Augmentation and clustering of P-Wave for Bayès Syndrome detection

Autores
Franco, Lorena; Escobar Robledo, Luis; Bayés de Luna, Antoni; Massa, José
Año de publicación
2022
Idioma
inglés
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
El Síndrome de Bayès presenta alteraciones anatómicas y eléctricas que se manifiestan en la señal de ECG y tiene notables asociaciones con múltiples afecciones médicas. El diagnóstico del bloqueo interauricular avanzado se asocia con arritmias supraventriculares, ictus, mortalidad y demencia. Por lo tanto resulta de interés su reconocimiento en una etapa temprana. En el ámbito de esta investigación se presenta una técnica de aumentado de datos y se comparan dos métodos de agrupamiento del conjunto de técnicas conocidas como Aprendizaje Automático. Inicialmente se contaba con 49 muestras de señales y aplicando las técnicas de aumentado de datos se lograron obtener 1864 señales. Sobre estos datos se aplicaron dos técnicas de clustering: K-Means++ y Fast Autonomous Unsupervised Multidimensional. En los resultados obtenidos, se destaca la implementación de K-Means++. Los resultados alcanzados representan una motivación para continuar atacando este problema con la aplicación de métodos supervisados que requieran gran cantidad de muestras, como por ejemplo las de aprendizaje profundo.
Fil: Franco, Lorena. Universidad Tecnológica Nacional. Facultad Regional Delta. Ingeniería en Sistemas de Información; Argentina.
Fil: Escobar Robledo, Luis. Universidad CES. Facultad de Medicina; Colombia.
Fil: Bayés de Luna, Antoni. Fundació d'Investigació Cardiovascular, España.
Fil: Massa, José. Universidad Nacional del Centro de Buenos Aires. Facultad Ciencias Exactas.INTIA, Argentina.
Materia
UTN
FRD
Síndrome de Bayés
ECG
Aumentado de datos
K-Means++
FAUM
Agrupamiento
Nivel de accesibilidad
acceso abierto
Condiciones de uso
Attribution-NonCommercial-NoDerivs 2.5 Argentina
Repositorio
Repositorio Institucional Abierto (UTN)
Institución
Universidad Tecnológica Nacional
OAI Identificador
oai:ria.utn.edu.ar:20.500.12272/15453
Acceder
id RIAUTN_27fd3b83df1024a9ce4d083cb0813a7e
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/15453
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling Augmentation and clustering of P-Wave for Bayès Syndrome detectionFranco, LorenaEscobar Robledo, LuisBayés de Luna, AntoniMassa, JoséUTNFRDSíndrome de BayésECGAumentado de datosK-Means++FAUMAgrupamientoEl Síndrome de Bayès presenta alteraciones anatómicas y eléctricas que se manifiestan en la señal de ECG y tiene notables asociaciones con múltiples afecciones médicas. El diagnóstico del bloqueo interauricular avanzado se asocia con arritmias supraventriculares, ictus, mortalidad y demencia. Por lo tanto resulta de interés su reconocimiento en una etapa temprana. En el ámbito de esta investigación se presenta una técnica de aumentado de datos y se comparan dos métodos de agrupamiento del conjunto de técnicas conocidas como Aprendizaje Automático. Inicialmente se contaba con 49 muestras de señales y aplicando las técnicas de aumentado de datos se lograron obtener 1864 señales. Sobre estos datos se aplicaron dos técnicas de clustering: K-Means++ y Fast Autonomous Unsupervised Multidimensional. En los resultados obtenidos, se destaca la implementación de K-Means++. Los resultados alcanzados representan una motivación para continuar atacando este problema con la aplicación de métodos supervisados que requieran gran cantidad de muestras, como por ejemplo las de aprendizaje profundo.Fil: Franco, Lorena. Universidad Tecnológica Nacional. Facultad Regional Delta. Ingeniería en Sistemas de Información; Argentina.Fil: Escobar Robledo, Luis. Universidad CES. Facultad de Medicina; Colombia.Fil: Bayés de Luna, Antoni. Fundació d'Investigació Cardiovascular, España.Fil: Massa, José. Universidad Nacional del Centro de Buenos Aires. Facultad Ciencias Exactas.INTIA, Argentina.2026-08-31T21:48:47Z2022info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciapdfapplication/vnd.openxmlformats-officedocument.wordprocessingml.documenthttps://hdl.handle.net/20.500.12272/15453enghttps://rtyc.utn.edu.ar/index.php/ajea/issue/view/55info:eu-repo/semantics/openAccessAttribution-NonCommercial-NoDerivs 2.5 Argentinahttp://creativecommons.org/licenses/by-nc-nd/2.5/ar/Franco, LorenaAtribución – No Comercial – Sin Obra Derivada (by-nc-nd)reponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacional2026-09-24T12:48:13Zoai:ria.utn.edu.ar:20.500.12272/15453instacron:UTNInstitucionalhttp://ria.utn.edu.ar/Universidad públicaNo correspondehttp://ria.utn.edu.ar/oaigestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2026-09-24 12:48:14.404Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv Augmentation and clustering of P-Wave for Bayès Syndrome detection
title Augmentation and clustering of P-Wave for Bayès Syndrome detection
spellingShingle Augmentation and clustering of P-Wave for Bayès Syndrome detection
Franco, Lorena
UTN
FRD
Síndrome de Bayés
ECG
Aumentado de datos
K-Means++
FAUM
Agrupamiento
title_short Augmentation and clustering of P-Wave for Bayès Syndrome detection
title_full Augmentation and clustering of P-Wave for Bayès Syndrome detection
title_fullStr Augmentation and clustering of P-Wave for Bayès Syndrome detection
title_full_unstemmed Augmentation and clustering of P-Wave for Bayès Syndrome detection
title_sort Augmentation and clustering of P-Wave for Bayès Syndrome detection
dc.creator.none.fl_str_mv Franco, Lorena
Escobar Robledo, Luis
Bayés de Luna, Antoni
Massa, José
author Franco, Lorena
author_facet Franco, Lorena
Escobar Robledo, Luis
Bayés de Luna, Antoni
Massa, José
author_role author
author2 Escobar Robledo, Luis
Bayés de Luna, Antoni
Massa, José
author2_role author
author
author
dc.subject.none.fl_str_mv UTN
FRD
Síndrome de Bayés
ECG
Aumentado de datos
K-Means++
FAUM
Agrupamiento
topic UTN
FRD
Síndrome de Bayés
ECG
Aumentado de datos
K-Means++
FAUM
Agrupamiento
dc.description.none.fl_txt_mv El Síndrome de Bayès presenta alteraciones anatómicas y eléctricas que se manifiestan en la señal de ECG y tiene notables asociaciones con múltiples afecciones médicas. El diagnóstico del bloqueo interauricular avanzado se asocia con arritmias supraventriculares, ictus, mortalidad y demencia. Por lo tanto resulta de interés su reconocimiento en una etapa temprana. En el ámbito de esta investigación se presenta una técnica de aumentado de datos y se comparan dos métodos de agrupamiento del conjunto de técnicas conocidas como Aprendizaje Automático. Inicialmente se contaba con 49 muestras de señales y aplicando las técnicas de aumentado de datos se lograron obtener 1864 señales. Sobre estos datos se aplicaron dos técnicas de clustering: K-Means++ y Fast Autonomous Unsupervised Multidimensional. En los resultados obtenidos, se destaca la implementación de K-Means++. Los resultados alcanzados representan una motivación para continuar atacando este problema con la aplicación de métodos supervisados que requieran gran cantidad de muestras, como por ejemplo las de aprendizaje profundo.
Fil: Franco, Lorena. Universidad Tecnológica Nacional. Facultad Regional Delta. Ingeniería en Sistemas de Información; Argentina.
Fil: Escobar Robledo, Luis. Universidad CES. Facultad de Medicina; Colombia.
Fil: Bayés de Luna, Antoni. Fundació d'Investigació Cardiovascular, España.
Fil: Massa, José. Universidad Nacional del Centro de Buenos Aires. Facultad Ciencias Exactas.INTIA, Argentina.
description El Síndrome de Bayès presenta alteraciones anatómicas y eléctricas que se manifiestan en la señal de ECG y tiene notables asociaciones con múltiples afecciones médicas. El diagnóstico del bloqueo interauricular avanzado se asocia con arritmias supraventriculares, ictus, mortalidad y demencia. Por lo tanto resulta de interés su reconocimiento en una etapa temprana. En el ámbito de esta investigación se presenta una técnica de aumentado de datos y se comparan dos métodos de agrupamiento del conjunto de técnicas conocidas como Aprendizaje Automático. Inicialmente se contaba con 49 muestras de señales y aplicando las técnicas de aumentado de datos se lograron obtener 1864 señales. Sobre estos datos se aplicaron dos técnicas de clustering: K-Means++ y Fast Autonomous Unsupervised Multidimensional. En los resultados obtenidos, se destaca la implementación de K-Means++. Los resultados alcanzados representan una motivación para continuar atacando este problema con la aplicación de métodos supervisados que requieran gran cantidad de muestras, como por ejemplo las de aprendizaje profundo.
publishDate 2022
dc.date.none.fl_str_mv 2022
2026-08-31T21:48:47Z
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.12272/15453
url https://hdl.handle.net/20.500.12272/15453
dc.language.none.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv https://rtyc.utn.edu.ar/index.php/ajea/issue/view/55
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
Attribution-NonCommercial-NoDerivs 2.5 Argentina
http://creativecommons.org/licenses/by-nc-nd/2.5/ar/
Franco, Lorena
Atribución – No Comercial – Sin Obra Derivada (by-nc-nd)
eu_rights_str_mv openAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivs 2.5 Argentina
http://creativecommons.org/licenses/by-nc-nd/2.5/ar/
Franco, Lorena
Atribución – No Comercial – Sin Obra Derivada (by-nc-nd)
dc.format.none.fl_str_mv pdf
application/vnd.openxmlformats-officedocument.wordprocessingml.document
dc.source.none.fl_str_mv reponame:Repositorio Institucional Abierto (UTN)
instname:Universidad Tecnológica Nacional
reponame_str Repositorio Institucional Abierto (UTN)
collection Repositorio Institucional Abierto (UTN)
instname_str Universidad Tecnológica Nacional
repository.name.fl_str_mv Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacional
repository.mail.fl_str_mv gestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.ar
_version_ 1877230954935746560
score 13.265058

Publicaciones similares