P-Wave data augmentation for Bayès Syndrome Detection

Autores
Franco, Lorena; Escobar Robledo, Luis; Bayés de Luna, Antoni; Massa, José
Año de publicación
2021
Idioma
inglés
Tipo de recurso
documento de conferencia
Estado
versión aceptada
Descripción
Resulta interesante detectar en una etapa temprana el Síndrome de Bayés debido a sus asociaciones con múltiples afecciones médicas. En el ámbito de esta investigación se presenta una estrategia de aumentado de datos de muestras de ECGs brindadas por el equipo del Dr. Antonio Bayes. Sobre estos datos se aplicaron dos técnicas de clustering: K-Means++ (dos implementaciones diferentes) y FAUM. El método se aplicó mediante la herramienta Matlab y también mediante la provista por FAUM. Además, se utilizó FAUM estableciendo una cantidad fija de clusters. Tanto K-Means++ como FAUM se aplica-ron sobre las muestras de cada señal. Inicialmente se contaba con 49 muestras de señales y aplicando las técnicas de aumentado de datos se lograron obtener 2113 señales. Se destaca de los métodos mencionados, la implementación de K-Means++ en el análisis de los agrupamientos. Se logró un F1-Score de 94% en una de sus implementaciones. Los resultados alcanzados son alentadores, ya que el incremento en el conjunto de datos logrado debido al aumentado, hace posible continuar atacando este problema con la aplicación de métodos supervi-sados que requieran gran cantidad de muestras, como por ejemplo las de aprendizaje profundo.
Fil: Franco, Lorena. Universidad Tecnológica Nacional. Facultad Regional Delta; Argentina.
Fil: Escobar Robledo, Luis. Universidad CES. Facultad de Medicina; Colombia.
Fil: Bayés de Luna, Antoni. Fundació d'Investigació Cardiovascular; España.
Fil: Massa, José. INTIA. Universidad Nacional del Centro de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Materia
Síndrome de Bayés
ECG
Aumentado de datos
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:20.500.12272/13261
Acceder
id RIAUTN_b72b7e6bceb7c6b8f5b858d785722469
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/13261
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling P-Wave data augmentation for Bayès Syndrome DetectionFranco, LorenaEscobar Robledo, LuisBayés de Luna, AntoniMassa, JoséSíndrome de BayésECGAumentado de datosAgrupamientoResulta interesante detectar en una etapa temprana el Síndrome de Bayés debido a sus asociaciones con múltiples afecciones médicas. En el ámbito de esta investigación se presenta una estrategia de aumentado de datos de muestras de ECGs brindadas por el equipo del Dr. Antonio Bayes. Sobre estos datos se aplicaron dos técnicas de clustering: K-Means++ (dos implementaciones diferentes) y FAUM. El método se aplicó mediante la herramienta Matlab y también mediante la provista por FAUM. Además, se utilizó FAUM estableciendo una cantidad fija de clusters. Tanto K-Means++ como FAUM se aplica-ron sobre las muestras de cada señal. Inicialmente se contaba con 49 muestras de señales y aplicando las técnicas de aumentado de datos se lograron obtener 2113 señales. Se destaca de los métodos mencionados, la implementación de K-Means++ en el análisis de los agrupamientos. Se logró un F1-Score de 94% en una de sus implementaciones. Los resultados alcanzados son alentadores, ya que el incremento en el conjunto de datos logrado debido al aumentado, hace posible continuar atacando este problema con la aplicación de métodos supervi-sados que requieran gran cantidad de muestras, como por ejemplo las de aprendizaje profundo.Fil: Franco, Lorena. Universidad Tecnológica Nacional. Facultad Regional Delta; Argentina.Fil: Escobar Robledo, Luis. Universidad CES. Facultad de Medicina; Colombia.Fil: Bayés de Luna, Antoni. Fundació d'Investigació Cardiovascular; España.Fil: Massa, José. INTIA. Universidad Nacional del Centro de Buenos Aires. Facultad de Ciencias Exactas; Argentina.2025-06-17T18:50:44Z2021info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciapdfapplication/pdf2451-7607https://hdl.handle.net/20.500.12272/13261enginfo:eu-repo/semantics/openAccessAttribution-NonCommercial-NoDerivs 2.5 Argentinahttp://creativecommons.org/licenses/by-nc-nd/2.5/ar/Atribución – No Comercial – Sin Obra Derivada (by-nc-nd)reponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacional2026-09-24T12:48:26Zoai:ria.utn.edu.ar:20.500.12272/13261instacron: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 12:48:28.993Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv P-Wave data augmentation for Bayès Syndrome Detection
title P-Wave data augmentation for Bayès Syndrome Detection
spellingShingle P-Wave data augmentation for Bayès Syndrome Detection
Franco, Lorena
Síndrome de Bayés
ECG
Aumentado de datos
Agrupamiento
title_short P-Wave data augmentation for Bayès Syndrome Detection
title_full P-Wave data augmentation for Bayès Syndrome Detection
title_fullStr P-Wave data augmentation for Bayès Syndrome Detection
title_full_unstemmed P-Wave data augmentation for Bayès Syndrome Detection
title_sort P-Wave data augmentation 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 Síndrome de Bayés
ECG
Aumentado de datos
Agrupamiento
topic Síndrome de Bayés
ECG
Aumentado de datos
Agrupamiento
dc.description.none.fl_txt_mv Resulta interesante detectar en una etapa temprana el Síndrome de Bayés debido a sus asociaciones con múltiples afecciones médicas. En el ámbito de esta investigación se presenta una estrategia de aumentado de datos de muestras de ECGs brindadas por el equipo del Dr. Antonio Bayes. Sobre estos datos se aplicaron dos técnicas de clustering: K-Means++ (dos implementaciones diferentes) y FAUM. El método se aplicó mediante la herramienta Matlab y también mediante la provista por FAUM. Además, se utilizó FAUM estableciendo una cantidad fija de clusters. Tanto K-Means++ como FAUM se aplica-ron sobre las muestras de cada señal. Inicialmente se contaba con 49 muestras de señales y aplicando las técnicas de aumentado de datos se lograron obtener 2113 señales. Se destaca de los métodos mencionados, la implementación de K-Means++ en el análisis de los agrupamientos. Se logró un F1-Score de 94% en una de sus implementaciones. Los resultados alcanzados son alentadores, ya que el incremento en el conjunto de datos logrado debido al aumentado, hace posible continuar atacando este problema con la aplicación de métodos supervi-sados que requieran gran cantidad de muestras, como por ejemplo las de aprendizaje profundo.
Fil: Franco, Lorena. Universidad Tecnológica Nacional. Facultad Regional Delta; Argentina.
Fil: Escobar Robledo, Luis. Universidad CES. Facultad de Medicina; Colombia.
Fil: Bayés de Luna, Antoni. Fundació d'Investigació Cardiovascular; España.
Fil: Massa, José. INTIA. Universidad Nacional del Centro de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
description Resulta interesante detectar en una etapa temprana el Síndrome de Bayés debido a sus asociaciones con múltiples afecciones médicas. En el ámbito de esta investigación se presenta una estrategia de aumentado de datos de muestras de ECGs brindadas por el equipo del Dr. Antonio Bayes. Sobre estos datos se aplicaron dos técnicas de clustering: K-Means++ (dos implementaciones diferentes) y FAUM. El método se aplicó mediante la herramienta Matlab y también mediante la provista por FAUM. Además, se utilizó FAUM estableciendo una cantidad fija de clusters. Tanto K-Means++ como FAUM se aplica-ron sobre las muestras de cada señal. Inicialmente se contaba con 49 muestras de señales y aplicando las técnicas de aumentado de datos se lograron obtener 2113 señales. Se destaca de los métodos mencionados, la implementación de K-Means++ en el análisis de los agrupamientos. Se logró un F1-Score de 94% en una de sus implementaciones. Los resultados alcanzados son alentadores, ya que el incremento en el conjunto de datos logrado debido al aumentado, hace posible continuar atacando este problema con la aplicación de métodos supervi-sados que requieran gran cantidad de muestras, como por ejemplo las de aprendizaje profundo.
publishDate 2021
dc.date.none.fl_str_mv 2021
2025-06-17T18:50:44Z
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str acceptedVersion
dc.identifier.none.fl_str_mv 2451-7607
https://hdl.handle.net/20.500.12272/13261
identifier_str_mv 2451-7607
url https://hdl.handle.net/20.500.12272/13261
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/
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/
Atribución – No Comercial – Sin Obra Derivada (by-nc-nd)
dc.format.none.fl_str_mv pdf
application/pdf
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_ 1877230965773828096
score 13.265058

Publicaciones similares