RT Generic
T1 Adaptive detection of arrythmias using deep learning
T2 Detección adaptativa de arritmias en ECGs usando deep learning
A1 Castro Lara, Laura
K1 Arritmia - Trabajos fin de máster
K1 Corazón - Enfermedades - Trabajos fin de máster
AB El avance de la Inteligencia Artificial (IA) ha revolucionado el campo del análisis de señales fisiológicas, permitiendo el desarrollo de sistemas automatizados para la detección temprana de patologías a partir de datos biomédicos como los electrocardiogramas (ECGs). La detección de anomalías en señales médicas es una tarea crítica para diagnosticar enfermedades cardíacas, que requieren modelos precisos y adaptativos. Sin embargo, la gran variabilidad morfológica de las señales ECG entre diferentes pacientes dificulta la creación de modelos universales efectivos. Por ello, es fundamental diseñar métodos que permitan adaptar los modelos a las características individuales de cada paciente, asegurando a la vez que estos modelos sean lo suficientemente sencillos y eficientes para ser entrenados y utilizados en dispositivos con recursos computacionales limitados, como equipos médicos portátiles o entornos clínicos con baja capacidad de cómputo.Este Trabajo de Fin de Máster (TFM) aborda precisamente este reto, proponiendo un sistema de detección de anomalías en ECG que permite una adaptación personalizada eficiente de modelos preentrenados. Para ello, se utilizan técnicas de ajuste fino ligeras y de bajo costo computacional, como LoRA, QLoRA y DyLoRA, que modifican solo una pequeña parte de los parámetros del modelo, manteniendo el resto congelado.Se llevan a cabo múltiples experimentos para evaluar distintas configuraciones de estas técnicas, midiendo tanto su desempeño en la detección de anomalías como su eficiencia computacional. Además, se realiza una comparativa con el ajuste fino completo (Full Fine-Tuning), con el objetivo de analizar el equilibrio entre precisión y coste.Los resultados muestran que las técnicas de adaptación eficiente consiguen rendimientos comparables al ajuste completo, pero con una reducción considerable en el número de parámetros entrenables y en el uso de memoria. Destaca especialmente DyLoRA, que permite ajustar dinámicamente la capacidad del modelo durante el entrenamiento, evitando búsquedas manuales de hiperparámetros y mejorando la eficiencia global.Este trabajo evidencia la viabilidad de emplear métodos de adaptación ligera para personalizar modelos de análisis de ECG, facilitando su aplicación práctica en escenarios clínicos con recursos computacionales limitados.
AB The advancement of Artificial Intelligence (AI) has revolutionized the field of physiological signal analysis, enabling the development of automated systems for the early detection of pathologies from biomedical data such as electrocardiograms (ECG). Anomaly detection in medical signals is a critical task for diagnosing cardiac diseases, requiring precise and adaptive models. However, the high morphological variability of ECG signals among different patients makes the creation of universally effective models challenging.Therefore, it is essential to design methods that allow adapting models to the individual characteristics of each patient, while ensuring these models are simple and efficient enough to be trained and deployed on devices with limited computational resources, such as portable medical equipment or clinical settings with low computational capacity.This Master’s Thesis (TFM) addresses this challenge by proposing an anomaly detection system in ECGs that enables efficient personalized adaptation of pretrained models. Lightweight and low computational cost fine-tuning techniques such as LoRA, QLoRA, and DyLoRA are employed, which modify only a small fraction of the model parameters while keeping the rest frozen.Multiple experiments are conducted to evaluate different configurations of these techniques, measuring both their performance in anomaly detection and computational efficiency. Additionally, a comparison with full fine-tuning is performed, aiming to analyze the trade-off between accuracy and cost.The results show that efficient adaptation techniques achieve performances comparable to full fine-tuning but with a significant reduction in the number of trainable parameters and memory usage. DyLoRA stands out by allowing dynamic adjustment of model capacity during training, avoiding manual hyperparameter searches and improving overall efficiency.This work demonstrates the feasibility of using lightweight adaptation methods to personalize ECG analysis models, facilitating their practical application in clinical scenarios with limited computational resources.
YR 2025
FD 2025
LK https://hdl.handle.net/10630/46140
UL https://hdl.handle.net/10630/46140
LA spa
DS RIUMA. Repositorio Institucional de la Universidad de Málaga
RD 11 abr 2026