P-Wave Data Augmentation for Bayès Syndrome Detection

Resulta interesante detectar en una etapa temprana el Síndrome de Bayés debido a sus asociaciones con múltiples afecciones médicas. En el ámbi-to de esta investigación se presenta una estrategia de aumentado de datos de muestras de ECGs brindadas por el equipo del Dr Antonio Bayes. Sobre estos datos...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Franco, Lorena G., Escobar, Luis A., Bayés de Luna, Antoni, Massa, José M.
Formato: Objeto de conferencia
Lenguaje:Inglés
Publicado: 2021
Materias:
Ciencias Informáticas
Síndrome de Bayés
ECG
Aumentado de datos
Agrupamiento
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/140840
http://50jaiio.sadio.org.ar/pdfs/cais/CAIS-10.pdf
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-140840
record_format dspace
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Inglés
topic Ciencias Informáticas
Síndrome de Bayés
ECG
Aumentado de datos
Agrupamiento
spellingShingle Ciencias Informáticas
Síndrome de Bayés
ECG
Aumentado de datos
Agrupamiento
Franco, Lorena G.
Escobar, Luis A.
Bayés de Luna, Antoni
Massa, José M.
P-Wave Data Augmentation for Bayès Syndrome Detection
topic_facet Ciencias Informáticas
Síndrome de Bayés
ECG
Aumentado de datos
Agrupamiento
description Resulta interesante detectar en una etapa temprana el Síndrome de Bayés debido a sus asociaciones con múltiples afecciones médicas. En el ámbi-to de esta investigación se presenta una estrategia de aumentado de datos de muestras de ECGs brindadas por el equipo del Dr Antonio Bayes. Sobre estos datos se aplicaron dos técnicas de clustering: K-Means++ (dos implementacio-nes diferentes) y FAUM. El método se aplicó mediante la herramienta Matlab y también mediante la provista por FAUM. Además, se utilizó FAUM estableciendo una cantidad fija de clusters. Tanto K-Means++ como FAUM se aplica-ron sobre las muestras de cada señal. Inicialmente se contaba con 49 muestras de señales y aplicando las técnicas de aumentado de datos se lograron obtener 2113 señales. Se destaca de los métodos mencionados, la implementación de K-Means++ en el análisis de los agrupamientos. Se logró un F1-Score de 94% en una de sus implementaciones. Los resultados alcanzados son alentadores, ya que el incremento en el conjunto de datos logrado debido al aumentado, hace posible continuar atacando este problema con la aplicación de métodos supervisados que requieran gran cantidad de muestras, como por ejemplo las de aprendizaje profundo.
format Objeto de conferencia
Objeto de conferencia
author Franco, Lorena G.
Escobar, Luis A.
Bayés de Luna, Antoni
Massa, José M.
author_facet Franco, Lorena G.
Escobar, Luis A.
Bayés de Luna, Antoni
Massa, José M.
author_sort Franco, Lorena G.
title P-Wave Data Augmentation for Bayès Syndrome Detection
title_short P-Wave Data Augmentation for Bayès Syndrome Detection
title_full P-Wave Data Augmentation for Bayès Syndrome Detection
title_fullStr P-Wave Data Augmentation for Bayès Syndrome Detection
title_full_unstemmed P-Wave Data Augmentation for Bayès Syndrome Detection
title_sort p-wave data augmentation for bayès syndrome detection
publishDate 2021
url http://sedici.unlp.edu.ar/handle/10915/140840
http://50jaiio.sadio.org.ar/pdfs/cais/CAIS-10.pdf
work_keys_str_mv AT francolorenag pwavedataaugmentationforbayessyndromedetection
AT escobarluisa pwavedataaugmentationforbayessyndromedetection
AT bayesdelunaantoni pwavedataaugmentationforbayessyndromedetection
AT massajosem pwavedataaugmentationforbayessyndromedetection
bdutipo_str Repositorios
_version_ 1764820459670470660

Ejemplares similares