Sistema para el Diagnóstico de Anomalías Cardiacas en Imágenes Digitalizadas de Electrocardiogramas en Personas Adultas Edith Zaida Sonco Mamani Universidad Nacional de San Agustin,Escuela Profesional de Ingeniería de Sistemas Arequipa, Perú ezaida@gmail.com Abstract The objective of this work is to make classification and recognition of anomalies cardiac in electrocardiographic signals being used the technique of the Artificial neuronal networks and Fuzzy Logic. The project consists of the development of a system of recognition of signals by means of the test and implantation of an string artificial neuronal networks and fuzzy logic, the idea of a system neurodifuso is to find the parameters of a Fuzzy System by means of the learning of methods obtained from a Neuronal Network. Keywords: Patterns. Electrocardiogram, Neuronal Networks, Fuzzy logic, Neuro-Diffuse systems, Recognition of Resumen El objetivo de este trabajo es realizar la clasificación y reconocimiento de anomalías cardiacas en señales electrocardiográficas utilizando la técnica de las Redes Neuronales Artificiales y Lógica Difusa. El proyecto consiste del desarrollo de un sistema de reconocimiento de señales mediante la prueba e implantación de un arreglo de redes neuronales artificiales y lógica Difusa, la idea de un sistema neurodifuso es encontrar los parámetros de un Sistema Fuzzy por medio del aprendizaje de métodos obtenidos de una Red Neuronal. Palabras clave: Electrocardiograma, Redes Neuronales, Lógica Difusa, sistemas Neuro-Difusos, Reconocimiento de Patrones.
1 Introducción La interpretación de señales electrocardiográficas es una de las muchas ramas de la ciencia medica que es estudiada por un médico especializado en cardiología para hacer diagnostico de enfermedades cardiacas o reconocer algunas cardiopatías. En electrocardiografía clínica se estudian las señales ECG, estas tienen ciertas características y propiedades que permiten identificar patrones normales y anormales. Estas características son parámetros como el límite de duración de la onda representativa en los electrocardiogramas, los cambios en la frecuencia cardiaca, alteraciones de onda, la posición del eje cardiaco, amplitudes positivas o negativas de la onda característica. El estudio de todos los parámetros ayuda al cardiólogo a diagnosticar anomalías, por ejemplo ataques al corazón, problemas de conducción, embolias, arritmias, hipertrofias, taquicardias y bradicardias. De aquí que la iniciativa de desarrollar un sistema reconocedor de patrones en señales electrocardiográficas de mayor precisión que en este caso apoye la interpretación para un diagnostico de anormalidades. En esta articulo se propone presentar un prototipo de una arquitectura para la construcción de Sistemas con inferencia difusa, para lo cual se emplea la Red Neuronal y la Logica Difusa. Con esta arquitectura se aplicará una comparativa a un prototipo de sistema experto con inferencia Difusa (red FAN) de diagnóstico de anomalías cardiacas en electrocardiogramas en los seres humanos. Este modelo de Sistema permitirá diagnosticar el tipo de cardiopatía de entre las especificadas posteriormente o si no tiene alguna enfermedad cardiaca una persona mediante el procesamiento de la imagen del electrocardiograma de un paciente. La primera parte de este trabajo esta referido al Estado de Arte,en el cual se mensiona trabajos que han sido inspiradores para el actual,la parte siguiente es la referida a electrocardiogramas y su significado, las Redes Neuronales son explicadas a continuacion con el enfoque al procesamiento de patrones, se muestra un enfoque de la Lógica Difusa para este proyecto, en la siguiente sección mostraremos lo que son los Sistemas Neuro-Difusos y una breve descripción de lo que es los Sistemas de Inferencia Difusa. La propuesta planteada al problema se seala en el siguiente punto, y para terminar las comparativas y conclusiones a este trabajo. 2 Estado del Arte Las redes neuronales y la lógica difusa son dos técnicas de inteligencia artificial que son útiles en el tratamiento de problemas de distintas disciplinas, entre ellas la medicina, en la que ha sido empleada para tareas como: diagnóstico médico, clasificación y predicción. Entre algunos de los sistemas encontrados, se detallan a continuación. Sistema de Adquisicion Remoto para la medida de Electrocardiogramas En Medios Acuáticos, J. Hernández, M. Rodríguez, F. Rosa, A. Ayala y S. Rodríguez, 2001. Sistema De Monitoreo De Parametros Fisiologicos En Forma Remota, Dr. H.Juri, Ing. E. Gonzales, Ing. F. Cagnolo, Ing. C. Centeno, Ing. C. Olmos, R. Ricón, G. Riva, C. Zerbini. El siguiente proyecto consiste en la implementación de un sistema integral de Telemedicina, el cual tiene como finalidad posibilitar el telediagnóstico, el monitoreo de pacientes alejados (o distantes) de los centros de atención médica. Desarrollo de un sistema de adquisición y tratamiento De señales electrocardiográficas, Cristian Vidal Silva Leopoldo Pavesi Farriol, 2004, Este trabajo presenta detalles de diseño e implementación de un sistema de adquisición y procesamiento de señales electrocardiográficas. Junto con esto se señalan algunas de las problemáticas más relevantes que es posible encontrar en trabajos similares, desde el punto de vista electrónico y principalmente informático. 3 Electrocardiograma El electrocardiograma (ECG o también EKG) es el gráfico que se obtiene con el electrocardiógrafo para medir la actividad eléctrica del corazón en forma de cinta gráfica continua. Es el instrumento principal de la 2
Figure 1: Señal de un ECG normal Figure 2: Ondas, intervalos y segmentos del ECG [6] electrofisiología cardiaca y tiene una función relevante en el cribado y la diagnosis de las enfermedades cardiovasculares. Además se utiliza para determinar si el corazón funciona correctamente o si sufre anomalias, indicar bloqueos coronarios arteriales(durante o despues de un ataque cardiaco),se puede utilizar para detectar alteraciones electrolíticas de potacio, calsio, magnesio u otras, permitir la detección de anormalidades conductivas (bloqueo auriculo-ventricular), mostrar la condición fisica de un paciente durante un test de esfuerzo, suministrar información sobre las condiciones físicas del corazón (por ejemplo hipertrofia ventricular izquierda), entre otros [8]. En la figura 1 se muestra una señal de un electrocardiograma de una persona con señales normales. 3.1 Intervalos del ECG Los intervalos de tiempo entre las diferentes ondas son importantes en el diagnostico electrocardiográfico, pues refleja procesos electrofisiológicos y tienen implicaciones clínicas cuando están fuera del margen de variación normal. En la figura 2 se muestran los intervalos, segmentos y ondas características del ECG. La onda P indica que los atrios (las 2 cavidades superiores del corazón) se están contrayendo para bombear la sangre hacia fuera. La siguiente parte es el complejo QRS, que representa el tiempo de la despolarización ventricular. Un complejo QRS mayor de 0.11 s puede deberse a bloqueo de rama, conducción intraventricular anormal, síndrome de preexicitación o hipertrofia ventricular. El intervalo PR refleja en parte el tiempo de conducción auriculoventricular.su valor depende de la frecuencia cardiaca, El segmento ST, es el intervalo entre el punto J y el inicio de la onda T y representa el final de la despolarización y el inicio de la repolarización ventriculares. La onda T indica el período de reposo de los ventrículos. El intervalo QT refleja el periodo total de los procesos de despolarización y repolarización ventricular. El intervalo RR es el intervalo comprendido entre dos ondas R consecutivas y dividido entre 60 s representa la frecuencia cardiaca por minuto(fc). 3
Figure 3: Rango de valores normales de intervalos del ECG. El segmento PR es el intervalo entre el final de la onda P y el inicio del complejo QRS; normalmente es isoeléctrico. El segmento TP es el intervalo entre el final de la onda T y el inicio de la siguiente onda P. En la figura 3 se muestran los rangos de valores normales para las duraciones de intervalos del ECG. La siguiente figura 4 se muestran las ondas e intervalos seleccionados con sus respectivas anomalías y enfermedades que se detectan [4]. 3.2 Enfermedades Cardiacas Las siguientes definiciones has sigo extraidas de: http : //www.revespcardiol.org/cgibin/wdbcgi.exe/cardio/mrevistacardio.f ulltext?pident = 13087900 3.2.1 Isquemia Cuando se presenta un desequilibrio entre el suministro de sangre y la demanda de energía por parte del corazón se produce lo que los médicos llamamos isquemia. 3.2.2 Arritmia ventricular y arritmia supraventricular De acuerdo al sitio del corazón donde la arritmia se origina, se las clasifica en arritmias supra ventriculares y cuando se originan en la parte baja del corazón o ventrículos entonces se denominan arritmias ventriculares. 3.2.3 Hipertrofia La hipertrofia cardiaca (HC) se define macroscópicamente como un incremento del grosor de la pared y/o el septo interventricular. 3.2.4 Bundle branch blocke(bloqueo de rama) Un bloque de rama de paquete es cuando algo está bloqueando uno de los ramas eléctricos del impulso. En la figura 5, mostramos los valores tomados para los aspectos lógicos del sistema. 4 Redes neuronales Es un sistema compuesto por un gran número de elementos básicos, agrupados en capas y que se encuentran altamente interconectados. Esta estructura posee varias entradas y salidas, las cuales serán entrenadas para reaccionar (valores O), de una manera deseada, a los estímulos de entrada (valores I) [3]. Estos sistemas emulan, de una cierta manera, al cerebro humano. Requieren aprender a comportarse y alguien debe encargarse de enseñarles o entrenarles, en base a un conocimiento previo del entorno del problema. Las redes neuronales no son más que un modelo artificial y simplificado del cerebro humano. Una red neuronal es un nuevo sistema para el tratamiento de la información, cuya unidad básica de procesamiento está 4
Figure 4: Señales y enfermedades 5
Figure 5: Valores Lógicos para el Sistema Figure 6: Modelo Genérico de una neurona inspirada en la célula fundamental del sistema nervioso humano: la neurona. [5] Una primera clasificación de los modelos de redes neuronales podría ser, atendiendo a su similitud con la realidad biológica: 1. El modelo de tipo biológico. Este comprende las redes que tratan de simular los sistemas neuronales biológicos. Se estima que el cerebro humano contiene más de cien mil millones de neuronas. Es importante notar que aunque el tiempo de conmutación de la neurona es casi un millón de veces menor que en los actuales elementos de las computadoras, ellas tienen una conectividad miles de veces superior que las actuales supercomputadoras. 2. El modelo dirigido a aplicación. Este modelo no tiene por qué guardar similitud con los sistemas biológicos. Eficaces para el tratamiento de la información en muchas disciplinas. Ellos ha dado como resultado una variedad de aplicaciones comerciales (tanto en productos como en servícios) de esta tecnología de redes neuronales. La cual podemos apreciar en la figura 6 4.1 Redes Neuronales Para Reconocimiento De Patrones La disputa en RNA para reconocimiento de patrones dependientes del tiempo o datos espacio-temporal es que se necesitan algunos conceptos para el reconocimiento y la naturaleza del almacenamiento temporal del patrón. Esto es, formas claras para representar relaciones temporales y procesarlas en estructuras de redes, dinámicas, y se debe encontrar un aprendizaje. Un ejemplar de este tipo de aplicaciones es el reconocimiento del habla. Existen muchas aplicaciones similares y existen múltiples formas en las cuales las RNA pueden representar información temporal. Estas son las siguientes [1]: Se emplean tiempos de retardo entre las conexiones de neuronas. Se crea una representación espacial de datos temporales. 6
Se emplean conexiones en reversa (conexiones recurrentes) para que una red pueda crear una secuencia de señales temporales. Se emplean ambos términos de conexiones sinápticas cortas y largas. Emplear neuronas con activaciones, las cuales la suma de las entradas terminen en el tiempo. Emplear un código de frecuencia para presentar los datos a la red y operaciones de la red. 4.2 Filtrado Transformada de Wavelets La transformada de Fourier de una señal proporciona una descripción de la distribución de la energía de la señal con respecto a la frecuencia, es decir su espectro. La representación de la señal en el dominio de Fourier es única, y consiste en una suma continua de sinusoides de diferentes amplitudes, frecuencias y fases. Por lo tanto sacamos una primera conclusión: La transformada de Fourier no es una herramienta idónea para el análisis de señales no estacionarias. Para solucionar este problema han aparecido diversas soluciones, entre otras la STFT (Short Time Fourier Transform) o la que ocupa este estudio, la CWT (Continue Wavelet Transform). El uso de esta transformada, afina la imagen de un electrocardiograma, suavisando la imagen y eliminando las señales poco significativas. 4.3 Redes Neuronales para Diagnostico Médico Las redes neuronales son altamente tolerantes a fallas, y cuando son entrenadas apropiadamente, estas son capaces de encontrarse cerca de la solución óptima, con información limitada, entonces las redes neuronales pueden hacer una contribución significante para diagnostico médico. Generalmente los datos médicos tienen varias propiedades que los hacen resistentes a técnicas convencionales del análisis computacional: Imprecisión: Subjetividad: Medición de la presión sanguínea, por ejemplo. El paciente se encuentra pálido?. Incompletas: Una base de datos médicos nunca está completa debido a las limitaciones del tiempo, del instrumental, dinero, y otras fuentes. Contenido de alto ruido: Se han encontrado muchos síntomas, o descubrimientos incidentales que no contienen ninguna relación con el problema primario del paciente. 4.4 Aprendizaje Con Momentum En este trabajo se emplea el algoritmo de aprendizaje Retropropagación con momentum, el momentum permite que una red responda no solamente al gradiente local, sino también a recientes tendencias en la superficie de error. Actuando como un filtro pasa bajos, el momentum permite a la red ignorar pequeñas características en la superficie de error. Sin momentum una red puede estancarse en un valle o mínimo local. Con momentum una red puede deslizarse a través de cada mínimo local. El momentum puede ser adicionado al aprendizaje de Retropropagación, haciendo cambios en los pesos. En la figura 7 se muestra una arquitectura típica de una red con retropropagación. 7
Figure 7: Red con retropropagacón 5 Lógica Difusa La lógica borrosa es una rama de la inteligencia artificial que se funda en el concepto Todo es cuestión de grado, lo cual permite manejar información vaga o de difícil especificación si quisiéramos hacer cambiar con esta información el funcionamiento o el estado de un sistema especifico. Es entonces posible con la lógica borrosa gobernar un sistema por medio de reglas de sentido común las cuales se refieren a cantidades indefinidas. Ya hablando de sistemas expertos tradicionales, estos intentan reproducir el razonamiento humano de forma simbólica. Es un tipo de programa de aplicación informática que adopta decisiones o resuelve problemas de un determinado campo, utilizando los conocimientos y las reglas analíticas definidas por los expertos en dicho campo. Los expertos solucionan los problemas utilizando una combinación de conocimientos basados en hechos y en su capacidad de razonamiento(una base de conocimientos y una máquina de deducción, o de inferencia). Las interfaces de usuario, al igual que en cualquier otra aplicación, permiten al usuario formular consultas, proporcionar información e interactuar de otras formas con el sistema. Los mecanismos de explicación, la parte más fascinante de los sistemas expertos, permiten a los sistemas explicar o justificar sus conclusiones, y también posibilitan a los programadores verificar el funcionamiento de los propios sistemas. Los sistemas expertos comenzaron a aparecer en la década de 1960 teniendo una amplia gama de campos para su aplicación son la química, la geología, la medicina, la banca e inversiones y los seguros. 6 Sistemas Neuro-Difusos En esta sección se discuten algunos aspectos fundamentales de las combinaciones neuro-difusas, y en las siguientes secciones se presentan varios planteamientos [2]. Combinando Redes Neuronales y Sistemas Difusos Las NNs (Neural Networks) y los FSs (Fuzzy System ) son utilizados para resolver problemas de proximación de funciones, pueden ser descritos encontrando valores de salida adecuados para los valores de entrada [9]. Si queremos usar una NN para resolver un problema, éste debe describirse lo suficiente por medio de muestras de datos. Si conocemos datos de entradas/salidas, usamos aprendizaje supervisado (como con retropropagación en perceptrones multicapa), si no conocemos nada acerca de estos datos pero tenemos cuantificados los efectos del error causados por las salidas de la NN, podemos usar el aprendizaje reforzado. Podemos usar las NNs si tenemos datos de entrenamiento pues no necesitamos un modelo matemático del problema ni tampoco ningún conocimiento previo. Sin embargo, no podemos interpretar la solución obtenida del proceso de aprendizaje, ya que una NN es una caja negra, y no podemos usarla para ver si una solución es admisible,su estado final no puede interpretarse en términos de reglas, lo que significa que no podemos 8
inicializar una NN con conocimientos previos si ya tenemos algunos, pues la red por lo general debe aprender desde el principio. Un FS puede usarse para resolver un problema si tenemos conocimiento sobre la solución con reglas linguísticas IF-THEN. Definiendo conjuntos difusos adecuados para representar términos linguísticos usados en nuestras reglas, podemos crear el FS de esas reglas. Además de añadir, quitar o cambiar las reglas difusas de los conjuntos difusos también se usa el peso de las reglas, pero éstos destruyen la semántica de un FS y hacen la interpretación del sistema difícil o imposible. La razón más importante para combinar FSs con NNs es la capacidad de aprendizaje pues tales combinaciones son capaces de aprender reglas lingüisticas y/o funciones de membresía, o de optimizar las ya existentes. 6.1 Qué son los Sistemas Neuro-Difusos? La idea de un sistema neurodifuso es encontrar los parámetros de un FS por medio del aprendizaje de métodos obtenidos de una NN. Un camino común para aplicar el algoritmo de aprendizaje de un FS es representarlo en una arquitectura especial tipo NN. Entonces un algoritmo de aprendizaje -como el de retropropagación- es usado para entrenar al sistema. Sin embargo, hay algunos problemas: los algoritmos de aprendizaje de una NN son normalmente métodos de gradiente descendente y no pueden aplicarse directamente a un FS porque las funciones usadas para el proceso de inferencia por lo general no son diferenciables. Hay dos soluciones a este problema: a. Remplazar las funciones usadas en el FS ( como min y max) por funciones diferenciables. b. No usar el algoritmo de aprendizaje neuronal a base de gradientes pero sí un procedimiento más apropiado. Los sistemas neurodifusos modernos por lo general se representan como FFNNs multicapas. Además, para las FFNNs multicapas hay combinaciones de técnicas difusas con otras arquitecturas de NNs, por ejemplo, los mapas característicos de auto-organización o las memorias asociativas difusas. Algunos planteamientos se abstienen de representar a un FS en una arquitectura neuronal. Estos sólo aplican el procedimiento de aprendizaje a los parámetros del FS, o explícitamente usan una NN para determinarlos. Hay diferentes planteamientos que tienen mucho en común, pero difieren en aspectos de implementación, es asi que debemos restringirlos a sistemas que tengan las siguientes propiedades: (a) Un sistema neurodifuso es aquél que es entrenado por un algorirtmo de aprendizaje derivado (generalmente) de la teoría de NNs. (b) Un FS puede siempre puede ser interpretado como un sistema de reglas difusas. (c) El procedimiento de aprendizaje de un sistema neurodifuso adquiere sus propiedades semánticas del FS en cuestión. (d) Un sistema neurodifuso aproxima una función n-dimensional (desconocida) que es parcialmente dada por los datos de entrenamiento. Un sistema neurodifuso no debería verse como una clase de sistema experto(difuso) y no tiene nada que ver con lógica difusa en sentido estrecho. (e) Un sistema neurodifuso puede ser visto como una especie de NN unidireccional (feedforward) de tres capas. Las unidades en esta red usan t-normas o t-conormas en vez de las funciones de activación normalmente usadas en NNs. La primera capa representa las variables de entrada, la capa intermedia (capa oculta) representa las reglas difusas y la tercera capa representa las variables de salida. Los conjuntos difusos son codificados como pesos difusos de conexión. 9
Figure 8: Sistema de Inferencia Difuso [7] Algunos modelos neuro-difusos usan más de tres capas, y codifican los conjuntos difusos como funciones de activación. En este caso, es posible transformarlas en arquitecturas de tres capas. Las técnicas neuro-difusas, entonces, se usan para derivar FSs de datos, o para aumentarlos con los ejemplos de aprendizaje. Es posible usar una NN para aprender ciertos parámetros de un FS, como usando un mapa característico auto-organizado para encontrar reglas difusas, o para ver a los FSs como una NN especial y para aplicar un algoritmo de aprendizaje directamente. 7 Sistema de Inferencia Difuso Los sistemas de inferencia difusos son también conocidos como memorias asociativas difusas (FAM), o controles difusos cuando son utilizados como controles. Básicamente un sistema de inferencia difuso esta compuesto de cinco funcionales [10], los cuales estan interrelacionados de acuerdo a la figura 8 : Una base de reglas Una base de datos que contiene un numero de reglas difusas if-then; que define las funciones de membresía utilizados en las reglas difusas; Una unidad de fabricación de decisiones que realiza las operaciones de inferencia en las reglas; Una Interfaz de fusificación linguisticos; que transforma las entradas reales dentro de grados de igualdad con valores Una Interfaz de defusificación que transforma los resultados difusos de la inferencia dentro de una salida real. Normalmente, la base de reglas y la base de datos conjuntamente referidos como la base de conocimiento. 8 Propuesta al Planteamiento Como primer proceso se trata de trabajar la imagen, quitando el ruido, suavizando la imagen y eliminando los datos poco significativos, la selección de características se refiere a la obtención de los valores de las señales P, Q, R, S y T y a realización del vector de características para que luego ésta última sea pasado o bien al entrenamiento (que guarda los datos entrenados en una base de datos) de la red ó a la clasificación de la señal (reconocimiento), para mostrar la salida, tales procesos son realizados con la NN y el FS. En la figura 9 se muestra el diagrama de bloques de éste trabajo. Los patrones de los ECG son adquiridos en papel especial para los electrocardiogramas con varios ciclos (3 o 4), y son obtenidos de varios pacientes. Para la adquisición de la base de datos de los ECG es necesario digitalizar cada uno de los ciclos en cada una de las derivaciones de las cuales se obtiene un ECG de un paciente. 10
Figure 9: Diagrama de Bloques Son muy importantes las siguientes propiedades en cada onda: señal P Q R S y T, intervalo RR, intervalo TP, segmento PR, intervalo PR, intervalo QRS, segmento ST, intervalo QT, etc. En los ECGs se intenta identificar algunas anomalías, en particular se pretende diagnosticar problemas de: frecuencia cardiaca, arritmias, eje cardiaco, hipertrofias e infarto al miocardio. Se tiene así un número de conjuntos de ECGs para entrenamiento como anomalías más uno con el conjunto de los ECGs normales, todos ellos forman parte del conjunto de entrenamiento. Cada ciclo de ECG debe ser un vector de entrada del sistema Neuro-Difuso, a su vez debe estar separados en seis conjuntos de entrenamiento, cada conjunto para una anormalidad y el otro conjunto para los vectores Ecos. Basados en las características de cada una de las anomalías como por ejemplo duración, la duración del pico o spike, amplitud, área, la posición del eje cardiaco y ondas positivas u ondas negativas. Estas características son examinadas en secuencia para cada anormalidad y cada ECG son predeterminados por sus umbrales. Esta forma de ver a los Sistemas Fuzzy ilustra el flujo de datos dentro del sistema y su naturaleza paralela. Sin embargo esta forma de ver a una NN no es un prerrequisito para aplicar un procedimiento de aprendizaje, es sólo por conveniencia y algunos planteamientos neurodifusos no lo utilizan. La idea de un enfoque híbrido es interpretar la base de reglas de un FS en términos de una NN. Los conjuntos difusos pueden verse como pesos mientras que las variables de entrada/salida y las reglas pueden interpretarse como neuronas. De este modo un FS puede verse como un caso especial de NN o puede emularse por una red feedfordward. El algoritmo de aprendizaje trabaja -como es usual para sistemas de conexiónmodificando su estructura y/o parámetros, es decir por inclusión o exclusión de neuronas y por adaptación de pesos. Estos cambios causados por el proceso de aprendizaje pueden interpretarse desde el punto de vista tanto de NNs como de FSs. Este último aspecto es importante, porque el comportamiento usual de una caja negra de una NN se elimina. Un proceso de aprendizaje exitoso es idéntico al incremento en conocimiento explícito, representado en la forma de una base de reglas difusas. El sistema neurodifuso aprende en modo supervisado. Hay un problema de aprendizaje fijo o un problema de aprendizaje libre junto con el reforzamiento de la señal. 9 Comparativas Las redes FAM, ofrecen un procesamiento de los datos mas corto(tiempo, es decir es mas veloz en ese sentido) en comparación del sistema actual que para la clasificación es necesario el previo entrenamiento. Al momento de clasificar el sistema actual en mas eficiente que con una red FAM debido a la utilización de casos previos(imágenes para el entrenamiento). Los porcentajes de eficiencia son: 70 porciento de eficiencia 11
para el sistema con redes FAM debido a la metodología utilizada y un 85 porciento para el sistema actual que utiliza previo entrenamiento para el diagnostico. Hablando de espacio en memoria, la red FAM utiliza menos espacio en memoria al momento de su ejecución, el sistema actual utiliza memoria al momento del entrenamiento necesitando un espacio en memoria promedio. 10 Conclusiones Se hará uso de la técnica de la lógica difusa con el propósito de facilitar la representación subjetiva de los valores de las enfermedades. El modelo propuesto incorpora conceptos de aprendizaje de redes neuronales a los sistemas de inferencia difusa. La salida de la red, es un dato cercano a la respuesta, debido a que los datos de entrada son difusos, por lo que la utilización de Lógica Difusa que permite trabajar este tipo de valores,brinda un grado de pertenencia a un determinado conjunto fuzzy, facilitando su clasificación. El electrocardiograma (ECG) como en cualquier otra prueba de diagnostico, debería ser considerada en grupo y no aislada, en el contexto de toda la información médica que se tenga, es decir el profesional en esta área debe tomar como referencia el historial clínico del paciente. Si se quiere que el sistema sea robusto y mantenible es necesario que el problema sea analizado y la solución sea cuidadosamente diseñada. Se analiza el problema a resolver desde la perspectiva de los usuarios y de las entidades externas que van a solicitar servicios al sistema. 11 Trabajos Futuros La utilización de más variales como entradas a la red es recomendable, para que permita una mayor exactitud en los resultados, se tratará de incluir otras enfermedades al corazón ya que el presente trabajo es muy restringido. Se podria implementar el sistema con otro tipo de redes con algoritmos evolutivos para realizar comparaciones. References [1] A. Padrón1, J. L. Pérez, R. F. V. G. G. n. Diagnostico de anomalías en electrocardiogramas por medio de redes neuronales artificiales. Centro de Instrumentos-UNAM. [2] de Carvalho e Paiva, R. P. P. Identificação neuro-difusa aspectos de interpretabilidade. Departamento de Engenharia Informática Faculdade de Ciências e Tecnología, Universidade de Coimbra (1999). [3] del C Alegre López, A. Simulación de redes neuronales artificiales. Universidad Nacional del Nordeste, Facultad de Ciencias Exactas, Naturales y Agrimensura (2003), 453 469. [4] Eric Laciar Leber, R. J. C. Detección y análisis latido de potenciales tardíos ventriculares mediante mapas espectro- temporales. Universidad de Valencia (2004). [5] Federici, D. Implicant network: an associative memory model. Norwegian University of Science and Technology Department of computer and information science (2001). [6] Frau, D. C. Estudio de métodos para procesamiento y agrupación de señales electrocardiográficas. Departamento de Informática de Sistemas y Computadoras, Universidad Politécnica de Valencia (2001). [7] Luna, G. M. Introducción a la lógica difusa. Centro de Investigación y Estudios Avanzados del IPN (2002). [8] noz Marí, J. M. Arquitectura abierta escalable para monitorización domiciliaria: aplicación a pacientes con patologías cardiacas. Universitat de Valencia (2003). [9] Quispe, J. C. C. Control neuro difuso a una rúe torre. UNMSM. [10] Ramirez, A. F. Redes neuronales difusas para modelado via agrupanmiento en-línea: Aplicación a un condensador de aspiración. Centro De Investigación Y De Estudios Avanzados Del Instituto Politécnico Nacional Departamento De Control Automático (2005). 12