ECG-Anomaly-Detection-and-Classification

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.

---

✨ Características

• 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.

---

📌 Tecnologías utilizadas

• Python (NumPy, Pandas, Matplotlib)
• TensorFlow/Keras (para el autoencoder)

---

🚀 Uso

1. Cargar y preprocesar los datos de ECG.
2. Entrenar el autoencoder en datos normales.
3. Evaluar la detección de anomalías mediante el error de reconstrucción.
4. Clasificar anomalías con técnicas supervisadas o semi-supervisadas.

---