Noise removal in ECGs using deep learning

Abstract

El avance tecnológico y el creciente interés en campos como el Deep Learning y otras ramas de la computación ha provocado un aumento considerable en las contribuciones en el ámbito de señales de electrocardiogramas. Pese a la existencia de múltiples enfoques para el análisis de este tipo de señales, ya sea mediante métodos tradicionales o deep learning, todos ellos necesitan partir de señales limpias y en entornos controlados. Esto limita su aplicabilidad en entornos realistas, como el análisis de señales recogidas fuera del hospital (prueba Holter). Por ello, se han desarrollado propuestas basadas en Deep Learning, ámbito en el que este TFG pretende contribuir, por medio de un diseño capaz de reconstruir satisfactoriamente señales de ECG con ruido. Este diseño se realizará mediante el uso de diversos ruidos presentes en este tipo de medidas. Con este fin se ha utilizado una red neuronal convolucional con una etapa de decodificado, dados los buenos resultados obtenidos con este tipo de modelos para problemas similares. Previo al entrenamiento de dicho modelo, se ha partido de una base de datos de ECGs sin ruido, se ha dividido cada muestra en segmentos de 4 segundos, se le ha añadido 3 tipos diferentes de ruido y se han presentado estas señales a la red. Posteriormente, con las señales ya filtradas, se ha comprobado el comportamiento de un modelo preentrenado de detección de anomalías en señales limpias. De esta forma, si el comportamiento es bueno, el proceso de limpieza de señales propuesto es correcto. Finalmente, se ha analizado la calidad de las reconstrucciones realizadas comparándolas con la señal original, por medio de la función de pérdida Error Absoluto Medio (MAE). Se ha obtenido un error del 4.66% para ruidos tipo baseline wander, 6.31% para ruidos tipo electrode movement y 5.23% para ruidos tipo muscle artifact. Además, se ha comparado la precisión del segundo modelo frente a señales limpias versus señales reconstruidas por el modelo filtrador, con una reducción de precisión del 3.76 %