000152256 001__ 152256
000152256 005__ 20250401114419.0
000152256 037__ $$aTAZ-TFM-2025-069
000152256 041__ $$aspa
000152256 1001_ $$aEntenza Garmendia, Sara
000152256 24200 $$aBalistocardiography signal processing and artificial intelligence for cardiac output estimation.
000152256 24500 $$aProcesado de la señal de balistocardiografía e inteligencia artificial para la estimación del gasto cardíaco.
000152256 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2025
000152256 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/
000152256 520__ $$aEn casos de paro cardíaco extrahospitalario, la identificación y detección del retorno de la circulación espontánea son fundamentales, pero las técnicas actuales presentan importantes limitaciones. Procedimientos convencionales, como la palpación del pulso carotídeo, la observación del abdomen o el análisis del ECG, no ofrecen suficiente fiabilidad ni precisión. Una alternativa prometedora para monitorizar la recirculación sanguínea es el gasto cardíaco, expresado como el volumen de sangre eyectado por minuto. Sin embargo, las técnicas disponibles para medirlo son inviables en un entorno extrahospitalario debido a su alto coste, complejidad y la necesidad de personal especializado. En este trabajo, se propone el uso de la balistocardiografía (BCG), medida mediante un sensor piezoeléctrico, como señal base para entrenar modelos de \textit{machine learning} (ML) con el objetivo de estimar el gasto cardíaco de manera no invasiva, asequible y automática. Para ello, se registraron señales de ECG, BCG carotídeo y abdominal, así como el gasto cardíaco basado en presión arterial invasiva, en un grupo de 20 sujetos sanos. El conjunto final de datos consistió en 125 segmentos correspondientes a tres fases experimentales: normoventilación, hipoventilación, Trendelenburg e infusión. Las señales fueron procesadas mediante filtros adaptativos y la transformada wavelet, además de incorporar nuevas características. Se extrajeron un total de 103 características utilizando ventanas de 10 segundos con un solapamiento del \(80\%\) entre ventanas consecutivas. Estas características incluyen aspectos morfológicos, momentos estadísticos y otros basados en el cálculo del \textit{ensemble average}. Para esta selección, se aplicó el método RReliefF con el fin de identificar las más relevantes y optimizar el rendimiento del modelo de ML, basado en Máquinas de Soporte Vectorial para Regresión. Posteriormente, se optimizaron los hiperparámetros del modelo y se evaluó su desempeño en la estimación del gasto cardíaco. Esta técnica puede entenderse como el punto inicial para desarrollar un estimador de CO que sea automático, no invasivo, sencillo de aplicar, asequible y seguro.<br />
000152256 521__ $$aMáster Universitario en Ingeniería Biomédica
000152256 540__ $$aDerechos regulados por licencia Creative Commons
000152256 691__ $$a3
000152256 692__ $$aEste trabajo contribuye al ODS 3: Salud y Bienestar al proponer una tecnología asequible, no invasiva y automática para estimar el gasto cardíaco, mejorando el diagnóstico y manejo en emergencias cardiovasculares extrahospitalarias. Esto facilita el acceso a herramientas avanzadas en entornos con recursos limitados, fortaleciendo la atención sanitaria.
000152256 700__ $$aAlonso Gonzales, Erik$$edir.
000152256 7102_ $$aUniversidad de Zaragoza$$bIngeniería Electrónica y Comunicaciones$$cTeoría de la Señal y Comunicaciones
000152256 7202_ $$aBailón Luesma, Raquel$$eponente
000152256 8560_ $$f895895@unizar.es
000152256 8564_ $$s4189912$$uhttps://zaguan.unizar.es/record/152256/files/TAZ-TFM-2025-069.pdf$$yMemoria (spa)
000152256 909CO $$ooai:zaguan.unizar.es:152256$$pdriver$$ptrabajos-fin-master
000152256 950__ $$a
000152256 951__ $$adeposita:2025-04-01
000152256 980__ $$aTAZ$$bTFM$$cEINA
000152256 999__ $$a20250127225400.CREATION_DATE