Una detección de arritmia cardíaca eficiente en recursos utilizando dinámicas no lineales en redes de estado de...

Área de la Ciencia:

• Ingeniería biomédica
• Neurociencia computacional
• Procesamiento de señales

Sus antecedentes:

• Los métodos tradicionales de detección de arritmias luchan con dinámicas temporales sutiles y requieren recursos computacionales significativos.
• Las técnicas existentes a menudo carecen de aplicabilidad y eficiencia en tiempo real para el diagnóstico precoz.
• Las características artesanales de los enfoques convencionales limitan su generalización y eficacia.

Objetivo del estudio:

• Desarrollar una nueva metodología para mejorar la detección y clasificación de las arritmias cardíacas.
• Mejorar la eficiencia y la aplicabilidad en tiempo real de las herramientas de diagnóstico de arritmias.
• Crear una solución robusta y escalable para el diagnóstico basado en series temporales en entornos con recursos limitados.

Principales métodos:

• Combinando el análisis de espacio de fase reconstruido (RPS) con una red optimizada de estado de retraso (DSN).
• Aprovechando toda la estructura de espacio de fase (PSS) como entrada a la DSN, que utiliza un solo nodo no lineal con retroalimentación retrasada.
• Integrar la optimización de la demora y la incrustación, con PCA y Ridge Embedding para la gestión de la dimensionalidad, y utilizar la memoria compartida y el multiprocesamiento para la escalabilidad.

Principales resultados:

• Logró una precisión del 99,3%, una sensibilidad del 99,1% y una especificidad del 99,7% en conjuntos de datos de referencia.
• Demostrado el despliegue eficiente del borde en un Raspberry Pi 5, con tiempos de inferencia de 1.2-4.8 segundos para segmentos de ECG.
• Mostró un bajo consumo de energía (<2,5 W) y un uso de memoria manejable (2,57 GB para segmentos de 60s).

Conclusiones:

• El RPS propuesto y el marco de DSN optimizado ofrecen una solución robusta, escalable y precisa para la clasificación de la arritmia.
• La metodología reduce significativamente las demandas de hardware en comparación con los modelos convencionales de aprendizaje profundo.
• Este enfoque es adecuado para aplicaciones de diagnóstico en tiempo real con recursos limitados y análisis de series temporales más amplias.