Sistema de asistencia para el diagnóstico de enfermedades cardiovasculares basado en procesamiento de señales electrocardiográficas y árboles de decisión

Abstract

En esta tesis se presenta el diseño, implementación y validación de un sistema de diag nóstico cardiovascular asistido que combina hardware de bajo costo (OpenBCI Ganglion y computadoras portátiles convencionales) con software ligero basado en Python, BrainFlow, PHP y MySQL. El flujo completo integra la adquisición de señal ECG en tiempo real, el filtrado digital, la extracción de once atributos clínicos esenciales y la clasificación mediante un árbol de decisión (CART) optimizado, entrenado y calibrado para emitir un diagnóstico preliminar NORMAL o ANORMAL que el médico puede revisar, así como la visualización interactiva vía web. Los resultados en laboratorio controlado y con voluntarios sanos mostraron una detección de picos R con más del 97 % de exactitud y un error medio en intervalos RR inferior a 5ms. En el conjunto de 90 registros etiquetados (45 normales y 45 anormales) utilizado para entrenamiento y validación cruzada en 8 pliegues, el clasificador CART alcanzó una exactitud media del 84.44 %, un F1-macro del 84.38 %, un recall del 77.78 % para la clase normal y del 91.11 % para la clase anormal, así como un AUC-ROC del 85.83 %. El sistema web, desarrollado con Bootstrap y Plotly, facilita la revisión remota de trazas ECG y la exportación de reportes en PDF. Este trabajo demuestra que es posible ofrecer un apoyo diagnóstico preliminar fiable, de baja latencia y costo reducido (hardware menor a 500USD, hospedaje menor a 5USD/mes), apto para entornos de atención primaria y telemedicina en zonas de conectividad limitada. Se discuten fortalezas, limitaciones y líneas de trabajo futuro, entre ellas el soporte multicanal, el uso de modelos híbridos y la corrección avanzada de artefactos por movimiento. El énfasis en algoritmos interpretables y en un flujo completo —de la adquisición a la visualización— busca facilitar la adopción clínica y la colaboración entre ingeniería y medicina.

This master’s thesis presents the design, implementation, and validation of an assisted cardiovascular diagnostic system that combines low-cost hardware (OpenBCI Ganglion and standard laptops) with lightweight software built on Python, BrainFlow, PHP, and MySQL. The end-to-end pipeline encompasses real-time ECG acquisition, digital filtering, extraction of eleven essential clinical features, and classification using an optimized decision tree (CART) trained and calibrated to provide a preliminary NORMAL vs. ABNORMAL diagnosis that can be reviewed by the physician, together with an interactive web-based visualization mo dule. Experiments in a controlled laboratory setting with healthy volunteers yielded R-peak detection accuracy above 97 % and mean RR-interval errors below 5ms. On a dataset of 90 labeled records (45 normal and 45 abnormal) used for training and 8-fold cross-validation, the CART classifier achieved an average accuracy of 84.44 %, an F1-macro of 84.38 %, recall values of 77.78 % for the normal class and 91.11 % for the abnormal class, and an AUC-ROC of 85.83 %. The web interface, developed with Bootstrap and Plotly, enables remote review of ECG traces and the export of PDF reports. This work shows that reliable preliminary cardiac diagnoses can be delivered with low latency and reduced cost (hardware below 500USD, hosting below 5USD/month), making the system suitable for primary care and telemedicine in resource-constrained or limited connectivity settings. Strengths, limitations, and future research lines are discussed, inclu ding multichannel support, hybrid modeling, and advanced motion-artifact correction. The emphasis on interpretable algorithms and a complete pipeline—from acquisition to visuali zation—seeks to facilitate clinical adoption and foster collaboration between engineering and medicine.