1. Repositorio Institucional UAQ
  2. Tesis
  3. Facultad de Ingeniería
  4. Maestría
  5. Maestría en Ciencias (Instrumentación y Control)
Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/12971
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttps://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorMarcos Romo Aviléses_ES
dc.creatorElias Gabriel Napoles Ramoses_ES
dc.date.accessioned2026-05-28T15:38:10Z-
dc.date.available2026-05-28T15:38:10Z-
dc.date.issued2026-06-01-
dc.identifier.urihttps://ri-ng.uaq.mx/handle/123456789/12971-
dc.descriptionActualmente, una de las principales causas de muerte a nivel global son las Enfermedades Cardiovasculares, dentro de estas enfermedades se tienen el Síndrome Coronario Agudo sin Elevación del Segmento ST y el Infarto Agudo al Miocardio con Elevación del Segmento ST. En el año 2021 fallecieron aproximadamente 177 mil personas a nivel nacional por estas enfermedades. El Electrocardiograma es la herramienta principal para la detección de estas enfermedades, sin embargo, la interpretación del mismo queda a las capacidades del personal de salud. Por lo anterior se desarrolló este proyecto, siendo el objetivo principal desarrollar dos modelos de Inteligencia Artificial (Máquinas de Soporte Vectorial y Red Neuronal Recurrente) para la detección de Síndrome Coronario Agudo sin elevación del Segmento ST e Infarto Agudo al Miocardio con elevación del Segmento ST mediante características extraídas de una señal de un Electrocardiograma. Buscando modelos ligeros con la capacidad de ser ejecutados dentro de una Raspberry Pi B4. Los resultados muestran una gran versatilidad en el uso de recursos computacionales y una alta taza de acertividad en la detección y clasificación de estas enfermedades, siendo una precisión de 89 % para la Máquina de Soporte Vectorial y 91.38 % para la Red Neuronal Recurrente. A pesar de los resultados se encuentran áreas de oportunidad en el tiempo de inferencia de los modelos, y el uso de memoria RAM por parte del sistema embebido.es_ES
dc.formatpdfes_ES
dc.format.extent1 recurso en línea (54 páginas)es_ES
dc.format.mediumcomputadoraes_ES
dc.language.isospaes_ES
dc.publisherUniversidad Autonoma de Querétaroes_ES
dc.relation.requiresSies_ES
dc.rightsopenAccesses_ES
dc.subject.classificationINGENIERÍA Y TECNOLOGÍAes_ES
dc.titleDetección y clasificación de infartos mediante técnicas de Inteligencia Artificiales_ES
dc.typeTesis de maestríaes_ES
dc.creator.tidORCIDes_ES
dc.contributor.tidORCIDes_ES
dc.creator.identificador0009-0001-2140-9134es_ES
dc.contributor.identificador0000-0003-2838-4854es_ES
dc.contributor.roleDirector de tesises_ES
dc.degree.nameMaestría en Ciencias (Instrumentación y Control)es_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelMaestríaes_ES
dc.format.supportrecurso en líneaes_ES
dc.matricula.creator257538es_ES
dc.folioIGMAC-257538es_ES
Aparece en: Maestría en Ciencias (Instrumentación y Control)

Archivos:
Fichero Descripción Tamaño Formato  
IGMAC-257538.pdfMaestría en Ciencias (Instrumentación y Control)1.64 MBAdobe PDFVisualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.