Clasificacion de patrones cardiacos utilizando redes neuronales Eduardo Rivera* Francisco Amonio Rodriguez Campos Jonathan Rodrigues Resumen Existen diferentes typologias de redes nenronales artificiales que pueden wilizarse en diferemtes sireus. Una de day mas utlisiadas es la ART Addaptutive Resonance 7 ore), que tiene la capacichad de ripido aprendicaie, aduprabitidad a sefules con cterto grado de parecide ¥ retencton dle las patrones aprendidos. En of siguiente articuly se muestra el algoritome dle re es ART vse aplicacion en reconocimiento usando esta topologia, haciendo entasis en el problema de proves de las sefules: v edo se resolvis ena aplicaciin especifica paras mejorar ka capacidad de reconocimiento de una seftal 1 Introduceién Elreconocimiento de patrones eardiacos es realizadode manera cualitativa por los medicos especialistas y. en los iiltimos anos. ciertos fabricantes de equipo relacionado con Ia ad- quisicion y monitoreo de ta sefal electro- cardiogrifica: han incluido en estos inteligencia anlificial. que no es mas que algoritmos de sistemas expertos. los cuales son apaces. alguna manera. de cuantificar un patron a traves decomparaciones sucesivas, con lo que se tiene Ia imitante de que no se podra tener un com- portamiento dinamico del algoritmo, es decir quenose puede adaptara cierto tipo de sefiales Un nuevo paso en inteligeneia artificial ha sido el concepto de redes neuronales, en las cuales sea buscado emular la forma de trabajo de las neuronas humanas de tal manera que se aprovechen las earacterts as de provesado que poseen las redes de neuronas del sistema nervioso En este articulo se presentari el tipo de red basada en ta teoria de resonancia adaptativa (ART), para clasificar los datos provenientes de la parametrizacion de las sefiales electro- cardiograticas * Docemies de las Escuelas de Ine 2. Teoria de resonancia ad ativa (ART) Las redes ART. en contraste a las dei arquitecturas de redes proceso de aprendizaje muy rapido. requiriendo solamente una euronales, posee un seftal de entrada para definir una categoria. no siendo necesario mas que esta sefial para que la red tenga Ia eapacidad de discriminar o discer los vectores de entrada. ademas de que este tipo de red neuronal tiene ka capacidad de estar en un aprendizaje constante. por lo que quedari la posibilidad de actualizar las categorias. dependiendo de kas restriceiones, que se definan en el disefio de la red, Es debido esto que se utiliza esta topolog clasificacion de los patrones ear a par fa acos: el comportamiento de este tipo de red se explicara acontinuacion La teorta de resonaneia adaptativa (ART) a por Grossberg [1991 en 1976, mpuesta principalmente por dos fue introduy Ta cual esta c La primera capa consiste de un numero de neuronas igual al niimero de entradas. La se~ gunda contiene un numero de neuron: numero de salidas (figura |). al al ctia Fleetronicay Biomedica, Universidad Don Bosca Universidad Don Bosco - Cientifica28 oo {3 Awo4 ws “7 awi-3 Se C.w4-2 \ ow2-4 ? ew2-3 / 5 Fwa-2 / Gwa-t Lae Mm) HWi4 2 7: 4 Ne CO” Sir SSE Figura 1: Estructura de una red ART La caracteristica principal de las redes ART es que cada neurona de entrada est conectada acada neurona de salida y viceversa. Este pe- culiar arreglo proporciona caracteristicas muy especiales a la red [Grossberg 1991]: © Aprendizaje en linea, la red se encuentra en un constante aprendizaje, basindose cn las sefiales de entrada. ‘* Plasticidad de aprendizaje, capacidad de aprender nuevos patrones. ‘* Estabilidad del aprendizaje, capacidad de retener patrones previamente aprendidos Eltérmino de "resonancia' se refiere al esta- do resonante de la red en el cual el vector proto- tipo de una categoria se equiparara al vector de entrada lo suficiente, para que el subsistema lo pueda catalogar dentro de una categoria de salida y retorne al inicio para recibir otro vec~ tor de entrada. La igualdad de vectores causa que la capa de entrada active el nodo corres- pondiente en la capa de salida. La red ART utiliza un aprendizaje no supervisado de tipo competitivo. Las neuronas de la capa de salida compiten por activarse y solo una de ellas permanece activa ante una determinada entrada a la red. Los pesos de las conexiones se ajustan en funcién de la neurona que haya resultado vencedora. La selectividad de una sefial entrante para ser catalogada dentro de un nodo de salida debe E. Rivera, FA. Rodriguez Campos y J. Rodriguez estar dentro de un margen ido por el pardmetro de vigilancia "p". El valor del para- metro se encuentra dentro de Oy 1. Entre mas cercano a 1 esté el parametro mas tendré que ser la similitud del vector prototipo de una categoria con el vector de entrada para ser catalogado. La red ART es capaz de crear su nodo de salida basandose en los patrones de entrada por medio de organizacion propia. Sélo cuando se ha Ilegado a un estado resonante Ia red es actualizada. La red es resonante solo si el vec- tor de entrada es similar al vector de una cate- goria o cuando se entrena por primera vez para cada categoria. La primera vez cualquier vec- tor de entrada sera resonante, el orden de s dependera del algoritmo que se implemente. Para la aplicacién presentada, se utilizara la topologia ART2, la cual ha sido disefiada para el procesado de sefiales analogicas de entrada, La red ART2 posee una estructura un tanto compleja, debido a que internamente las capas de entrada y salida poseen diferentes subcapas de tratamiento, como se muestra en la figura 2 Estas subcapas se encargan de reducir el vec- tor de entrada a su vector unitario en algunos casos. Como la red ART2 procesa sefiales anilogas, se deben reducir estos vectores a un vector unitario para poder clasificarlo en una categoria. El proceso de clasificacién se lleva a cabo mediante el vector resultante de entrada contra los pesos, La figura 3 muestra el diagrama de flujo, e! cual nos permite una mejor visualizacién del proceso del ART2 El proceso de la ART2 es el siguiemt. La red consiste de dos partes Fy F2.M niimero de neuronas de Fl y N el nimero de neuronas de salida. Las siguientes condiciones se deben cumplir para seleccionar los otros parimetros. Las constantes a, b, ¢, d, € y @ son valores de ajuste para la red. Donde p es el parimetro Universidad Don Bosco - (ieatifieaClasificacién de patrones cardiacos uliizando redes neuronales 29 Subsistema de orientacion | | [ . lL, aj / 1 orexe OO aw | po os 8 @=1/(Moduo de Vector de Origen) i clos de Procesamiento Vector de entrada — Primer cite Segundo Ciclo ——_ Tecer Gide Final Capa Ft Figura 2. Diagrama de la topologia de una red ART2. Universidad Don Bosco - Cientifica