using empirical mode decomposition and mixture of features,” J. Med. Eng. Technol., vol. 41, no. 8, pp. 652–661, 2017, doi: 10.1080/03091902.2017.1394386.es_CO
    dc.relation.references[30] Q. Li, C. Rajagopalan, and G. D. Clifford, “A machine learning approach to multilevel ECG signal quality classification,” Comput. Methods Programs Biomed., vol. 117, no. 3, pp. 435–447, 2014, doi: 10.1016/j.cmpb.2014.09.002.es_CO
    dc.relation.references[31] U. R. Acharya et al., “A deep convolutional neural network model to classify heartbeats,” Comput. Biol. Med., vol. 89, no. August, pp. 389–396, 2017, doi: 10.1016/j.compbiomed.2017.08.022.es_CO
    dc.relation.references[32] Ö. Yıldırım, P. Pławiak, R. S. Tan, and U. R. Acharya, “Arrhythmia detection using deep convolutional neural network with long duration ECG signals,” Comput. Biol. Med., vol. 102, no. August, pp. 411–420, 2018, doi: 10.1016/j.compbiomed.2018.09.009.es_CO
    dc.relation.references[33] B. R. de Oliveira, C. C. E. de Abreu, M. A. Q. Duarte, and J. Vieira Filho, “Geometrical features for premature ventricular contraction recognition with analytic hierarchy process based machine learning algorithms selection,” Comput. Methods Programs Biomed., vol. 169, pp. 59–69, 2019, doi: 10.1016/j.cmpb.2018.12.028.es_CO
    dc.relation.references[34] J. Díaz, J. Fernández, and E. Guerrero, “Diagnóstico automático del síndrome coronario agudo utilizando un sistema multiagente basado en redes neuronales,” Rev. Colomb. Cardiol., vol. 24, no. 3, pp. 1–6, 2017, doi: http://dx.doi.org/10.1016/j.rccar.2016.11.010.es_CO
    dc.relation.references[35] C. D. E. L. Adulto, L. Morales Muñoz, G. Quintana, and L. F. Niño, “Modelo computacional para la identificación de endofenotipos y clasificación de pacientes con artritis reumatoide a partir de datos genéticos, serológicos y clínicos, utilizando técnicas de inteligencia computacional,” Rev. Colomb. Reumatol., vol. SC-CER96940 Universidad de Pamplona Pamplona - Norte de Santander - Colombia Tels: (7) 5685303 - 5685304 - 5685305 - Fax: 5682750 www.unipamplona.edu.co “Formando líderes para la construcción de un nuevo país en paz” 121 22, no. 2, pp. 90–103, 2015, doi: 10.1016/j.rcreu.2015.05.005.es_CO
    dc.relation.references[36] J. J. Sprockela, J. J. Diaztagleb, W. Alzatec, and E. González, “Redes neuronales en el diagnóstico del infarto agudo de miocardio,” vol. 21, no. 4, 2014.es_CO
    dc.relation.references[37] GERMAN ARLEY PORTILLA GONZÁLEZ, “DESARROLLO DE UN SISTEMA PARA CLASIFICACIÓN DE CARACTERES OBTENIDOS DE SEÑALES ELECTROENCEFALOGRAFÍCAS (EEG) APLICADO EN PACIENTES CON AFASIA MOTRIZ.,” Universidad de Pamplona, 2017.es_CO
    dc.relation.references[38] A. Lizcano-Portilla, L. Mendoza, and Z. Nieto-Sánchez, “Procesamiento de señales cerebrales provenientes de estímulos visuales y auditivos utilizando análisis wavelet y redes neuronales artificiales,” Rev. UIS Ing., vol. 19, no. 2, pp. 119–125, 2020, doi: 10.18273/revuin.v19n2-2020013.es_CO
    dc.relation.references[39] E. Arias, L. García, O. Gualdrón González, and R. Corrêa, “Redes neuronales artificiales en conducción de calor multidimensional transitorio,” Rev. UIS Ing., vol. 2, no. 1, pp. 51–61, 2003.es_CO
    dc.relation.references[40] “Base datos physiobank.” [Online]. Available: https://archive.physionet.org/physiobank/.es_CO
    dc.relation.references[41] “Pythonanywhere.” 2019, [Online]. Available: https://opensofty.com/es/2019/11/8/los-mejores-ides-basados-en-la-nube-parapython/.es_CO
    dc.relation.references[42] J. Muñoz, “Que es Flask.” 2017, [Online]. Available: https://openwebinars.net/blog/que-es-flask/.es_CO
    dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2es_CO
    dc.type.coarversionhttp://purl.org/coar/resource_type/c_2df8fbb1es_CO
    Aparece en las colecciones: Ingeniería en Telecomunicaciones

    Ficheros en este ítem:
    Fichero Descripción Tamaño Formato  
    Bravo_2021_TG.pdfBravo_2021_TG3,11 MBAdobe PDFVisualizar/Abrir
    Mostrar el registro sencillo del ítem


    Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.