Clasificación de señales de electrocardiografía (ECG) utilizando redes neuronales pulsantes (SNN)

Abstract

La presente tesis tiene como objetivo investigar y analizar el uso de redes neuronales pulsantes (Spiking Neural Networks) con retardos sinápticos para la clasificación de señales electrocardiográficas, centrándose en la aplicación de diferentes esquemas de codificación de señales. Las señales electrocardiográficas (ECG) son un recurso invaluable en la detección y diagnóstico de enfermedades cardíacas. Sin embargo, el procesamiento y análisis de estas, plantea desafíos debido a, su naturaleza compleja junto con la presencia de ruido e interferencias. La clasificación precisa de las señales ECG es fundamental para identificar patrones y anomalías que puedan indicar condiciones médicas importantes. Las redes neuronales pulsantes, al imitar el comportamiento de las neuronas biológicas, presentan ventajas significativas en el procesamiento de señales secuenciales y en la detección de patrones temporales. La capacidad intrínseca de las SNN para capturar la información temporal y la dinámica de las señales electrocardiográficas permite una mayor precisión en la clasificación y el diagnóstico. El modelo presentado es más eficiente desde el punto de vista energético y de hardware, lo que podría ser útil en aplicaciones donde los recursos son limitados. Además, el uso de diferentes esquemas de codificación de señales en las SNN puede proporcionar flexibilidad y adaptabilidad en la clasificación de ECG. Al explorar y comparar distintas técnicas de codificación, es posible evaluar cuál esquema de codificación es más preciso para la clasificación de señales ECG. Esta investigación aporta desde el punto de vista clínico y técnico. Por un lado, una detección por medio ECG, puede favorecer a una detección temprana de enfermedades cardíacas y permitir el tratamiento adecuado. Por otro, el estudio de las SNN y su aplicación en el análisis de ECG, contribuye al avance en el campo de la inteligencia artificial aplicada a la medicina y promueve el desarrollo de sistemas de diagnóstico más efectivos.