A continuación
vamos a tratar la “Detección de Anomalías Cardíacas con Aprendizaje Automático (Machine Learning)” y en concreto, nos
vamos a centrar en el análisis y detección de las Taquicardias Ventriculares (TV)
y las Taquicardias Supraventriculares (TSV).
La
taquicardia es un fenómeno que consiste en el incremento de la frecuencia cardíaca, teniendo como
consecuencia una contracción demasiado rápida de los ventrículos. Se considera
que existe taquicardia cuando la frecuencia cardíaca es superior a los cien
latidos por minuto en estado de reposo. Las personas que padecen de taquicardia
poseen una vida normal, ya que no es una enfermedad grave, aunque puede acortar
la vida del corazón debido a su mayor trabajo.
Para
comenzar, daremos una breve introducción de los que es el “Machine Learning” ó Aprendizaje Automático:
El Aprendizaje Automático es una rama de la
Inteligencia Artificial cuyo objetivo es desarrollar técnicas que permitan a
las computadoras aprender por sí mismas. De forma más concreta, se trata de
crear programas que extraigan el conocimiento de una información suministrada a
partir de unos ejemplos, con el fin de generalizar comportamientos. También
podemos definir el Aprendizaje Automático como una ciencia que estudia cómo
construir programas que mejoren automáticamente con la experiencia.
Existen
varios tipos de algoritmos de aprendizaje, entre los que destacan
fundamentalmente dos:
- Aprendizaje
Supervisado.
- Aprendizaje
No Supervisado.
Aprendizaje Supervisado: En
este tipo de aprendizaje, el algoritmo se encarga de desarrollar una función que
establece una correspondencia entre las entradas y las salidas proporcionadas
mediante los ejemplos.
Aprendizaje No Supervisado: En este tipo de aprendizaje, todo el proceso de modelado se ajusta a las observaciones, sin que exista ningún tipo de conocimiento a priori.
Existen
otros tipos de aprendizaje, como por ejemplo el Aprendizaje por Refuerzo, en el cual, el algoritmo de aprendizaje
aprende observando el mundo que le rodea, tomando como información de entrada
la retroalimentación recibida del mundo exterior como resultado de sus
acciones.
Las
aplicaciones del “Machine Learning” ó
Aprendizaje Automático, son muy amplias. Algunas de estas aplicaciones, aunque
no nos damos cuenta, las utilizamos a diario, como pueden ser los motores de
búsqueda usados por los buscadores en Internet, la herramienta de clasificación
de spam del correo electrónico, el
reconocimiento de voz, el reconocimiento de caracteres escritos, los diagnósticos
médicos, la robótica, etc.
El tipo de problema que se nos plantea con la “Detección de Anomalías Cardíacas” es un problema de Aprendizaje Supervisado de Clasificación, en el cuál, a partir de unos datos proporcionados mediante unas plantillas en las que se recoge la actividad ventricular, debemos detectar las anomalías que se pueden producir, como por ejemplo, las taquicardias.
Los datos que se nos proporcionan están tomados de un Electrograma Intracavitatorio (EGM) que registra la señal eléctrica intracardiaca en un dispositivo implantable como un marcapasos. Las plantillas en las que se nos proporcionan los datos, recogen unos 180 milisegundos (ms) de actividad ventricular. De los datos recogidos, para cada muestra se han tomado 38 características, de las cuales 19 son con Ritmo Sinusal (RS) que es el ritmo normal del corazón y las otras 19 características son de una situación con Taquicardia.
Detectaremos dos tipos de Taquicardias: Taquicardias Ventriculares (TV) y Taquicardias Supraventriculares (TSV).
En la siguiente imagen podemos ver las diferencias existentes entre las características de un ejemplo cualquiera en Ritmo Sinusal (RS) y ambos tipos de Taquicardias (TV y TSV):
En la siguiente imagen podemos ver las diferencias existentes entre las características de un ejemplo cualquiera en Ritmo Sinusal (RS) y ambos tipos de Taquicardias (TV y TSV):
Los ficheros en los que se nos proporcionan los datos son los siguientes:
- "cwaNN.mat": Conjunto de Casos de Entrenamiento, con 38 casos de RS/TSV y 68 casos de RS/TV.
- "CWANNbenno.mat": Conjunto de Casos de Test, con 299 casos de RS/TSV y 1088 casos de RS/TV.
