En este repositorio se hace un análisis para la detección de anomalías en señales de ECG y su clasificación utilizando autoencoders. Se entrena un autoencoder para aprender la representación normal de las señales cardíacas y detectar desviaciones que indiquen posibles anomalías. Además, se utiliza la representación aprendida para clasificar diferentes tipos de anomalías.
- Preprocesamiento de datos de ECG: Normalización, segmentación y limpieza de señales.
- Entrenamiento de autoencoder: Modelado de patrones normales en ECG.
- Detección de anomalías: Identificación de latidos irregulares mediante reconstrucción de errores.
- Clasificación de anomalías: Uso del autoencoder para diferenciar tipos de anomalías en ECG.
- Visualización de resultados: Gráficos de señales, reconstrucción y umbrales de anomalía.
- Python (NumPy, Pandas, Matplotlib)
- TensorFlow/Keras (para el autoencoder)
- Cargar y preprocesar los datos de ECG.
- Entrenar el autoencoder en datos normales.
- Evaluar la detección de anomalías mediante el error de reconstrucción.
- Clasificar anomalías con técnicas supervisadas o semi-supervisadas.