Comparación de desempeño de modelos clásicos y cuánticos de redes neuronales convolucionales para la detección de patrones en señales electrocardiográficas

RESUMEN : En el presente trabajo de grado, se abordo el desafío de clasificar complejos QRS en señales de electrocardiograma (ECG) mediante la aplicación de tres enfoques de modelado diferentes. El problema de clasificación de complejos QRS reviste una gran importancia en el campo de la cardiología y el monitoreo de la salud, ya que permite identificar patrones cardíacos anormales que pueden requerir atención médica [1]. Se evaluó el uso de tres modelos distintos: un modelo clásico de red neuronal convolucional, un modelo híbrido que combina convolución en el dominio clásico con una capa cuántica de salida, y otro modelo híbrido que emplea convolución en el dominio cuántico. La evaluación de estos modelos se centró en su exactitud y su complejidad temporal. Los resultados obtenidos indican que los tres modelos demostraron un desempeño excepcional en términos de exactitud. Tanto el modelo clásico como la simulación del modelo híbrido con convolución en el dominio cuántico alcanzaron altas tasas de precisión. Este alto nivel de exactitud los posiciona como opciones viables para tareas de clasificación binaria de complejos QRS en señales de ECG. La elección del modelo más adecuado dependerá de la criticidad de la aplicación y las necesidades específicas del contexto. En lo que respecta al desempeño en función del tiempo, el modelo híbrido con convolución en el dominio cuántico sobresalió al exhibir una complejidad temporal significativamente mejorada en comparación con los otros dos modelos. Esta eficiencia temporal es especialmente relevante en aplicaciones que requieren un procesamiento rápido de señales. Si bien el modelo clásico y el modelo híbrido con capa de salida cuántica presentaron un rendimiento similar en términos de complejidad temporal, el modelo clásico mostró una ligera ventaja.

• Autores: Cadavid Gil, Santiago
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2023
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/37385
• Acceso en línea: https://hdl.handle.net/10495/37385
• Palabra clave: Electrocardiografía; Electrocardiography; Inteligencia artificial; Artificial Intelligence; Redes neurales (computadores); Neural networks (Computer science); Computación cuántica
• Rights: openAccess
• License: https://creativecommons.org/licenses/by-nc-sa/4.0/