Browsing by Author "Escobar Robledo, Luis"

Filter results by typing the first few letters
Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Digitalización de imágenes de ECG para la detección del Síndrome de Bayé
    (2018) Franco, Lorena; Escobar Robledo, Luis; Bayés de Luna, Antoni; Massa, José
    Bayes Syndrome is a recently recognized by medical community sickness. This desease has been studied in the last decades by its discoverer, MD. Antonio Bayés de Luna. Since several works shows that this desease is related to multiple symptoms, an early detection is considered relevant. Given that digital support of the EKG signal is mandatory for its analysis by a computer algorithm and considering that even with the technological advances, a big number of health institutions rely on paper or image digitalized support EKGs. Hence, an image digitalization method that preserves the signal features that are relevant to diagnose the Bayes Syndrome is needed. In this paper, some alternatives of digitalization are analyzed for a representative dataset. Results are promising and shows that developed digitalization algorithm could be used for the further project stages that involves signal processing and classification.
  • Thumbnail Image
    Item
    P-Wave data augmentation for Bayès Syndrome Detection
    (2021) Franco, Lorena; Escobar Robledo, Luis; Bayés de Luna, Antoni; Massa, José
    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.