2025-06-1720212451-7607https://hdl.handle.net/20.500.12272/13261Resulta 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.pdfeninfo:eu-repo/semantics/openAccessAttribution-NonCommercial-NoDerivs 2.5 Argentinahttp://creativecommons.org/licenses/by-nc-nd/2.5/ar/Síndrome de BayésECGAumentado de datosAgrupamientoP-Wave data augmentation for Bayès Syndrome Detectioninfo:eu-repo/semantics/conferenceObjectAtribución – No Comercial – Sin Obra Derivada (by-nc-nd)