Design of an electrocardiographic lead reconstruction algorithm using machine learning in the context of ambulatory monitoring
Mostrar el registro completo del ítem
Título: Design of an electrocardiographic lead reconstruction algorithm using machine learning in the context of ambulatory monitoring
Autor: Grande Fidalgo, Alejandro
Resumen:
[ES] Esta tesis doctoral presenta un algoritmo para reconstruir el registro electrocardiográfico (ECG) estándar del sistema de 12 derivaciones utilizando un sistema reducido de derivaciones independientes mediante el uso de modelos de aprendizaje automático, centrándose en su integración en un sistema de monitorización ambulatoria. Los métodos tradicionales de reconstrucción de ECG se basan en enfoques basados en combinaciones lineales, con una exploración limitada de los métodos de evaluación y de las posiciones de los electrodos. Esta tesis evalúa la eficacia de nuevas redes neuronales artificiales y algoritmos basados en fuzzy c-means en comparación con los métodos clásicos de regresión lineal, destacando un rendimiento superior y subrayando la importancia de la explicabilidad del modelo. Se exploran otras mejoras, como comités de expertos y modelos difusos, para aumentar la precisión y la eficacia. La validación clínica realizada en el Hospital Clínico Universitario de València y en el Hospital General Universitario de València demuestran la eficacia del algoritmo en la reconstrucción precisa de derivaciones, facilitando el camino para aplicaciones de monitorización ambulatoria. El estudio también aborda los retos que plantean dispositivos implantables como marcapasos y desfibriladores; un estudio posterior propone una estrategia para eliminar pulsos distorsionados durante la reconstrucción, mejorando la calidad de la señal en cualquier condición. En conjunto, la tesis contribuye al avance de las metodologías de reconstrucción de derivaciones de ECG para mejorar la atención al paciente.
[CA] Aquesta tesi doctoral presenta un algoritme per a reconstruir el registre electrocardiogràfic (ECG) estàndard del sistema de 12 derivacions utilitzant un sistema reduït de derivacions independents mitjançant l'ús de models d'aprenentatge automàtic, centrant-se en la seua integració en un sistema de monitoratge ambulatori. Els mètodes tradicionals de reconstrucció de ECG es basen en enfocaments basats en combinacions lineals, amb una exploració limitada dels mètodes d'avaluació i de les posicions dels elèctrodes. Aquesta tesi avalua l'eficàcia de noves xarxes neuronals artificials i algoritmes basats en fuzzy c-means en comparació amb els mètodes clàssics de regressió lineal, destacant un rendiment superior i subratllant la importància de la explicabilitat del model. S'exploren altres millores, com a comités d'experts i models difusos, per a augmentar la precisió i l'eficàcia. La validació clínica realitzada a l'Hospital Clínic Universitari de València i a l'Hospital General Universitari de València demostren l'eficàcia de l'algoritme en la reconstrucció precisa de derivacions, facilitant el camí per a aplicacions de monitoratge ambulatori. L'estudi també aborda els reptes que plantegen dispositius implantables com a marcapassos i desfibril·ladors; un estudi posterior proposa una estratègia per a eliminar polsos distorsionats durant la reconstrucció, millorant la qualitat del senyal en qualsevol condició. En conjunt, la tesi contribueix a l'avanç de les metodologies de reconstrucció de derivacions de ECG per a millorar l'atenció al pacient.
[EN] This PhD Thesis presents an algorithm for reconstructing the standard 12-lead system electrocardiographic (ECG) register using a reduced system of independent leads supported by machine learning models, with a focus on its integration into an ambulatory monitoring system. Traditional ECG lead reconstruction methods have relied on linear combination based approaches, with limited exploration of evaluation methods and electrode positions. This thesis evaluates the effectiveness of new artificial neural networks and fuzzy c-means based algorithms compared to classical linear regression methods, highlighting superior performance and emphasizing the importance of model explainability. Further enhancements, including expert committees and fuzzy models, are explored to improve accuracy and efficiency. Clinical validation at the Hospital Clínico Universitario de València and Hospital General Universitario de València demonstrates the algorithm's effectiveness in an accurate lead reconstruction, paving the way for ambulatory monitoring applications. The study also addresses challenges posed by implantable devices such as pacemakers and defibrillators; a subsequent study proposes a strategy to eliminate distorted pulses during reconstruction, improving signal quality under any condition. Overall, the thesis contributes to advancing ECG lead reconstruction methodologies for improved patient care.
[ES] Esta tesis doctoral presenta un algoritmo para reconstruir el registro electrocardiográfico (ECG) estándar del sistema de 12 derivaciones utilizando un sistema reducido de derivaciones independientes mediante el uso de modelos de aprendizaje automático, centrándose en su integración en un sistema de monitorización ambulatoria. Los métodos tradicionales de reconstrucción de ECG se basan en enfoques basados en combinaciones lineales, con una exploración limitada de los métodos de evaluación y de las posiciones de los electrodos. Esta tesis evalúa la eficacia de nuevas redes neuronales artificiales y algoritmos basados en fuzzy c-means en comparación con los métodos clásicos de regresión lineal, destacando un rendimiento superior y subrayando la importancia de la explicabilidad del modelo. Se exploran otras mejoras, como comités de expertos y modelos difusos, para aumentar la precisión y la eficacia. La validación clínica realizada en el Hospital Clínico Universitario de València y en el Hospital General Universitario de València demuestran la eficacia del algoritmo en la reconstrucción precisa de derivaciones, facilitando el camino para aplicaciones de monitorización ambulatoria. El estudio también aborda los retos que plantean dispositivos implantables como marcapasos y desfibriladores; un estudio posterior propone una estrategia para eliminar pulsos distorsionados durante la reconstrucción, mejorando la calidad de la señal en cualquier condición. En conjunto, la tesis contribuye al avance de las metodologías de reconstrucción de derivaciones de ECG para mejorar la atención al paciente.
[CA] Aquesta tesi doctoral presenta un algoritme per a reconstruir el registre electrocardiogràfic (ECG) estàndard del sistema de 12 derivacions utilitzant un sistema reduït de derivacions independents mitjançant l'ús de models d'aprenentatge automàtic, centrant-se en la seua integració en un sistema de monitoratge ambulatori. Els mètodes tradicionals de reconstrucció de ECG es basen en enfocaments basats en combinacions lineals, amb una exploració limitada dels mètodes d'avaluació i de les posicions dels elèctrodes. Aquesta tesi avalua l'eficàcia de noves xarxes neuronals artificials i algoritmes basats en fuzzy c-means en comparació amb els mètodes clàssics de regressió lineal, destacant un rendiment superior i subratllant la importància de la explicabilitat del model. S'exploren altres millores, com a comités d'experts i models difusos, per a augmentar la precisió i l'eficàcia. La validació clínica realitzada a l'Hospital Clínic Universitari de València i a l'Hospital General Universitari de València demostren l'eficàcia de l'algoritme en la reconstrucció precisa de derivacions, facilitant el camí per a aplicacions de monitoratge ambulatori. L'estudi també aborda els reptes que plantegen dispositius implantables com a marcapassos i desfibril·ladors; un estudi posterior proposa una estratègia per a eliminar polsos distorsionats durant la reconstrucció, millorant la qualitat del senyal en qualsevol condició. En conjunt, la tesi contribueix a l'avanç de les metodologies de reconstrucció de derivacions de ECG per a millorar l'atenció al pacient.
[EN] This PhD Thesis presents an algorithm for reconstructing the standard 12-lead system electrocardiographic (ECG) register using a reduced system of independent leads supported by machine learning models, with a focus on its integration into an ambulatory monitoring system. Traditional ECG lead reconstruction methods have relied on linear combination based approaches, with limited exploration of evaluation methods and electrode positions. This thesis evaluates the effectiveness of new artificial neural networks and fuzzy c-means based algorithms compared to classical linear regression methods, highlighting superior performance and emphasizing the importance of model explainability. Further enhancements, including expert committees and fuzzy models, are explored to improve accuracy and efficiency. Clinical validation at the Hospital Clínico Universitario de València and Hospital General Universitario de València demonstrates the algorithm's effectiveness in an accurate lead reconstruction, paving the way for ambulatory monitoring applications. The study also addresses challenges posed by implantable devices such as pacemakers and defibrillators; a subsequent study proposes a strategy to eliminate distorted pulses during reconstruction, improving signal quality under any condition. Overall, the thesis contributes to advancing ECG lead reconstruction methodologies for improved patient care.
URI: http://hdl.handle.net/10251/214023
Fecha: 2025-01-16
Relacionado
Ítems en Google Scholar
Ficheros en el ítem
Este ítem aparece en la(s) siguiente(s) colección(ones)
-
Tesis doctorales [5452]