Este trabajo explora el uso de redes neuronales convolucionales (CNN, por sus siglas en inglés) para el análisis de electrocardiogramas (ECG) con el objetivo de detectar y clasificar arritmias. Esta investigación se basa en la aplicación de técnicas de aprendizaje automático, específicamente, utilizando CNN para interpretar los datos del ECG. En la metodología, se ha diseñado e implementado un prototipo que utiliza CNN para procesar y analizar señales de ECG. Los datos utilizados para entrenar esta red provenían de bases de datos públicas de ECG. Las pruebas consistieron en la identificación y clasificación de diferentes tipos de arritmias a partir de estas señales en familiares y en mí mismo. Los resultados obtenidos indican que las redes neuronales convolucionales son una herramienta potente para el análisis de ECG. Han demostrado una alta precisión en la detección y clasificación de arritmias en datos ideales. Sin embargo, en el caso de la clasificación en tiempo real, se ha observado que la calidad de la señal de ECG y la colocación correcta de los electrodos son factores críticos que pueden afectar la precisión del sistema. En las conclusiones, a pesar de los desafíos encontrados, el uso de CNN en el análisis de ECG se muestra prometedor. Sin embargo, es necesario seguir trabajando para mejorar la robustez y generalización de la red, explorando diferentes arquitecturas y conjuntos de datos de entrenamiento más diversos. También se recomienda investigar más en el campo de la instrumentación ECG, para mejorar la colocación de los electrodos y reducir el ruido

El present treball explora la utilització de xarxes neuronals convolucionals (CNN, per les seves sigles en anglès) per a l'anàlisi d'electrocardiogrames (ECG) amb l'objectiu de detectar i classificar arrítmies. Aquesta recerca es basa en l'aplicació de tècniques d'aprenentatge automàtic, concretament, utilitzant CNN per interpretar les dades d'ECG. En la metodologia, s'ha dissenyat i implementat un prototip que utilitza CNN per processar i analitzar senyals d'ECG. Les dades utilitzades per entrenar aquesta xarxa provenien de bases de dades públiques d'ECG. Les proves van consistir en la identificació i classificació de diferents tipus d'arrítmies a partir d'aquests senyals a familiars i a mi mateix. Els resultats obtinguts indiquen que les xarxes neuronals convolucionals són una eina potent per a l'anàlisi d'ECG. Han demostrat una alta precisió en la detecció i classificació d'arrítmies sobre dades ideals. No obstant això, en el cas de la classificació en temps real s'ha observat que la qualitat del senyal d'ECG i la col·locació correcta dels elèctrodes són factors crítics que poden afectar la precisió del sistema. En les conclusions, malgrat els desafiaments trobats, la utilització de CNN en l'anàlisi d'ECG es mostra prometedora. No obstant això, és necessari seguir treballant per millorar la robustesa i generalització de la xarxa, explorant diferents arquitectures i conjunts de dades d'entrenament més diverses. També es recomana investigar més en l'àmbit de la instrumentació ECG, per millorar la col·locació dels elèctrodes i reduir el soroll

This work explores the use of convolutional neural networks (CNN) for the analysis of electrocardiograms (ECG) with the aim of detecting and classifying arrhythmias. This research is based on the application of machine learning techniques, specifically, using CNN to interpret ECG data. In the methodology, a prototype has been designed and implemented that uses CNN to process and analyse ECG signals. The data used to train this network came from public ECG databases. The tests consisted of the identification and classification of different types of arrhythmias from these signals in relatives and in myself. The results obtained indicate that convolutional neural networks are a powerful tool for ECG analysis. They have demonstrated high precision in the detection and classification of arrhythmias on ideal data. However, in the case of real-time classification, it has been observed that the quality of the ECG signal and the correct placement of the electrodes are critical factors that can affect the system's accuracy. In the conclusions, despite the challenges encountered, the use of CNN in ECG analysis is promising. However, it is necessary to continue working to improve the robustness and generalization of the network, exploring different architectures and more diverse training data sets. Further research is also recommended in the field of ECG instrumentation, to improve electrode placement and reduce noise