ANTEPROYECTO - TRABAJO DE GRADO

IDENTIFICACIÓN DE PATOLOGÍAS CARDÍACAS USANDO DESCOMPOSICIÓN

EMPÍRICA DE MODOS Y MÁQUINAS DE APRENDIZAJE

20 – Agosto – 2020
Facultad de Ingeniería – Programa de Ingeniería Electrónica
Universidad del Quindío
 UNIVERSIDAD DEL QUINDÍO - FACULTAD DE
INGENIERÍA

TABLA DE CORRECCIÓN DE LAS OBSERVACIONES DE LA PROPUESTA

Número Observación Página Detalle

TABLA DE CONTENIDO

1. PROPONENTE(S), DIRECTOR Y ASESOR(ES):..............................................................4

2. ORGANIZACIÓN USUARIA:.............................................................................................4
3. GLOSARIO...........................................................................................................................4
4. ÁREA....................................................................................................................................6
5. MODALIDAD......................................................................................................................6
6. TÍTULO.................................................................................................................................6
7. TEMA....................................................................................................................................6
8. ANTECEDENTES................................................................................................................7
8.1 Palabras Clave:..................................................................................................................7
8.2 Herramientas de Búsqueda:...............................................................................................7
8.3 Estado del Arte...................................................................................................................7
9. DESCRIPCIÓN DEL PROBLEMA.....................................................................................9
10. JUSTIFICACIÓN............................................................................................................10
11. OBJETIVOS....................................................................................................................11
11.1 OBJETIVO GENERAL:..............................................................................................12
11.2 OBJETIVOS ESPECÍFICOS:......................................................................................12
12. ALCANCE Y DELIMITACIÓN.....................................................................................12
13. MARCO TEÓRICO........................................................................................................13
13.1 SISTEMA DE CLASIFICACIÓN O RECONOCIMIENTO DE PATRONES..........13
13.2 PROCESAMIENTO DE SEÑALES...........................................................................13
13.3 MÁQUINAS DE APRENDIZAJE..............................................................................14
14. METODOLOGÍA............................................................................................................14
14.1 FASE 1: REVISION BIBLIOGRAFICA....................................................................15
14.2 FASE 2: SELECCIÓN ENFERMEDADES CARDIACAS A ANALIZAR..............15
14.3 FASE 3: DESARROLLO DEL ALGORITMO...........................................................15
14.1 FASE 4: SELECCIÓN MAQUINA DE APREDIAZAJE Y FASE 5
PROCESAMIENTO DE LA SEÑAL DE ECG......................................................................15
15. PRESUPUESTO Y RECURSOS NECESARIOS...........................................................16
16. CRONOGRAMA.............................................................................................................16
17. FUENTES DE INFORMACIÓN....................................................................................17
19. ANEXOS.........................................................................................................................20
20. ESPACIO RESERVADO PARA COORDINACIÓN DE TRABAJOS DE GRADO...21
 UNIVERSIDAD DEL QUINDÍO - FACULTAD DE
INGENIERÍA

1.
1. PROPONENTE(S), DIRECTOR Y ASESOR(ES):

PROPONENTES (s)

Código Est. : 1094959624 Nombre: José Nicolás Pupiales Rosero

Dirección: AVDA 18 11N - 93 Proviteq unidad 5 bloque 6 Teléfono: 3228381385
apto 5B
E-mail: jnpupialesr@uqvirtual.edu.co Firma:
____________________________

DIRECTOR Nombre: Pablo Andrés Muñoz Gutiérrez

Títulos Universitarios: Doctor en Ingeniería, Magister en Ingeniería Eléctrica e
Ingeniero Electrónico
Tiene Vinculación con la Universidad: S x N __
Teléfono: +57(6)7359344
E-mail: pamunoz@uniquindio.edu.co Firma:
____________________________

2. ORGANIZACIÓN USUARIA:

Dirección: Carrera 15 Calle 12 Norte Armenia, Quindío, Colombia

Teléfono: +57 (6) 7359300
Responsable: Universidad del Quindío grupo de automatización y máquinas de aprendizaje
(GAMA)
Teléfono Responsable: +57 (6) 7359300
Cargo: Grupo de investigación facultad de ingeniería

El área de investigación de la Universidad del Quindío, el grupo de automatización y máquinas

de aprendizaje (GAMA) ha venido formando una serie de líneas de investigación tales como
automatización y control de procesos industriales y/o biológicos, sistemas no lineales y
percepción.

3. GLOSARIO

ENFERMEDADES CARDIOVASCULARES:
 UNIVERSIDAD DEL QUINDÍO - FACULTAD DE
INGENIERÍA

Constituyen un conjunto de entidades que afectan el corazón y los vasos sanguíneos. Cuando
afecta los vasos sanguíneos puede comprometer órganos como el cerebro (enfermedad
cerebrovascular), los miembros inferiores, los riñones y el corazón. Dentro de las
enfermedades cardiovasculares las de mayor ocurrencia son la enfermedad coronaria y la
enfermedad cerebrovascular.

PATOLOGÍAS CARDÍACAS:

Conjunto de enfermedades que afectan el funcionamiento del corazón.

FRECUENCIA:

Es una magnitud la cual mide el número de reiteraciones por unidad de tiempo de algún
fenómeno físico en específico.

FRECUENCIA CARDÍACA:

Número de contracciones del corazón o pulsaciones por unidad de tiempo. Se mide en

condiciones bien determinadas y se expresa en pulsaciones por minuto a nivel de las arterias
periféricas y en latidos por minuto a nivel del corazón.

ELECTROCARDIOGRAMA (EGC / EKG):

Mide la actividad eléctrica del corazón. Cada vez que el corazón late, una señal eléctrica
circula a través de él. Un electrocardiograma muestra si el corazón está latiendo a un ritmo y
con una fuerza normal. También muestra el tamaño y la posición de las cámaras del corazón.

MÁQUINA DE APRENDIZAJE:

Las máquinas de aprendizaje hacen referencia al subcampo de las ciencias de la computación

y una rama de la inteligencia artificial, cuyo objetivo es desarrollar técnicas que permitan que
las computadoras aprendan.
 DESCOMPOSICIÓN EMPÍRICA DE MODOS (EMPIRICAL MODE
DECOMPOSITION, EDM):

Consiste en un método guiado por los datos que permite expresar una señal como una suma
de componentes AM-FM. Cada una de estas componentes, llamadas funciones de modo
intrínsecas o modos, representa procesos físicos subyacentes en la señal.

4. ÁREA

Automatización y Control

5. MODALIDAD

Trabajo de aplicación

6. TÍTULO

IDENTIFICACIÓN DE PATOLOGÍAS CARDÍACAS USANDO DESCOMPOSICIÓN

EMPÍRICA DE MODOS Y MÁQUINAS DE APRENDIZAJE

7. TEMA

En las últimas décadas los grandes avances tecnológicos desarrollados en el campo de la

medicina han logrado científicamente revolucionarla, la ingeniería electrónica ha
proporcionado herramientas de apoyo que sirven al personal médico en el diagnóstico de
enfermedades presentes en el cuerpo humano.

La cardiología es una rama de permanente investigación tecnológica, los datos procesados

rápida y eficazmente en innovadoras máquinas como el electrocardiograma (ECG/EKG)
 UNIVERSIDAD DEL QUINDÍO - FACULTAD DE
INGENIERÍA

permiten obtener información detallada sobre el funcionamiento del corazón, facilitando la

interpretación médica con mayor rapidez y agilizando la implementación de tratamientos en
pacientes.

Las enfermedades cardiovasculares (CV) han sido llevadas a la luz de los innovadores
avances científicos del presente, de esta forma esta propuesta plantea desarrollar una
herramienta computacional basada en la descomposición empírica de modos (Empirical
Mode Decomposition, EDM) con máquinas de aprendizaje (Machine Learning) que permitan
reconocer e identificar señales electrocardiográficas.

Para tal fin se hará uso de las bases de datos MIT-BIH extrayendo sus características y
examinando sus patrones para determinar cuándo una señal cardiaca pertenece a un tipo de
latido normal o anormal, obteniendo resultados de diferentes patologías cardiacas para su
posterior clasificación.

8. ANTECEDENTES

8.1 Palabras Clave:

Descomposición empírica de modos (Empirical Mode Decomposition, EDM),

electrocardiograma y máquinas de aprendizaje.

8.2 Herramientas de Búsqueda:

● Google Académico (scholar.google.es)
● ScIELO (scielo.org)
● Scopus (scopus.com)
● Redalyc (redalyc.org)
8.3 Estado del Arte

Las máquinas de aprendizaje (Machine Learning) son una modalidad de la inteligencia

artificial (IA) y están llamadas a revolucionar el diagnóstico de las enfermedades
cardiovasculares (CV) de manera clara, detallada y eficaz, para ello emplean la
descomposición empírica de modos (Empirical Mode Decomposition, EDM), método
empleado dentro del campo de la ingeniería biomédica con resultados sobresalientes para la
medicina cardíaca, ejemplo de ello son las siguientes investigaciones:

Como lo plantea Labate et al., (2013) “en una comparación en la descomposición empírica de
modos (EMD) y la wavelet, se reconstruyó la forma de onda de la señal respiratoria mediante
el procesamiento de (ECG) de un solo canal, concluyendo que el (EMD) supera el enfoque
wavelet, el (EMD) descompone la señal original sin una función de base preseleccionada,
utilizada en la descomposición de la wavelet” (p.1).

Con base en Rodríguez, Gallego, Mora, Orozco y Bustamante, (2014) “presentaron el

desempeño de dos algoritmos basados en una máquina de aprendizaje no supervisado para la
detención de latidos de contracción prematura en la señal ECG. Concluyendo que estos
métodos pueden implementarse en aplicaciones de detención de arritmias en tiempo real
debido al bajo costo computacional” (p. 51).

En la opinión de Campo, Parra, Mendoza y De la Hoz (2015) “en un análisis de técnicas MD

en el diagnóstico de enfermedades cardiovasculares, las técnicas Las técnicas que lograron
mejores resultados fueron Regresion Logistica y NaiveBayes las cuales alcanzaron un 84%
de precisión, las técnicas de Redes Neuronales, IBK, Máquinas de Soporte Vectorial y
Arboles de Decisión obtuvieron porcentajes de precisión inferiores lo cual indica que su
desempeño no es el más adecuado para la identificación de este tipo de enfermedades” (p.1).

Como lo expresan Gupta, Sharma y Joshi, (2016) “en una extracción de la frecuencia cardiaca
fetal (FCF) de electrocardiograma abdominal mediante descomposición en modo empírico
multivariante (MEND) de las grabaciones abdECG utilizando el (MEMD), rompieron una
señal en un conjunto (FMI), que resultó en un alto valor (0.938) de correlación cruzada entre
señales (FHR) detectadas verdadera” (p.1).
 UNIVERSIDAD DEL QUINDÍO - FACULTAD DE
INGENIERÍA

De acuerdo con Sahoo, Mohanty, Behera y Kumar, (2017) “clasificaron el ritmo (ECG)
utilizando el (EDM) y mezcla de características, para detectar picos R precisos y complejos
QRS, clasificadas en redes neuronales probabilística (PNN) y base radial (RBF-NN)
reconociendo los latidos de arritmia. Logrando en el esquema orientado a clases, las
condiciones de arritmia clasificadas con precisiones del 99.54% y 99.89% usando el
clasificador PNN y RBF-NN” (p.1).

A juicio de Bhattacharjee, (2019) “el aprendizaje profundo de la clasificación de

enfermedades cardiovasculares empleando señal de (ECG) modificada del modo empírico
descomposición cada señal de (ECG), se descompuso a través de la (EMD) y las (IMF) de
orden superior combinadas para formar una señal de (ECG) modificada, la señal se introduce
a la arquitectura (CNN) clasificando las (ECV) logrando presiones de 97,70% y 99,71%” (p.
1).

Desde el Grupo de Automatización y Máquinas de Aprendizaje (GAMA) del programa de

Ingeniería Electrónica de la Universidad del Quindío, se han dado los primeros pasos en el
acceso de estos métodos investigativos en el ejercicio de la medicina cardiovascular
colombiana, enunciadas a continuación:

Como lo manifiestan Orozco y Muñoz (2011) “para la identificación de latidos cardiacos y

desconocidos utilizando esquemas de clasificación en cascada, se evaluaron esquemas de
clasificación en cascada para cuantificar su desempeño, los resultados son comparados con
los obtenidos al emplear máquinas de aprendizaje configuradas a manera de
multiclasificación, logrando identificar latidos cardiacos “No clasificables” o desconocidos y
disminución cantidad de fallos de clasificación con un 2,7% de error” (p.173).

Finalmente, señalan Orozco y Muñoz (2013) “para detección de latidos cardiacos patológicos
y normales utilizando transformada por paquetes Wavelet, máquinas de soporte vectorial y
perceptrón multicapa se utilizando los paquetes Wavelet, evidenciando una alternativa válida
frente a las Transformada Wavelet Discreta (DWT), en la extracción de características de
señales no estacionarias, en especial cuando las seña-les no analizadas por la DWT, cuentan
con información de interés” (p. 90.).
9. DESCRIPCIÓN DEL PROBLEMA

Las enfermedades cardiovasculares son un conjunto de problemas del corazón y los vasos
sanguíneos, convirtiéndose en la principal causa de muerte en el mundo, según la
(Organización Panamericana de la Salud [OPS], 2020) “en la mayoría de los países de las
Américas se producen 1,9 millones de decesos al año” (párr.1), situación preocupante debido
al incremento significativo de casos, la (Organización Mundial de la Salud [OMS], 2020)
estima que “para el año 2030 fallecerán 23,6 millones de personas por complicaciones
cardiovasculares” (párr.6), especialmente en los países en vías de desarrollo.

Muchas de las enfermedades cardiovasculares actúan de manera silenciosa cuyos síntomas

aparecen en etapas terminales con resultados mortales, los grandes avances tecnológicos han
logrado detectar tempranamente estas anomalías latentes en el cuerpo humano, brindado una
oportunidad de control y tratamiento médico oportuno, un ejemplo de lo anterior es el
electrocardiograma (ECG/EKG) “que realiza una prueba diagnóstica registrando las señales
eléctricas para detectar irregularidades en el ritmo y la estructura del corazón” (Mayo Clinic,
2020, párr.1) permitiendo la identificación y vigilancia de patologías, como: arritmias,
miocardiopatías, angina o infartos.

El electrocardiograma (ECG/EKG) es una máquina que se encuentra en un continuo

perfeccionamiento gracias a los grandes avances científicos y tecnológicos del presente, uno
de ellos consiste en las nuevas formas de procesamiento de señales empleando el Método de
Descomposición Empírica de Modos (Empirical Mode Decomposition, EDM) con máquinas
de aprendizaje, orientados al servicio médico en su proceso de diagnóstico, permitiendo la
clasificación de señales patológicas cardíacas, los resultados obtenidos de estas pruebas son
precisos como lo dejan ver diferentes investigaciones científicas realizadas en países
norteamericanos, europeos y asiáticos.
En la última década las universidades latinoamericanas han venido adelantando estos
procesos de indagación científica, aunque son espacios aún mínimos, se han abierto las
puertas hacia la introducción de estas formas de conocimiento, en Colombia el campo de la
ingeniería electrónica ha iniciado esta exploración científica en una escala aún menor, un
ejemplo de ello es el Grupo de Automatización y Máquinas de Aprendizaje (GAMA) del
 UNIVERSIDAD DEL QUINDÍO - FACULTAD DE
INGENIERÍA

programa de Ingeniería Electrónica de la Universidad del Quindío, quienes han empleado

hasta el momento para el procesamiento de señales la Transformada Wavelet Discreta (DWT)
con resultados positivos.

Introducir por vez primera el Método de Descomposición Empírica de Modos (Empirical

Mode Decomposition, EDM) con máquinas de aprendizaje a desarrollarse dentro del Grupo
de Automatización y Máquinas de Aprendizaje (GAMA) como una herramienta alterna de
procesamiento, contribuirá con la creación de nuevos espacios de conocimiento, fortaleciendo
los procesos investigativos que han venido desarrollando estudiantes, docentes e
investigadores en los últimos años, los cuales, han tratado de brindar herramientas alternas de
diagnóstico médico de enfermedades cardiovasculares coronarias, especialmente, en el
departamento del Quindío que tan solo para el año 2019 “registro una taza de defunciones del
115,0 por enfermedad cardiovascular” (Observatorio Nacional de Salud [ONS], 2019, p.4).

De acuerdo al planteamiento anterior se ha formulado la siguiente pregunta de investigación:

¿Cómo diseñar un sistema de clasificación de señales patológicas cardíacas empleando el

Método de Descomposición Empírica de Modos (Empirical Mode Decomposition, EDM) con
máquinas de aprendizaje, en el Grupo el Grupo de Automatización y Máquinas de
Aprendizaje (GAMA) del programa de Ingeniería Electrónica de la Universidad del Quindío?

10. JUSTIFICACIÓN
Los motivos para el desarrollo del presente proyecto radican en generar un aporte desde los
conocimientos gestados en la academia al campo de la medicina que contribuya con el
mejoramiento de las condiciones de salud y bienestar de la población que padecen afecciones
cardiovasculares patentes o latentes en territorio colombiano empleando el método de
descomposición empírica de modos (Empirical Mode Decomposition, EDM), el cual a nivel
latinoamericano y colombiano no se evidencian estudios recientes que empleen esta técnica
que resulta innovadora y con resultados positivos.

Los conocimientos electrónicos empleados actualmente entorno a la identificación de

anomalías internas del corazón permiten obtener diagnósticos exactos contribuyendo con la
preservación y continuación de la vida humana convirtiéndose en un tema válido para optar el
título de ingeniero electrónico enmarcado desde la línea de innovación tecnológica y
automatización y control dado que en el presente la investigación es una de las actividades
cardinales en la producción de conocimiento en las universidades colombianas con impacto
en las regiones.

Los beneficios sociales están centrados en facilitar nuevos métodos de detección médica de
las enfermedades coronarias de las personas quienes las padecen para que puedan acceder
rápida y oportunamente a tratamientos médicos especializados disponibles y así curar o
aliviar mejorando la calidad de vida y asegurando un mayor bienestar de las personas de los
distintos departamentos de Colombia, especialmente el departamento del Quindío.

Los beneficios científicos y tecnológicos radican en la exploración de nuevas ramas del

conocimiento, el campo de la cardiología en Colombia es un tema de conocimiento que
necesita fortalecerse. Crear, establecer y profundizar nuevas líneas de investigación,
desarrollo e innovación electrónica, contribuye con la economía del conocimiento del siglo
XXI, capaz de tratar enfermedades cardiovasculares de manera similar a las grandes potencias
mundiales.
 UNIVERSIDAD DEL QUINDÍO - FACULTAD DE
INGENIERÍA

Los beneficios personales se orientan hacia la formación integral donde se busca la creación
de habilidades, aptitudes y destrezas propias del profesional en ingeniería electrónica
sustentadas desde visiones teórico – prácticas que permitirán la conquista del objetivo que
gruía el presente proyecto como una manera de expansión del conocimiento que nace desde la
academia y llega hasta los contextos y personas más necesitadas dando solución a sus
problemas más inmediatos.

Los beneficios para el Grupo de Automatización y Máquinas de Aprendizaje (GAMA) se

centran en retomar lo que se había explorado en cuanto a sistemas de reconocimiento de
patologías cardiacas con diferentes técnicas hasta el año 2013, con esto se fortalecerá las
diferentes áreas y líneas de investigación del grupo de investigación a través de la propuesta
de nuevos espacios de conocimiento empleando el método de descomposición empírica de
modos (Empirical Mode Decomposition, EDM) liderados por docentes y estudiantes del
programa de ingeniería electrónica.

11. OBJETIVOS

11.1 OBJETIVO GENERAL:

Implementar un sistema de clasificación de señales de patologías cardíacas usando el

método de descomposición empírica de modos (Empirical Mode Decomposition, EDM)
con máquinas de aprendizaje.

11.2 OBJETIVOS ESPECÍFICOS:

● Revisar información bibliográfica actualizada de patologías cardíacas y el uso de

técnicas de procesamiento de señales.

● Explorar las diferentes bases de datos relacionadas con señales cardíacas para
determinar las patologías a identificar.
 ● Desarrollar el algoritmo para el procesamiento de las señales cardiacas utilizando el
método de descomposición empírica de modos (Empirical Mode Decomposition,
EDM) univariado.

● Determinar el tipo de máquina de aprendizaje a utilizar en el desarrollo de sistema de

clasificación

12. ALCANCE Y DELIMITACIÓN

El alcance del estudio radica en la identificación de patologías cardiacas basadas en

descomposición empírica de modos y máquinas de aprendizaje. Esta implementación nos dará
como evidencia el desarrollo de una herramienta computacional permitiendo recibir las señales
del electrocardiograma identificando entre un par de latidos cardiacos normales o anormales que
presentan anomalías afectando el buen funcionamiento del corazón, se espera la obtención de
resultados con una precisión mínima del (70%).

13. MARCO TEÓRICO

13.1 SISTEMA DE CLASIFICACIÓN O RECONOCIMIENTO DE PATRONES

El sistema de clasificación o reconocimiento de patrones es una modalidad de la inteligencia

artificial (IA) que intenta modelar los procesos de percepción y razonamiento humano para crear
sistemas informáticos que los imiten. Para Giacomantone, Tarutina y Bria (2018) “su objetivo es
descubrir la naturaleza subyacente de un fenómeno u objeto, describiendo y seleccionando las
características fundamentales que permitan clasificarlo en una categoría determinada” (p. 652).
 UNIVERSIDAD DEL QUINDÍO - FACULTAD DE
INGENIERÍA

Para Martínez (2011) “esta disciplina estuvo en constante evolución en los últimos años 50,
continuando su auge con el avance tecnológico actual, que hace posible construir sistemas cada
vez más potentes, tanto en sus capacidades de procesamiento como de generalización de
conocimiento adquirido” (p. 2). Abordando diferentes ramas del conocimiento científico, el
campo de la medicina y la ingeniería se han beneficiado de estos procesos, donde se ha
revolucionado la forma de diagnosticar las enfermedades gracias a las modernas herramientas
tecnológicas de reconocimiento de patrones.

De manera general, un sistema de captura y reconocimiento de patrones y para efectos del

presente estudio se divide en 4 etapas, representados gráficamente en el diagrama de la Figura 1.

Figura 1. Proceso para el reconocimiento de patrones.

[Inteligencia artificial. Reconocimeinto de patrones. Recuperado 17 agosto de 2020 de

https://itziasite.wordpress.com/reconocimiento-de-patrones/]

Etapa 1. Adquisición de datos:

Para realizar el reconocimiento es necesario, realizar o implementar alguna etapa de adquisición
de los datos que describen al patrón que se desea clasificar. Esto implica que, el método que se
utilizará para realizar la adquisición de los datos, dependerá de la naturaleza del patrón.
Etapa 2. Pre – procesamiento:

Se pre – procesa el patrón de entrada de tal forma que todos los patrones tengan el mismo
tamaño (escala) consigan con esto que el sistema sea invariante al escalamiento. Además de esto,
también se busca lograr que el sistema sea invariante a la traslación. Cuando un sistema es
invariante a la traslación y al escalamiento de los patrones, se dice que el sistema cuenta con un
conocimiento previo.

Etapa 3. Extracción de características:

Trata de reducir la cantidad de información (reducción de dimensionalidad) que representa a cada

uno de los patrones, obteniendo de esta forma, un vector de características que represente de la
mejor manera posible al patrón original.

Cuando se realiza el reconocimiento de patrones utilizando redes neuronales, la extracción de

características debe tratar de obtener un vector de características con una dimensionalidad mucho
menor a la del patrón original, puesto que, un vector con una dimensionalidad más pequeña que
sea dado como entrada a la red neuronal tiene varios beneficios.

Etapa 4. Reconocimiento:

La etapa de reconocimiento consiste en obtener una salida del sistema como respuesta a un
conjunto de estímulos dados como entrada (patrones).
 UNIVERSIDAD DEL QUINDÍO - FACULTAD DE
INGENIERÍA

13.2 MÁQUINAS DE APRENDIZAJE

El mundo de la ciencia, la tecnología y la innovación, abre sus puertas a las máquinas de

aprendizaje, una rama de la inteligencia artificial (IA) que permite que las máquinas aprendan sin
ser expresamente programadas para ello. para Cantero (2018) “son un conjunto de técnicas
computacionales enfocadas en proporcionar una cierta capacidad cognitiva a una máquina a
través del entrenamiento de una red neuronal mediante ejemplo, se trata de educar a la máquina
para fomentar su autonomía en el desarrollo de tareas” (p.2).

Las máquinas de aprendizaje posee una habilidad indispensable para hacer sistemas, no solo
inteligentes, sino autónomos, y capaces de identificar patrones entre los datos para hacer
predicciones, para Espinoza (2019) “es un maestro del reconocimiento de patrones, capaz de
convertir una muestra de datos en un programa informático que extrae inferencias de nuevos
conjuntos de datos para los que no ha sido entrenado previamente” (párr.3).

Existen tres categorías de implementación de máquinas de aprendizaje:

1. Aprendizaje supervisado:

En el aprendizaje supervisado, para Simeone (2018) “los algoritmos trabajan con datos
“etiquetados” (labeled data), intentado encontrar una función dadas las variables de entrada (input
data), les asigne la etiqueta de salida adecuada. El algoritmo se entrena con un “histórico” de
datos y así “aprende” a asignar la etiqueta de salida adecuada a un nuevo valor de salida” (p.12).

El aprendizaje supervisado se suele usar en:

 Problemas de clasificación (identificación de dígitos, diagnósticos, o detección de fraude

de identidad).
 Problemas de regresión (predicciones meteorológicas, de expectativa de vida, de
crecimiento etc.).
Estos dos tipos principales de aprendizaje supervisado, clasificación y regresión, se distinguen
por el tipo de variable objetivo. En los casos de clasificación, es de tipo categórico, mientras que,
en los casos de regresión, la variable objetivo es de tipo numérico.

Los algoritmos más habituales que se aplican para el aprendizaje supervisado son: árboles de
decisión, clasificación de Naïve Bayes, regresión por mínimos cuadrados, regresión logística,
support Vector Machines (SVM) y métodos “ensamble”.

2. Aprendizaje no supervisado:

El aprendizaje no supervisado tiene lugar cuando no se dispone de datos “etiquetados”  para el

entrenamiento. Sólo se conoce los datos de entrada, pero no existen datos de salida que
correspondan a un determinado input. Por tanto, sólo se describe la estructura de los datos, para
intentar encontrar algún tipo de organización que simplifique el análisis, por ello es exploratorio.

El aprendizaje no supervisado se suele usar en:

 Problemas de clustering.
 Agrupamientos de co-ocurrencias.
 Perfilado o profiling.

Los tipos de algoritmos más habituales que se aplican para el aprendizaje no supervisado son:
algoritmos de clustering, análisis de componentes principales, descomposición en valores
singulares (singular value decomposition), análisis de componentes principales (Independent
Component Analysis).

3. Aprendizaje por refuerzo

No todos los algoritmos se pueden clasificar como algoritmos de aprendizaje supervisado o no

supervisado y es donde se clasifican en el aprendizaje por refuerzo se basa en mejorar la
respuesta del modelo usando un proceso de retroalimentación. El algoritmo aprende observando
el mundo que le rodea. Su información de entrada es el feedback o retroalimentación que obtiene
 UNIVERSIDAD DEL QUINDÍO - FACULTAD DE
INGENIERÍA

del mundo exterior como respuesta a sus acciones. Por lo tanto, el sistema aprende a base de
ensayo-error.

Redes Neuronales Artificiales (RNA)

Las redes neuronales artificiales (RNA) son una forma de computación inspirada en modelos
biológicos, Para Matich (2020) “está compuesto por un gran número de elementos simples,
elementos de procesos interconectados, que procesan información por medio de su estado
dinámico como respuesta a entradas externas” (párr.8), creando modelos artificiales que
solucionen problemas mediante técnicas algorítmicas no convencionales, para Salas (2016) ”su
propiedad más importante es la capacidad de aprehender a partir de un conjunto de patrones de
entrenamientos, el proceso de aprendizaje también conocido como entrenamiento de la red puede
ser supervisado y no supervisado” (p.3).

A continuación se puede ver, en la Figura 2, un esquema de una red neuronal:

Figura 2. Ejemplo de una red neuronal totalmente conectada

[Matich. Redes neuronales: conceptos básicos y aplicaciones. Recuperado el 18 agosto de 2020, de
https://www.frro.utn.edu.ar/repositorio/catedras/quimica/5_anio/orientadora1/monograias/matich-
redesneuronales.pdf
Como se aprecia en el esquema anterior una red neuronal artificial (RNA) está constituida por
neuronas interconectadas y arregladas en tres capas.

1. Capa de entrada:

Recibe directamente la información proveniente de las fuentes externas de la red.

2. Capas ocultas:

Son internas a la red y no tienen contacto directo con el entorno exterior. El número de niveles
ocultos puede estar entre cero y un número elevado. Las neuronas de las capas ocultas pueden
estar interconectadas de distintas maneras, lo que determina, junto con su número, las distintas
topologías de redes neuronales.

3. Capa de salida:

Transfieren información de la red hacia el exterior.

Para Matich (2001) “los datos ingresan por medio de la “capa de entrada”, pasan a través de la
“capa oculta” y salen por la “capa de salida”. Cabe mencionar que la capa oculta puede estar
constituida por varias capas” (p. 55).

Clases de neuronas artificiales

De acuerdo a los valores que pueden tomar las neuronas artificiales se clasifican en dos grandes
grupos:

1. Neuronas binarias:
Toman los valores dentro del intervalo {0, 1} o {-1, 1}.

2. Neuronas reales:
Toman valores dentro del rango [0, 1] o [-1, 1].
 UNIVERSIDAD DEL QUINDÍO - FACULTAD DE
INGENIERÍA

A nivel científico las redes neuronales artificiales (RNA) se presentan como una tecnología
innovadora dentro del campo de la inteligencia artificial (IA), las ventajas de emplearla dentro del
campo de la ingeniería se observan en la siguiente Tabla 1.

Tabla 1.
Ventajas ofrecidas por las redes neuronales artificiales (RNA)

Actividad Ventajas
1. Aprendizaje adaptativo Capacidad de aprender a realizar tareas basadas en un entrenamiento o
en una experiencia inicial.
Una red neuronal puede crear su propia organización o representación
2.Auto-organización de la información que recibe mediante una etapa de aprendizaje.
La destrucción parcial de una red conduce a una degradación de su
3.Tolerancia a fallos estructura; sin embargo, algunas capacidades de la red se pueden
retener, incluso sufriendo un gran daño.
Los cómputos neuronales pueden ser realizados en paralelo; para esto
4.Operación en tiempo en real se diseñan y fabrican máquinas con hardware especial para obtener
esta capacidad.
Se pueden obtener chips especializados para redes neuronales que
5.Fácil inserción en la mejoran su capacidad en ciertas tareas. Ello facilitará la integración
modular en los sistemas existentes
tecnología existente

[Matich. Redes neuronales: conceptos básicos y aplicaciones. Recuperado el 18 agosto de 2020, de

https://www.frro.utn.edu.ar/repositorio/catedras/quimica/5_anio/orientadora1/monograias/matich-
redesneuronales.pdf].

13.3 PROCESAMIENTO DE SEÑALES

El procesamiento de señales es una rama de la ingeniería electrónica, para Cisa (2020) “se ocupa
de la adquisición, detección, representación, transformación, análisis e interpretación de señales
analógicas o digitales” (párr.1), se encuentra cada vez más presente en las herramientas digitales
y en sus aplicaciones en distintos campos profesionales.
Las técnicas empleadas para el procesamiento de señales son las siguientes:

Transformada de Fourier

Para Ibarra (2011) “es una operación mediante la cual se puede calcular el espectro de una señal
de energía y sólo es aplicable a este tipo de señales. Las excepciones a la regla son la señal
senoidal, cosenoidal y la exponencial compleja” (p.13).

La ecuación mediante la cual se calcula la transformada de Fourier de una señal de energía f (t)
es:

Igualmente, para Ibarra (2011) “la integral de Fourier dicta el producto de una función real, de
variable real, con una función compleja, también de variable real. El resultado del producto es
una función compleja de la variabe real” (p.13).

La ecuación que permite aplicar la operación inversa calcular la función temporal a partir de su
función en frecuencia es:
 UNIVERSIDAD DEL QUINDÍO - FACULTAD DE
INGENIERÍA

 Transformada Wavelet (TW):

Es una clase de transformada de Fourier que representa una señal en términos de versiones
trasladadas y dilatadas de una onda finita (denominada wavelet).

Para Ruiz y Orejuela (2016) “es una técnica de procesamiento de señales no estacionarias,
encargada de mapear una señal transitoria en una representación de tiempo-frecuencia,
permitiendo el filtrado y extracción de características fundamentales de una señal con un análisis
multiresolución analizando las características de interés” (p. 10).

Para Gómez (2012) “para poner en práctica en análisis TW se debe optar por la función llamada
Wavelet madre a partir de la cual se deriva toda una familia de versiones trasladadas y escaladas”
(p.25).

La Tw de una función x (t) a escala a y a posición b se calcula correlacionando la función f con

un átomo wavelet:
 Descomposición Empírica de Modos (Empirical Mode Decomposition, EDM):

Para Colominas, Schlotthauer, Flandrin y Torres (2011) “es un método guiado por los datos que
permite expresar una señal como una suma de componentes AM-FM. Cada una de estas
componentes, llamadas funciones de modo intrínsecas o modos, representa procesos físicos
subyacentes en la señal” (p. 10).

En el cual se descompone una señal x (t) en un número pequeño de funciones modales

intrínsecas, IMF (di (t)).

Toda IMF satisface dos condiciones:

1- La cantidad de extremos y el número de cruces por cero deben ser iguales o diferir en
uno.
2- La medida local es cero.

Cada IMF es una función AM –FM, y puede describirse como di (t) = ai (t) cos (фi (t)).

Este método adaptativo para el análisis de señales no lineales y no estacionarias produce una
separación local y completamente guiada por los datos en oscilaciones rápidas y lentas.

14. METODOLOGÍA

Para el alcance del objetivo general del presente estudio se ha planteado un diseño metodológico
estructurado en cuatro fases prioritarias consagradas en los objetivos específicos, enunciados a
continuación:

14.1 FASE 1: REVISION BIBLIOGRAFICA

Se emplearán fuentes de información de carácter primario que corresponden a la revisión de

investigaciones científicas, tesis de grado y artículos científicos, con información actualizada
acerca de las principales patologías cardiacas patentes o latentes que producen diariamente más
 UNIVERSIDAD DEL QUINDÍO - FACULTAD DE
INGENIERÍA

decesos humanos. Igualmente, se observará que tipo de técnicas de procesamiento de señales se

han empleado para el diagnóstico médico, enfatizando en la Descomposición Empírica de Modos
(EMPIRICAL MODE DECOMPOSITION, EDM) señalando sus hallazgos más importantes, este
proceso contribuirá con la claridad y exposición de ideas a desarrollar durante el estudio.

14.2 FASE 2: SELECCIÓN ENFERMEDADES CARDIACAS A ANALIZAR

Con la identificación de las patologías cardiovasculares más relevantes bajo los criterios
señalados anteriormente, se procederá a realizar la búsqueda de electrocardiogramas (EGC/EKG)
en bases de datos oficiales para la obtención las señales de entrada revisando las diferentes bases
de datos y anomalías que se encuentran en ellas, eligiendo las más apropiadas de acuerdo a las
patologías que se quieren abordar en el estudio.

14.3FASE 3: DESARROLLO DEL ALGORITMO

Se desarrollará un algoritmo para el procesamiento de las señales cardiacas utilizando la

Descomposición Empírica de Modos (EMPIRICAL MODE DECOMPOSITION, EDM) haciendo
uso del lenguaje de programación MATLAB y utilizando estrategias de análisis de esas señales
con el objetivo de tener características discriminantes como el análisis energético de la señal,
factor QRS, o el análisis de la entropía de la señal en un tiempo determinado que permiten su
diferenciación entre las señales y las patologías.

14.1 FASE 4: SELECCIÓN MAQUINA DE APREDIAZAJE Y FASE 5

PROCESAMIENTO DE LA SEÑAL DE ECG

La máquina de aprendizaje seleccionada será sometida a un proceso de entrenamiento y validación

que, dependiendo de las patologías elegidas, la cantidad de información que se tenga de datos o
patrones de cada patología se entrará a determinar el porcentaje de entrenamiento y validación,
evidenciándose los resultados más importantes del estudio.
15. PRESUPUESTO Y RECURSOS NECESARIOS

Formato de presentación de un presupuesto en co-financiación:

Rubros Entidad 1 Entidad 2 Total

Efectivo Recurrente Efectivo Recurrente
1. Personal
Trabajo director: $50.000 $ 3.200.000 $ 3.200.000
la hora, dedicación 4
horas semana, durante 4
meses.
Trabajo Investigador 1: $ 2.080.000 $ 2.080.000
$6.500 la hora, dedicación
20 horas semana, durante
4 meses.
2. Bibliografía
Bases de datos $ 20.000.000 $0
universidad del Quindío
Bases de datos externas $0 $0
3. Equipos
Computador $ 1.200.000 $ 1.200.000
4. Materiales e insumos

Fotocopias $ 50.000 $ 50.000

Impresiones $ 80.000 $ 80.000

TOTALES $0 $ 3.200.000 $0 $ 3.614.715 $ 6.814.715

 UNIVERSIDAD DEL QUINDÍO - FACULTAD DE
INGENIERÍA

16. CRONOGRAMA

Ocupación
ACTIVIDAD Mes 1 Mes 2 Mes 3 Mes 4
en Horas
(año)
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Etapa 1 X X X 40
Etapa 2 X X X X 60
Etapa 3 X X X X 80
Etapa 4 X X X X X 90
Informe final X X X X X X X X X X X 96
Socialización de 2
X
resultados
TOTAL HORAS
 17. FUENTES DE INFORMACIÓN

[1] Bhattacharjee. (2019). Aprendizaje profundo acerca de la clasificación de enfermedades

cardiovasculares empleando señal de (ECG) modificada del modo empírico descomposición.

[2] Campo, Parra, Mendoza y De la Hoz (2015). Análisis de técnicas de md en diagnóstico de

enfermedades cardiovasculares

[3] Cantero (2018). Máquinas de aprendizaje y aplicaciones. Recuperado el 1 julio de:

https://dspace.uib.es/xmlui/bitstream/handle/11201/147224/Cantero_Javier.pdf?
sequence=1&isAllowed=y

[4] Cisa (2020). Procesamiento de señales. Recuperado el 1 julio de:

https://iie.fing.edu.uy/institucional/departamentos/procesamiento-de-senales/

[5] Colominas, Schlotthauer, Flandrin y Torres (2011). Descomposición empírica en modos por
conjuntos completa con ruido adaptativo y aplicaciones biomédicas. Recuperado el 1 julio de
2020
de:https://www.researchgate.net/publication/267783026_Descomposicion_empirica_en_modos_p
or_conjuntos_completa_con_ruido_adaptativo_y_aplicaciones_biomedicas

[6] Espinoza. (2019). “Machine learning”: ¿qué es y comofunciona? Recuperado el 16 de agosto de

2020 de https://www.bbva.com/es/machine-learning-que-es-y-como-funciona/

[7] Giacomantone, Tarutina y Bria (2018). Reconocimiento de patrones y generación de

características con restricciones temporales.

[8] Gómez. (2012). Aplicación de la transformada Wavelet y el método level set para el filtrado y
segmentación de imágenes. Recuperado el 16 de agosto de 2020, de
file:///C:/Users/MiPc/AppData/Local/Temp/UPS-CT002363-1.pdf

[9] Gupta, Sharma y Joshi. (2016). Extracción de la frecuencia cardíaca fetal de

electrocardiogramas abdominales mediante descomposición en modo empírico multivariante.

[10] Ibarra. (2011). Análisis espectral de señales. Recuperado el 17 de agosto de 2020, de

https://maixx.files.wordpress.com/2011/02/sce_cap02_v01.pdf

[11] Labate et al. (2013). Descomposición empírica en modo vs. Descomposición Wavelet para la
extracción de la señal respiratoria del (ECG) monocanal: una comparación.
 UNIVERSIDAD DEL QUINDÍO - FACULTAD DE
INGENIERÍA

[12] Martinez. (2011). Modelización de secuencias para el reconocimiento automático de patrones.

Recuperado el 18 agosto de 2020, de
https://bibliotecavirtual.unl.edu.ar:8443/bitstream/handle/11185/294/tesis.pdf

[13] Matich. Redes neuronales: conceptos básicos y aplicaciones. Recuperado el 18 agosto de 2020,
de
https://www.frro.utn.edu.ar/repositorio/catedras/quimica/5_anio/orientadora1/monograias/matich-
redesneuronales.pdf

[14] Salas. (2016). Redes Neuronales Artificiales. Recuperado el 18 agosto de 2020, de

https://d1wqtxts1xzle7.cloudfront.net/50358783/Redes_Neuronales_Artificiales.pdf?
1479332205=&response-content-disposition=inline%3B+filename
%3DRedes_Neuronales_Artificiales.pdf&Expires=1597956160&Signature=T6Fr8WSpLgJL5hjCs
iSxdQKovS6XVWEq3SvPVJIpZsaOaZ5H8DzD7Pk3hSZZwneMoPDTrQmc6OEafPpa3A8ofuuz
uNTjDz7TjV6zJzz5X4l-
KZ15cHajalSsN1PnpvRmiw2Wf0yFDEcXmAAdSOJP5sRdKeE~eAP1GzfPTeOoYdSgjhyUZw7
meEuG3057MFr9GuW5D9mkdFmOf81xVp9F3tenLyIurRhCv776rxRgPqDj-
gXL4lRrfvisUgERWQjR~pxRuipHJQ~1K8LPnSQqh7BZj0mKAcEQL~EGSEiz22JuWxFfvdeAl
7lYTtZLXrX43E~bMIjjCltzVafxetwKTQ__&Key-Pair-Id=APKAJLOHF5GGSLRBV4ZA

[15] Ministerio de Salud y Protección Social (MINSALUD). (2018). Reducir el riesgo de la atención
en pacientes cardiovasculares. Recuperado el 1 Junio de 2020, de
https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/VS/PSA/Atenci%C3%B3n
%20pacientes%20cardiovasculares.pdf

[16] Organización Mundial de la Salud (OMS). (2020) ¿Que son las enfermedades cardiovasculares?
Recuperado el 1 Junio de 2020, de https://www.who.int/cardiovascular_diseases/about_cvd/es/

[17] Orozco y Muñoz. (2011). Identificación de latidos cardiacos y desconocidos utilizando esquemas
de clasificación en cascada.

[18] Orozco y Muñoz. (2013). Detección de latidos cardiacos patológicos y normales utilizando
transformada por paquetes Wavelet, máquinas de soporte vectorial y perceptrón multicapa.

[19] Observatorio Nacional de Salud (ONS). (2019). Enfermedad cardiovascular: principal causa de
muerte en Colombia. Recuperado el 1 de Junio de 2020, de
https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/IA/INS/Boletin-tecnico-1-
ONS.pdf

[20] Organización Panamericana de la Salud (OPS). (2020). Día mundial del corazón: enfermedades
cardiovasculares causan 1.9 millones de muertes al año en las Américas, de
https://www.paho.org/par/index.php?option=com_content&view=article&id=778:dia-mundial-
corazon-enfermedades-cardiovasculares-causan-1-9-millones-muertes-ano-americas&Itemid=258
[21] Rodríguez, Gallego, Mora, Orozco y Bustamante, (2014). Clasificación de latidos de contracción
ventricular prematura basados en métodos de aprendizaje no supervisado

[22] Ruiz y Orejuela (2016). Implementación de la transformada wavelet sobre un sistema embebido
para el pre-procesamiento de señales unidimensionalesno estacionarias. Recuperado de:
http://bibliotecadigital.usbcali.edu.co/bitstream/10819/4278/1/Implementacion_transformada_wav
elet_ruiz_2016.pdf

[23] Sahoo, Mohanty, Behera y Kumar. (2017). Clasificación de ritmo de (ECG) utilizando
descomposición en modo empírico y mezcla de características.

[24] Simone. (2018). A very brief introduction to machine learningwith applications to

communication systems Recuperado el 18 agosto de 2020, de
https://arxiv.org/pdf/1808.02342.pdf
 UNIVERSIDAD DEL QUINDÍO - FACULTAD DE
INGENIERÍA

17. ACTA DE PROPIEDAD INTELECTUAL

Proyecto: IDENTIFICACIÓN DE PATOLOGÍAS CARDÍACAS BASADA

DESCOMPOSICIÓN EMPÍRICA DE MODOS Y MÁQUINAS DE APRENDIZAJE

Todos los partícipes conocen y aceptan el estatuto de propiedad intelectual de la

Universidad del Quindío, el de las empresas participantes y también el reglamento de
elaboración de trabajos de grado de la Facultad de Ingeniería.

FIRMA DE LAS PARTES IMPLICADAS.

________________________
Jose Nicolas Pupiales Rosero
1.094.959.624 Armenia, Quindío
Estudiante

__________________________
Pablo Andrés Muñoz Gutiérrez
Armenia, Quindío
Director
 UNIVERSIDAD DEL QUINDÍO - FACULTAD DE
INGENIERÍA

18. ANEXOS

[Incluir las cartas de intención cuando haya patrocinadores y/o grupos de investigación
involucrados.
Incluir oficio con el visto bueno del director del trabajo de grado]
19. ESPACIO RESERVADO PARA COORDINACIÓN DE TRABAJOS DE GRADO

Fecha de revisión: dd / mm / aa Código:

____/____/____

Observaciones - Recomendaciones: _______________________________________________

______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
______________________________________________________________________________
________________________________________________
Estado de la propuesta (Viable, No viable, Aplazado):

Firma: ______________________________ Firma:__________________________________

Firma: ______________________________ Firma: __________________________________