1)QRS Complex Detection Using Novel Deep Learning Neural Networks

DOI:10.1109/ACCESS.2020.2997473
ISSN:2169-3536

2)Este artículo trata de detectar el complejo QRS con el uso de las redes
neuronales convolucionales . Emplea dos técnicas , una con CNN y otra con CRNN.
Ambas arquitecturas tienen 3 bloques CNN dilatados paralelos que siguen a la capa
de entrada y cada bloque convolucional contiene 6 capas de convolución 1D que luego
se van a concatenar y se introducen en las redes de compresión y excitación seguida
de 3 capas completamente conectadas. Finalmente la capa utiliza la activación
sigmoidea para predecir los complejos QRS.
Una novedad sería que a diferencia del algoritmo de Pan Tompkins es que no utiliza
la extracción de características , aunque comparten de cierta manera la parte de
algoritmo de decisión.
No trabaja solo con la base de datos del MIT , si no en otras 3 más que son
CPSCDB , QTDB y NSTDB, y ello porque en el artículo proponen un método resistente
al ruido que alcance un rendimiento de vanguardia para la detección de complejos
QRS y se generalice bien en diferentes bases de datos de ECG.

3) La comparación se realizará con el artículo de Pan-Tompkins que se desarrolló

para la tercera práctica calificada. Ambos usaron la base de datos de arritmia del
MIT.
En términos de precisión se tiene:

Pan Tompkins:99.3 %
Artículo :99.94 %

En términos computacionales seria injusto compararlo ya que los autores utilizaron

una GPU y en mi caso para el algoritmo de Pan-Tompkins se utilizó una Core i3 de
4GB RAM.
Sin embargo en el paper indican que el modelo CNN no quiere mucho coste
computacional a diferencia del modelo CRNN que si requiere un alto coste
computacional.
Esta comparación de tiempos computacionales serán detalladas para la parte final
del curso , ya que faltaría realizar el código tic toc para el tiempo computacional
de Pan Tompkins que en teoría también es una cantidad mínima.
Tiempo computacional:
Artículo: 7.5/ms second sample
Pan Tompkins: Por determinar , fecha estimada: exámen final.

_____________________________________________________________
He transformado las señales de ECG en imágenes de ECG trazando cada latido de ECG.
Primero detecté los picos R en las señales de ECG usando el módulo Biosppy de
Python. Una vez que se han encontrado los picos R, para segmentar un latido, tomé
el pico R actual y el último pico R, tomé la mitad de la distancia entre los dos e
incluí esas señales en el ritmo actual. Del mismo modo, hice esto para el siguiente
ritmo.