Por favor, use este identificador para citar o enlazar este ítem:
http://hdl.handle.net/20.500.14076/23823
Registro completo de metadatos
Campo DC | Valor | Lengua/Idioma |
---|---|---|
dc.contributor.advisor | Medina Ramos, Carlos Celestino | - |
dc.contributor.author | De la Cruz Santos, Carlos Pierre | - |
dc.creator | De la Cruz Santos, Carlos Pierre | - |
dc.date.accessioned | 2023-03-10T14:26:03Z | - |
dc.date.available | 2023-03-10T14:26:03Z | - |
dc.date.issued | 2022 | - |
dc.identifier.uri | http://hdl.handle.net/20.500.14076/23823 | - |
dc.description.abstract | La presente tesis trata del análisis, formulación, diseño e implementación de tres modelos sofisticados de Redes Neuronales Convolucionales que permiten realizar la detección de infarto de miocardio a partir de electrocardiogramas (ECG) de 12 derivaciones y 01 derivación. El diagnóstico de Infarto de Miocardio, mediante señales electrocardiográficas, es un desafío importante en la práctica clínica. Los métodos tradicionales de interpretación tienen baja confiabilidad de detección pese a su importancia en el tratamiento oportuno de esta emergencia médica. Para lo cual, utilizando el lenguaje de programación Python con el entorno de trabajo TensorFlow y una base de datos ECG conformada por 21837 registros clínicos de electrocardiogramas de 12 derivaciones de los cuales 5486 son casos de infarto de miocardio. Primero, se preprocesaron los datos ECG a formato imagen para poder alimentar redes neuronales convolucionales (CNN), se usaron técnicas de Transfer Learning para una mayor robustez, luego del entrenamiento se evaluó el rendimiento de cada modelo en el reconocimiento de Infarto de Miocardio y ECG normal mediante matriz de confusión. Finalmente, se obtuvieron métricas de exactitud superiores al 92% en todos los modelos de Deep Learning propuestos, asimismo se seleccionó el modelo que presente la mejor sintonía entre rendimiento computacional y exactitud, del cual destacó el modelo EfficientNetB0 con un 94.62% de exactitud en datos ECG de prueba, gracias al estudio sistemático de la escala del modelo que equilibra cuidadosamente la profundidad, el ancho y la resolución de la red. | es |
dc.description.abstract | This thesis deals with the analysis, formulation, design and implementation of three sophisticated models of Convolutional Neural Networks that allow the detection of myocardial infarction from 12-lead and 1-lead electrocardiogram (ECG) images. The diagnosis of myocardial infarction, through electrocardiographic signals, is an important challenge in clinical practice. Traditional interpretation methods have low detection reliability despite their importance in the timely treatment of this medical emergency. For which, using the Python programming language with the TensorFlow work environment and an ECG database made up of 21,837 clinical records of 12-lead electrocardiograms, of which 5,486 are cases of myocardial infarction. First, the ECG data was preprocessed to image format to be able to feed convolutional neural networks (CNN), Transfer Learning techniques were used for greater robustness, after training the performance of each model in the recognition of Myocardial Infarction and ECG was evaluated. normal by confusion matrix. Finally, exactitud metrics higher than 92% were obtained in all the proposed Deep Learning models, also the model that presented the best harmony between computational performance and exactitud was selected, of which the EfficientNetB0 model stood out with 94.62% exactitud in datos Test ECG, thanks to the systematic study of the scale of the model that carefully balances the depth, width and resolution of the network. | en |
dc.description.uri | Tesis | es |
dc.format | application/pdf | es |
dc.language.iso | spa | es |
dc.publisher | Universidad Nacional de Ingeniería | es |
dc.rights | info:eu-repo/semantics/restrictedAccess | es |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | es |
dc.source | Universidad Nacional de Ingeniería | es |
dc.source | Repositorio Institucional - UNI | es |
dc.subject | Deep Learning | es |
dc.subject | Infarto de miocardio | es |
dc.subject | Electrocardiograma | es |
dc.subject | Convolución separable en profundidad | es |
dc.subject | Transfer Learning | es |
dc.title | Diseño e implementación de algoritmos de Deep Learning para la detección de infarto de miocardio | es |
dc.type | info:eu-repo/semantics/bachelorThesis | es |
thesis.degree.name | Ingeniero Electrónico | es |
thesis.degree.grantor | Universidad Nacional de Ingeniería. Facultad de Ingeniería Eléctrica y Electrónica | es |
thesis.degree.level | Título Profesional | es |
thesis.degree.discipline | Ingeniería Electrónica | es |
thesis.degree.program | Ingeniería | es |
renati.advisor.orcid | https://orcid.org/0000-0001-9747-3928 | es |
renati.author.dni | 71998074 | - |
renati.advisor.dni | 10141587 | - |
renati.type | http://purl.org/pe-repo/renati/type#tesis | es |
renati.level | http://purl.org/pe-repo/renati/nivel#tituloProfesional | es |
renati.discipline | 712026 | - |
renati.juror | Ñaupari Huatuco, Dionicio Zócimo | - |
renati.juror | Díaz Aliaga, Julio Teodosio | - |
dc.publisher.country | PE | es |
dc.subject.ocde | http://purl.org/pe-repo/ocde/ford#2.02.01 | es |
Aparece en las colecciones: | Ingeniería Electrónica |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
delacruz_sc.pdf | 7,29 MB | Adobe PDF | Visualizar/Abrir | |
informe_de_similitud.pdf | 95,59 kB | Adobe PDF | Visualizar/Abrir | |
delacruz_sc(acta).pdf | 120,6 kB | Adobe PDF | Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons
Indexado por:
![Indexado por](/image/indexado.png)