Show simple item record

dc.contributor.advisorAlonso González, Erik ORCID
dc.contributor.advisorAramendi Ecenarro, Elisabete
dc.contributor.authorAltamira Areizaga, Borja
dc.contributor.otherE.T.S. INGENIERIA -BILBAO
dc.contributor.otherBILBOKO INGENIARITZA G.E.T.
dc.date.accessioned2019-03-29T17:01:10Z
dc.date.available2019-03-29T17:01:10Z
dc.date.issued2019-03-29
dc.identifier.urihttp://hdl.handle.net/10810/32250
dc.description.abstractLaburpena Fibrilazio bentrikularraren (FB) detekzio goiztiarrak eta desfibrilazio azkarrak eragin handia dute kanpoko desfibriladore automatikoekin (KDA) tratatutako ospitalez kanpoko bihotz-biriketako geldiketa (OKBBG) jasaten duten pazienteen biziraupenaren hobekuntzan. KDAek EKGa erregistratu eta automatikoki aztertu egiten dute, eta FBa detektatzen dutenean desfibrilazioa gomendatzen eta aplikatzen dute.Lan honek, OKBBGa jasaten duten pazienteetatik ateratako EKGak erabiliz, FBa detektatzeko metodo bat proposatzen du machine learning teknika berriztatzaileetan oinarritutakoa. Laneko datu-basea OKBBGa jasan zuten 169 pazienteetatik ateratako EKGez osoturik dago. Konkretuki, 10 s-ko 596 EKG segmentuz eraturik dago, horietatik 144 erritmo desfibrilagarriak eta 452 erritmo ez-desfibrilagarriak ziren. Datu-basea pazienteen arabera banatu zen bi azpimultzotan, entrenamendu azpimultzoa (%60a) eta ebaluaketa azpimultzoa (%40a). EKG segmentu bakoitza banda pasoko iragazki (1-30 Hz) batetik pasatu zen, uhin-formaren ezaugarriak kalkulatu ziren eta behaketa bezala pasatu zitzaizkion Markoven eredu ezkutu bati, zeinak behaketa bakoitza egoera ezkutu bietako bati, desfibrilagarria ala ez-desfibrilagarria, esleitzen zion. Behaketa posibleen kopurua k-means taldekatzea erabiliz murriztu zen. Metodoaren optimizazioak ezaugarrien aukeraketan eta cluster edo taldeen optimizazioa zuen oinarritzat. Hau, entrenamenduko azpimultzoaren gainean, 10 iteraziodun baliozkotze gurutzatua erabiltzen duen aurreranzko inguratzailaren hurbilketaren bidez gauzatu zen. Metodoaren errendimendua sentsibilitate (Se) eta espezifizitate (Sp) terminoen arabera kalkulatu zen, ebaluaketa azpimultzoa erabiliz. Entrenamendu/ebaluaketa prozedura hau 500 aldiz errepikatu zen errendimendu metriken banaketak estimatzeko asmoz. Metodoarekin lortutako emaitzak Se eta Sp parametroen arabera, batezbestekoa (desbideraketa estandarra) %94.4 (3.8) eta %97.8 (1.2) izan ziren, hurrenez hurren. Metodoak Amerikako Bihotz Elkartearen baldintza minimoak betetzen dituenez eta konputazionalki eraginkorra denez (batezbestez soilik 185 ms behar ditu FBa detektatzeko), KDAetan inplementagarria izan daiteke.
dc.description.abstractResumen La detección temprana y la rápida desfibrilación de la fibrilación ventricular (FV) se han asociado con una mejor supervivencia de los pacientes con paro cardíaco extrahospitalario (PCEH) tratados con desfibriladores externos automáticos (DEA).Los DEAs registran y analizan automáticamente el ECG, y cuando detectan la FV recomiendan y aplican la desfibrilación.Este estudio propone un métodopara la detección de FV usando ECGs obtenidos de pacientes con PCEH, basado en técnicas innovadoras machine learning. La base de datos de trabajo está compuesta por ECGs obtenidos de 169 pacientes que padecieron el PCEH. Concretamente, se compone de segmentos ECG de 10s, de los cuales 144 son ritmos desfibrilables y 452 ritmos no desfibrilables. La base de datos se dividióen cuanto al paciente en subgruposde entrenamiento (60%) y de prueba (40%). Cada segmento de ECG se filtró con paso de banda (1-30 Hz), las características de la forma de onda se calcularon y se le pasaroncomo observaciones a un modelo oculto de Markovque asignó cada observación a uno de los dos estados ocultos, desfibrilable o no desfibrilable. El número de observaciones posibles se redujo utilizando la agrupación k-means. La optimización del método consistió en la selección de características y la optimización del númerode agrupaciones a través de una aproximaciónenvolvente deadelante utilizando una validación cruzada de 10 iteracionesen el conjunto de entrenamiento.El rendimiento del método se calculóen términos de sensibilidad (Se) y especificidad (Sp) utilizando el conjunto de prueba. Este procedimiento de entrenamiento/prueba se repitió 500 veces para estimar las distribuciones de las métricas de rendimiento. Elmétodo mostró una media (desviación estandar) Se y Spde 94.4% (3.8) y 97.8% (1.2), respectivamente. Puesto que elmétodo cumple con los requisitos de laAsociación Americana del Corazón y es computacionalmente efectivo (solamente necesita 185 ms de media para detectar la FV), puede ser implementable en los DEAs.
dc.description.abstractAbstract Early detection and rapid defibrillation of ventricular fibrillation (VF) has been associated with improved survival of out-of-hospital cardiac arrest (OHCA)patients treated with automated external defibrillators (AEDs).AEDs acquire and analyse the electrocardiogram (ECG), and deliver a defibrillation when VF is detected.This study proposes a method based on innovative machine learning techniques for VF detection using ECGs obtained from OHCA patients. The dataset of the study contained 596 10-s ECG segments, 144 shockable and 452 non-shockable, from 169 OHCA patients. The dataset was split patient-wise into training (60%) and test (40%) sets. Each ECG segment was band-pass filtered (1-30 Hz), waveform features were computed and fed as observations to a hidden Markov modelthat assigned each observation to one of the two hidden states, shockable or non-shockable. The number of possible observations was reduced using k-means clustering. The optimization of the method consisted of feature selection and optimization of the number of clusters through a forward greedy wrapping approach using patient-wise 10-fold cross validation in the training set. The performance of the method was computed in terms of sensitivity (Se) and specificity (Sp) using the test set. The whole training/testwas repeated 500 times to estimate the distributions of the performance metrics. The method showed a mean (standard deviation) Se and Spof 94.4% (3.8) and 97.8% (1.2), respectively. Since the method is compliant with the American Heart Associationrequirements and computationally effective (it only takes 185 ms on average to detect VF), it might be implemented in AEDs
dc.language.isoeuses_ES
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/es/
dc.subjectfibrilazio bentrikularra
dc.subjectkanpoko desfibriladore automatiko (KDA)
dc.subjectospitalez kanpoko bihotz-biriketako geldiketa (OKBBG)
dc.subjectMarkoven eredu ezkutua
dc.titleFibrilazio bentrikularraren detekzioa Markoven eredu ezkutuak erabilizes_ES
dc.typeinfo:eu-repo/semantics/bachelorThesis
dc.date.updated2019-02-11T13:36:46Z
dc.language.rfc3066es
dc.rights.holderAtribución-NoComercial-SinDerivadas (cc by-nc-nd)
dc.contributor.degreeGrado en Ingeniería Técnica de Telecomunicaciónes_ES
dc.contributor.degreeTelekomunikazioaren Ingeniaritza Teknikoko Gradua
dc.identifier.gaurassign71845-734266


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

Atribución-NoComercial-SinDerivadas (cc by-nc-nd)
Except where otherwise noted, this item's license is described as Atribución-NoComercial-SinDerivadas (cc by-nc-nd)