Anomaly Detection in Patient Vital Signs for Early Warning of Critical Health Events
Garreta Basora, Marc
Mulayim, Mehmet Oguz, tut. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
Universitat Autònoma de Barcelona. Escola d'Enginyeria

Títol variant:	Detecció d'anomalies en les constants vitals dels pacients per a l'avís precoç d'esdeveniments crítics de salut
Títol variant:	Detección de anomalías en las constantes vitales de los pacientes para la alerta temprana de eventos críticos de salud
Data:	2025
Resum:	La detecció d'anomalies en electrocardiogrames (ECG) de 12 derivacions identifica desviacions crítiques indicatives de malalties cardiovasculars. Aquest informe té com a objectiu realitzar un anàlisi comparatiu d'arquitectures basades en autoencoders -autoencoder convolucional (CAE), variational autoencoder amb LSTM bidireccional (VAE-BiLSTM) i VAE-BiLSTM amb "atenció multi-cap" (VAE-BiLSTM-MHA)- per a la detecció no supervisada d'anomalies en ECG. Cada model s'entrena només amb mostres normals per reconstruir la morfologia cardíaca no anòmala i localitzar desviacions que poden indicar malalties cardiovasculars. Utilitzant un únic procés de preproces sament i avaluació sobre el conjunt públic CPSC (China Physiological Signal Challenge), el VAE amb atenció destaca com el millor i es visualitza en un panell interactiu que visualitza la localització d'anomalies per ajudar en el tria tatge clínic. Aquest model aconsegueix un AUC-PR de 0. 81 i una sensibilitat (recall) de 0. 85 en el conjunt de prova, superant la resta d'arquitectures.
Resum:	ECG) de 12 derivaciones identifica desviaciones críticas indicativas de enfermedad cardiovascular. Este informe tiene como objetivo realizar un análisis comparativo de arquitecturas basadas en autoencoders -autoencoder convolucional (CAE), variational autoencoder con LSTM bidireccional (VAE-BiLSTM) y VAE-BiLSTM con atención multi-cabeza (VAE-BiLSTM-MHA)- para la detección no supervisada de anomalías en ECG. Cada modelo se entrena únicamente con muestras normales para reconstruir la morfología cardíaca no anómala y detectar desviaciones asociadas a posibles enfermedades cardiovasculares. Empleando un mismo flujo de preprocesamiento y evaluación sobre el conjunto público CPSC (China Physiological Signal Challenge), el VAE con atención destaca cómo el mejor, y se implementa en un panel interactivo que visualiza la localización de anomalías para ayudar en el triaje clínico. Este modelo alcanza un AUC-PR de 0. 81 y una sensibilidad de 0. 85 en el conjunto de prueba, superando al resto de las arquitecturas.
Resum:	Anomaly detection in 12-lead electrocardiograms (ECGs) identifies critical deviations indicative of cardiovascular disease. This report aims to conduct a comparative analysis of autoencoder-based architectures--convolutional autoencoder (CAE), long short-term memory variational autoencoder with bidirectional Long Short-Term Memory(VAE-BiLSTM), and VAE-BiLSTM with Multi-Head Attention (VAE-BiLSTM-MHA)--for unsupervised anomaly detection in ECGs. Each model is trained over normal samples to reconstruct non-anomalous cardiac morphology and locate deviations in possible cardiovascular disease. Using a unified preprocessing and evaluation pipeline on the public China Physiological Signal Challenge (CPSC) dataset, the attention-augmented VAE emerges as the top performer and is deployed in an interactive dashboard that visualizes anomaly localization to aid clinical triage. This model achieves an AUC-PR of 0. 81 and a recall of 0. 85 on the held-out test set, outperforming the remaining architectures.
Drets:	Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades.
Llengua:	Anglès
Titulació:	Grau en Intel·ligència Artificial [2504392]
Pla d'estudis:	Intel·ligència Artificial [1497]
Document:	Treball final de grau ; Text
Matèria:	Detecció d'anomalies ; Electrocardiograma (ECG) ; Autoencoder ; Autoencoder variacional ; Mecanisme d'atenció ; Aprenentatge no supervisat ; Tauler de visualització ; Detección de anomalías ; Mecanismo de atención ; Aprendizaje no supervisado ; Panel de visualización ; Anomaly Detection ; ECG ; Variational Autoencoder ; Attention Mechanism ; Unsupervised Learning ; Visualization Dashboard

15 p, 2.3 MB

El registre apareix a les col·leccions:
Documents de recerca > Treballs de Fi de Grau > Escola d'Enginyeria. TFG