P-Wave clustering methods for Bayès Syndrome detection

Autores
Franco, Lorena; Escobar Robledo, Luis; Bayés de Luna, Antoni; Massa, José
Año de publicación
2018
Idioma
inglés
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
El Síndrome de Bayés presenta notables asociaciones con múltiples afecciones médicas y por lo tanto resulta de interés su reconocimiento en una etapa temprana. En este artículo se comparan dos métodos de agrupamiento, K Means++ y FAUM. Previo a la aplicación de los métodos se debió realizar un proceso de digitalización para el conjunto de imágenes de ECG disponibles. En el caso de K Means++ se utilizaron dos implementaciones. El método se aplicó mediante la herramienta Matlab y también mediante FAUM. Por último, se experimentó con un método basado en una novedosa técnica de FAUM que aplica cantidad fija de clases. El análisis de los agrupamientos obtenidos con los métodos mencionados, nos permiten destacar la implementación de K-Means++ que obtuvo un F1-Score cercano al 90%. Los resultados alcanzados son alentadores para continuar con la aplicación de estos métodos en la detección del Síndrome de Bayés.
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
Procesamiento
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:20.500.12272/15452
Acceder
id RIAUTN_3ceb8662c87d2e5d16f794c47b0c54b7
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/15452
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling P-Wave clustering methods for Bayès Syndrome detectionFranco, LorenaEscobar Robledo, LuisBayés de Luna, AntoniMassa, JoséUTNFRDSíndrome de BayésECGProcesamientoK Means++FAUMAgrupamientoEl Síndrome de Bayés presenta notables asociaciones con múltiples afecciones médicas y por lo tanto resulta de interés su reconocimiento en una etapa temprana. En este artículo se comparan dos métodos de agrupamiento, K Means++ y FAUM. Previo a la aplicación de los métodos se debió realizar un proceso de digitalización para el conjunto de imágenes de ECG disponibles. En el caso de K Means++ se utilizaron dos implementaciones. El método se aplicó mediante la herramienta Matlab y también mediante FAUM. Por último, se experimentó con un método basado en una novedosa técnica de FAUM que aplica cantidad fija de clases. El análisis de los agrupamientos obtenidos con los métodos mencionados, nos permiten destacar la implementación de K-Means++ que obtuvo un F1-Score cercano al 90%. Los resultados alcanzados son alentadores para continuar con la aplicación de estos métodos en la detección del Síndrome de Bayés.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.2026-08-31T21:39:08Z2018info: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/20.500.12272/15452enginfo: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 Nacional2026-09-24T12:45:07Zoai:ria.utn.edu.ar:20.500.12272/15452instacron: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 12:45:08.855Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv P-Wave clustering methods for Bayès Syndrome detection
title P-Wave clustering methods for Bayès Syndrome detection
spellingShingle P-Wave clustering methods for Bayès Syndrome detection
Franco, Lorena
UTN
FRD
Síndrome de Bayés
ECG
Procesamiento
K Means++
FAUM
Agrupamiento
title_short P-Wave clustering methods for Bayès Syndrome detection
title_full P-Wave clustering methods for Bayès Syndrome detection
title_fullStr P-Wave clustering methods for Bayès Syndrome detection
title_full_unstemmed P-Wave clustering methods for Bayès Syndrome detection
title_sort P-Wave clustering methods 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
Procesamiento
K Means++
FAUM
Agrupamiento
topic UTN
FRD
Síndrome de Bayés
ECG
Procesamiento
K Means++
FAUM
Agrupamiento
dc.description.none.fl_txt_mv El Síndrome de Bayés presenta notables asociaciones con múltiples afecciones médicas y por lo tanto resulta de interés su reconocimiento en una etapa temprana. En este artículo se comparan dos métodos de agrupamiento, K Means++ y FAUM. Previo a la aplicación de los métodos se debió realizar un proceso de digitalización para el conjunto de imágenes de ECG disponibles. En el caso de K Means++ se utilizaron dos implementaciones. El método se aplicó mediante la herramienta Matlab y también mediante FAUM. Por último, se experimentó con un método basado en una novedosa técnica de FAUM que aplica cantidad fija de clases. El análisis de los agrupamientos obtenidos con los métodos mencionados, nos permiten destacar la implementación de K-Means++ que obtuvo un F1-Score cercano al 90%. Los resultados alcanzados son alentadores para continuar con la aplicación de estos métodos en la detección del Síndrome de Bayés.
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 Bayés presenta notables asociaciones con múltiples afecciones médicas y por lo tanto resulta de interés su reconocimiento en una etapa temprana. En este artículo se comparan dos métodos de agrupamiento, K Means++ y FAUM. Previo a la aplicación de los métodos se debió realizar un proceso de digitalización para el conjunto de imágenes de ECG disponibles. En el caso de K Means++ se utilizaron dos implementaciones. El método se aplicó mediante la herramienta Matlab y también mediante FAUM. Por último, se experimentó con un método basado en una novedosa técnica de FAUM que aplica cantidad fija de clases. El análisis de los agrupamientos obtenidos con los métodos mencionados, nos permiten destacar la implementación de K-Means++ que obtuvo un F1-Score cercano al 90%. Los resultados alcanzados son alentadores para continuar con la aplicación de estos métodos en la detección del Síndrome de Bayés.
publishDate 2018
dc.date.none.fl_str_mv 2018
2026-08-31T21:39:08Z
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/20.500.12272/15452
url https://hdl.handle.net/20.500.12272/15452
dc.language.none.fl_str_mv eng
language eng
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_ 1877230894464368640
score 13.265058

Publicaciones similares