Enfoque Basado en Aprendizaje Profundo para Compresión de ECG sin Pérdidas

Área de la Ciencia:

• Ingeniería Biomédica
• Procesamiento de Señales
• Inteligencia Artificial

Sus antecedentes:

• La telemonitorización es crucial para la atención al paciente cardíaco, requiriendo un manejo eficiente de los datos.
• La compresión de datos de electrocardiograma (ECG) reduce las necesidades de ancho de banda y almacenamiento.

Objetivo del estudio:

• Desarrollar un método novedoso de compresión de ECG sin pérdidas utilizando aprendizaje profundo.
• Mejorar la eficiencia de los sistemas de monitorización remota de pacientes cardíacos.

Principales métodos:

• Las señales de ECG se denoizificaron y preprocesaron en celdas de latidos.
• Se empleó un modelo adaptativo Autoregressive Integrated Moving Average (ARIMA) para la compresión.
• Una combinación de autoencoder profundo y regresor MLPNN predijo hiperparámetros óptimos del modelo, ajustados mediante Optimización por Enjambre de Partículas (PSO).

Principales resultados:

• El método logró una Relación de Compresión (CR) media de 41.51 y una diferencia porcentual media de la raíz cuadrática media (PRD%) de 0.209%.
• Se observó alta calidad de compresión con pérdida insignificante en 46 registros de PhysioNet, incluyendo latidos anormales.
• Los latidos reconstruidos no mostraron desviaciones en las características clínicas en comparación con las señales originales.

Conclusiones:

• El modelo propuesto de compresión adaptativa de ECG es adecuado para la telemonitorización en tiempo real.
• Permite el almacenamiento y la transmisión eficientes de datos críticos del paciente.
• Esto facilita la monitorización continua y mejora la prestación de atención médica para pacientes cardíacos.