Análisis comparativo de señales de ECG bajo problemas de salud y estados emocionales
Resumen
El estado de un sistema tan complejo como lo es el sistema cardiovascular puede ser reflejado mediante el electrocardiograma(ECG). El estudio de este sistema ha sido de inter ́es cient ́ıfico debido a que este ha representado un reto en el desarrollo de m ́etodosy aplicación de herramientas con la finalidad de clasificar, detectar y analizar el comportamiento de corazones sanos, corazón es que presentan algún deterioro funcional o de corazones bajo distintas condiciones. Las enfermedades cardíacas se encuentran en la primera fila entre varios tipos de amenazas para la vida, debido a su alta incidencia y mortalidad, y es por ello que se ha desatado el interés por conocer las causas y de esta manera poder enfrentarlas. Por otra parte, también ha resultado relevante estudiar corazones de individuos que presenciaron ciertos niveles de ansiedad, preocupación o miedo, debido a que estos pueden conllevar enfermedades subyacentes cuando los sentimientos se vuelven excesivos. Es por ello que la finalidad de este trabajo es presentar diversas investigaciones que abordan el estudio del sistema en cuestión mediante novedosas metodologías y bajo las condiciones cardiacas previamente mencionadas.
Descargas
Citas
Acharya, U. R., Sudarshan, V. K., Koh, J. E., Martis, R. J., Tan, J. H., Oh, S. L., Muhammad, A., Hagiwara, Y., Mookiah, M. R. K., Chua, K. P., et al. (2017). Application of higher-order spectra for the characterization of coronary artery disease using electrocardiogram signals. Biomedical Signal Processing and Control, 31:31–43.
Butcher, J. C. (2016). Numerical methods for ordinary differential equations. John Wiley & Sons.
Ferreira, B. B., Savi, M. A., and de Paula, A. S. (2014). Chaos control applied to cardiac rhythms represented by ecg signals. Physica Scripta, 89(10):105203.
Golany, T., Freedman, D., and Radinsky, K. (2021). Ecg ode-gan: Learning ordinary differential equations of ecg dynamics via generative adversarial learning. In Proceedings of the AAAI Conference on Artificial Intelligence, volume 35, pages 134–141.
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., and Bengio, Y. (2014). Generative adversarial nets. Advances in neural information processing systems, 27.
Hall, J. E. (2011). Guyton y Hall. Tratado de fisiolog´ıa m´edica. Elsevier Health Sciences.
Jones, S. A. (2021). ECG notes: Interpretation and management guide. FA Davis.
Lin, Y.-Z. and Yu, S. N. (2018). Bispectrum and histogram features for the identification of atrial fibrillation based on electrocardiogram. In 2018 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), pages 5994–5997. IEEE.
Liu, S., Shao, J., Kong, T., and Malekian, R. (2020). Ecg arrhythmia classification using high order spectrum and 2d graph fourier transform. Applied Sciences, 10(14):4741.
Runge, C. (1895). Über die numerische auflösung von differentialgleichungen. Mathematische Annalen, 46(2):167–178.
Shuman, D. I., Ricaud, B., and Vandergheynst, P. (2016). Vertex-frequency analysis on graphs. Applied and Computational Harmonic Analysis, 40(2):260–291.
S¨ornmo, L. and Laguna, P. (2005). Bioelectrical signal processing in cardiac and neurological applications, volume 8. Academic Press.
Templos-Hern´andez, D. J., Quezada-T´ellez, L. A., Gonz´alez-Hern´andez, B. M., Rojas-Vite, G., Pineda-S´anchez, J. E., Fern´andez-Anaya, G., and Rodriguez- Torres, E. E. (2021). A fractional-order approach to cardiac rhythm analysis. Chaos, Solitons & Fractals, 147:110942.
Yazawa, T. (2015a). Modified Detrended Fluctuation Analysis (mDFA). American Society of Mechanical Engineers.
Yazawa, T. (2015b). Quantifying stress in crabs and humans using modified dfa. Advances in Bioengineering. Rijeka, Croatia–European Union: Intech, pages 359–382.
Yazawa, T. (2017). Anxiety, worry and fear: Quantifying the mind using ekg time series analysis. In Time Series Analysis and Applications. IntechOpen.
