Procesamiento de datos
Extracción de características
El siguiente paso es extraer características relevantes de las señales de EKG. Algunas
características comunes utilizadas en el análisis de EKG incluyen la duración de ondas y
segmentos, amplitudes máximas y mínimas, y relación entre amplitudes de diferentes
componentes. Estas características pueden proporcionar información discriminativa para
distinguir entre señales de LBBB y no LBBB.
Definición del algoritmo a utilizar
Después de la extracción de características de las señales de EKG, es común utilizar
algoritmos de aprendizaje automático supervisado, como SVM o K-NN, para entrenar y
construir un modelo de clasificación.
Una vez que se han extraído las características relevantes de las señales de EKG, se
pueden combinar con las etiquetas de clase correspondientes (por ejemplo, LBBB o no
LBBB) para formar el conjunto de datos de entrenamiento. Este conjunto de datos consta de
las características extraídas y las etiquetas de clase asociadas a cada muestra.
Para obtener una clasificación de la señal se utilizará algoritmos no supervisados de
clasificación, para así clasificar la señal en una señal LBBB o de otra patología.
Algoritmos de entrenamiento
Support Vector Machine
K Nearest Neighbor
Método Descripción y Funcionabilidad Ventajas Desventajas
SVM es un algoritmo de - Es efectivo en espacios
- Si el número de
aprendizaje supervisado que de alta dimensión.- Es
características es mucho
puede usarse tanto para eficaz cuando el número
mayor que el número de
clasificación como para de dimensiones es mayor
muestras, puede dar lugar
regresión. Sin embargo, está que el número de
a un rendimiento pobre.
SVM (Support principalmente diseñado para muestras.
-SVMs no proporciona
Vector problemas de clasificación. El
directamente
Machines) algoritmo crea un hiperplano o - Utiliza un subconjunto
estimaciones de
conjunto de hiperplanos en un de puntos de
probabilidad. Estas se
espacio de alta o infinita entrenamiento (llamados
calculan mediante una
dimensión, que puede usarse vectores de soporte), por
validación cruzada de
para clasificación, regresión u lo que es también
cinco veces.
otras tareas. eficiente en memoria.
KNN es un algoritmo de
aprendizaje supervisado que
puede utilizarse para - Necesita determinar el
problemas de clasificación y - El algoritmo es simple y valor de un parámetro K
regresión. Sin embargo, se fácil de implementar. (número de vecinos más
usa principalmente en <br> - No necesita próximos). <br> - El
KNN
problemas de clasificación. Su construir un modelo, cálculo de la distancia
(K-Nearest
funcionamiento es muy seleccionar atributos o entre los puntos de datos
Neighbors)
sencillo: simplemente ajustar parámetros. <br> - puede ser costoso en
almacena todos los casos Es útil para conjuntos de términos de tiempo. <br> -
disponibles y clasifica los datos grandes. No maneja bien los datos
nuevos casos basándose en de alta dimensión.
una medida de similitud
(distancia).
- A diferencia de un árbol
de decisión, los
Random Forest es un método - Puede manejar miles de resultados de un bosque
de aprendizaje supervisado variables de entrada y aleatorio son difíciles de
que opera construyendo una manejarlas de forma muy interpretar. <br> - Puede
multitud de árboles de eficaz. ser considerado como
Random decisión durante el una caja negra. <br> -
Forest entrenamiento y generando la - Proporciona un Para datos con atributos
clase que es el modo de las indicador de importancia categóricos con
clases (clasificación) o la de variable. <br> - No diferentes números de
predicción media (regresión) requiere preparación de niveles, el bosque
de los árboles individuales. datos de entrada. aleatorio es sesgado a
favor de los atributos con
más niveles.
https://www.sciencedirect.com/science/article/pii/S1568494615006328
https://biomedical-engineering-online.biomedcentral.com/articles/10.1186/s12938-023-01075
-1
https://www.sciencedirect.com/science/article/abs/pii/S0925231220307153
https://towardsdatascience.com/support-vector-machines-svm-c9ef22815589
