Resumen - El electrocardiograma fue reconocido como una herramienta para la deteccion de aritmias. La mas conocida es la fibrilacion auricular, que puede o no representar un problema para la salud. Este articulo tiene como objetivo la implementacion de redes neuronales y dispositivos IOT para la deteccion de la fibrilacion auricular. En busqueda de prevenir a quienes paceden de esta arrimita cardiaca. Los resultados encontrados se basaran en diferentes investigaciones estudiadas que han aplicado estos conocimientos. Se concluye una deteccion efectiva de la aritmia con los metodos implementados. Abstrac - The ECG was discovered to be a useful tool for detecting arrhythmias. Atrial fibrillation is the most well-known, and it may or may not be a health issue. The goal of this essay is to use neural networks and IoT devices to identify atrial fibrillation. In order to prevent people who suffer from cardiac arrhythmia. The findings will be based on many research studies that have used this information. The implemented methods result in an effective detection of arrhythmia. Índice de Términos - Alrededor de cuatro palabras o frases clave en orden alfabético, separadas por comas. Para obtener una lista de palabras claves sugeridas, envíe un correo en blanco a keywords@ieee.org o visite el sitio web de IEEE en http://www.ieee.org/organizations/pubs/ani_prod/keywrd98.txt 1. INTRODUCCIÓN El electrocardiograma (abreviado como ECG o EKG) representa un trazado eléctrico del corazón y se registra de forma no invasiva desde la superficie del cuerpo. En 1910 se identificaron muchas arritmias y cambios en el. El ECG pronto fue reconocido como una herramienta sólida de detección y diagnóstico clínico, y ho y en día se usa globalmente en casi todos los entornos de atención médica [1]. Dentro de las arritmias encontradas a lo largo del tiempo se identificó la Fibrilación Auricular que afecta directamente a la frecuencia cardiaca [2]. Si bien a corto plazo no representa un problema grave, puede ocasionar casos donde puede llegar a ser mortal. Es por ello la importancia de hallar la manera de identificar esta arritmia en el menor tiempo posible para prevenir situaciones extremas. La inteligencia artificial (IA) y las tecnologías asociadas se están volviendo más comunes en los negocios y la sociedad, y están comenzando a aparecer en el cuidado de la salud. Estas tecnologías podrían transformar muchos elementos de la atención al paciente, así como las operaciones administrativas dentro de los proveedores, pagadores y compañías farmacéuticas [2]. Hoy en día, los algoritmos ya superan a los radiólogos en la detección de tumores malignos y guían a los investigadores sobre cómo construir cohortes para ensayos clínicos costosos. El desarrollo de nuevos algoritmos ha permitido encontrar nuevas herramientas que identifican problemas en el ritmo cardiaco y detección de la Fibrilación Auricular. Uno de los modelos dentro del campo de la IA son las Redes Neuronales, que no son más que algoritmos entrenados previamente por un gran dataset sobre alguna temática, en este caso sobre electrocardiogramas. En este articulo presentaremos como podemos identificar la fibrilación auricular mediante la implementación de redes neuronales como herramienta para la interpretación de los ECG y así determinar si el ritmo cardiaco pertenece o no a dicha enfermedad. 1.1. Marco Teórico En este contexto, la revisión de literatura tiene como objetivo explicar cómo se detecta la fibrilación auricular implementando dispositivos IOT para la captura de los datos y la interpretación del electrocardiograma a través de las redes neuronales convolucionales. 1.1.1 Fibrilación auricular La fibrilación auricular es una dolencia cardíaca en la que la frecuencia cardíaca es errática y, a menudo, anormalmente rápida. Cuando está descansando, su frecuencia cardíaca debe estar entre 60 y 100 latidos por minuto, la frecuencia cardíaca en la fibrilación auricular puede ser excesivamente rápida a veces. Puede ser mucho mayor que 100 latidos por minuto en algunas circunstancias [3]. Podría provocar síntomas como mareos, dificultad para respirar y agotamiento. Es posible que tenga palpitaciones cardíacas notables, que se sienten como si su corazón estuviera latiendo con fuerza, revoloteando o latiendo de manera errática durante unos segundos o minutos a la vez [3]. 1.1.2 Inteligencia artificial Es el arte y la ciencia de crear máquinas inteligentes, en particular programas informáticos inteligentes. Es análogo al problema de utilizar computadoras para comprender la inteligencia humana, pero la IA no tiene que limitarse a formas fisiológicamente observables [41]. Observar a otros individuos o simplemente observar nuestros propios enfoques puede enseñarnos algo sobre cómo hacer que las máquinas resuelvan problemas. La mayoría de las investigaciones de IA se centran en los problemas que el mundo presenta a la inteligencia. El campo de la IA es libre de aplicar enfoques que nunca se han observado Implementación de IOT para la detección de la Onda P, utilizando Redes Neuronales. A. Altamar, G. Romero, E. Núñez, A. Quintero, y L. Rúa, estudiantes de Ingeniería de Sistemas, de la Universidad Simón Bolívar en humanos o que necesitan mucha más computación de la que los humanos pueden manejar [41]. 1.1.3 Redes neuronales Son un subconjunto del aprendizaje automático que se encuentra en el corazón de los métodos de aprendizaje profundo. Su nombre y estructura se derivan del cerebro humano y se asemejan a la forma en que las neuronas biológicas se comunican entre sí. Una capa de nodo consta de una capa de entrada, una o más capas ocultas y una capa de salida en redes neuronales artificiales. Cada nodo, o neurona artificial, está conectado con los demás y tiene un peso y un umbral vinculados a él. Si la salida de un nodo supera un determinado valor de umbral, el nodo se activa y los datos se envían al siguiente nivel de la red. De lo contrario, no se envían datos al siguiente nivel de la red [42][43]. 1.1.4 Electrocardiograma (ECG) Un electrocardiograma (también conocido como EKG o ECG) es un registro de la actividad eléctrica del corazón. Fue creado en 1902 por Willem Einthoven. Un electrocardiograma es un elemento crucial de la evaluación inicial de un paciente si se sospecha que tiene una afección cardíaca. Este ejercicio examina la arquitectura básica del corazón y el sistema de conducción eléctrica, así como las indicaciones para el ECG, la preparación, la metodología y la importancia clínica [1]. 1.1.5 Dataset Un dataset es una colección de piezas de datos distintas y relacionadas a las que se puede acceder individualmente o en combinación, o administrar como una sola entidad. Tiene estructura de datos de algún tipo. Un ejemplo, podría contener una colección de datos comerciales (nombres, salarios, información de contacto, cifras de ventas, etc.) [44]. 2 MATERIALES Y MÉTODOS/METODOLOGÍA Este capítulo demuestra la metodología empleada para el proceso del conocimiento en base a los ECG utilizando el IOT Y las redes neuronales [15], con la finalidad de saber cuales son los mejores Métodos para afianzar una y pronta respuesta al momento de detectar un ECG [10]. La morfología de la onda P en las diferentes derivaciones, en caso de ritmo sinusal, se origina de acuerdo con la proyección del asa de P en los diferentes hemicampos Los bloqueos auriculares. Se trata de entidades bien diferenciadas, pero que frecuentemente se asocian y tienen una expresión electrocardiográfica (ECG) a menudo compartida. Los criterios ECG más usados para el diagnóstico de CAD son los siguientes: Critérios de la onda P: - Onda P>2,5mm de altura. - Parte+de la P en V1 >1,5mm. - ÂP a la derecha (P pulmonale) y a veces a la izquierda (P congenitale) (fig. 7). Criterios del complejo QRS: - En V1 voltaje<4mm. - Relación voltaje V2/V1>5. Morfología qr o QR en V1. Son criterios bastante específicos, o sea, que si están presentes indican que es bastante probable que exista la enfermedad en cuestión, pero poco sensibles, o sea que, en muchos casos, en presencia de la enfermedad en cuestión, estos cambios no se encuentran Las redes neuronales proporcionan una nueva idea a las investigaciones y sirven para diferentes tipos de investigaciones esto por las diferentes estructuras, profundidad y ancho de red que integran[17]. Las redes neuronales en este campo se utilizo para detectar segmentos de ECG en los diferentes estados[13], normales, con FA, aleteo auricular, fibrilación ventricular, básicamente para detectar automáticamente los latidos de FA. La red utilizada fue CNN (Convolutional Neural Networks), es una red neuronal artificial con aprendizaje supervisado que procesa sus capas[15], que imitan la corteza visual del ojo humano, para identificar diferentes características en la entrada, lo que finalmente le permite reconocer y "ver" objetos. Para ello, las CNN contienen varias capas ocultas especializadas con una jerarquía: esto significa que las primeras capas pueden detectar líneas, curvas y se especializan hasta llegar a capas más profundas que reconocen formas complejas, como los contornos de rostros o animales [16]. La base de datos MIT-BIH, la base de datos de las arritmias esta contiene 48 extractos de media hora de grabaciones Holter de dos canales de 47 sujetos en el estudio del Laboratorio de Arritmia de BIH entre 1975 y 1979. Se seleccionaron al azar veintitrés grabaciones de un conjunto de 4000 grabaciones Holter de 24 canales. Se recopiló una hora de una población mixta de pacientes hospitalizados (aproximadamente 60 %) y ambulatorios (aproximadamente 40 %) en el Hospital Beth Israel en Boston; los 25 registros restantes se seleccionaron del mismo grupo para incluir arritmias menos comunes[14], pero clínicamente significativas que son no está bien representado en pequeñas muestras aleatorias[22]. Los registros se digitalizaron a 360 muestras por segundo por canal dentro de 10 mV con una resolución de 11 bits. Dos o más cardiólogos anotaron de forma independiente cada registro; los desacuerdos se resolvieron para obtener anotaciones de referencia legibles por computadora para cada latido cardíaco contenido en la base de datos [12]. 2.1.1Tipo de investigación El tipo de metodología utilizada en este trabajo investigativo es cualitativo e investigación aplicada tecnológica [[13]] ya que permite recolectar información, resumirla, organizarla y presentar los resultados de las observaciones y pruebas realizadas con la ayuda del IOT [21] y la relación que tiene el IOT y la medicina para un rápida respuesta a una FA. Este método tiene como ventaja que es a corto plazo, fácil y con un costo moderado. 2.2 Universo El universo de esta investigación son los pacientes que sufran de FA en cualquier parte del mundo. 2.3 Población: La población que estudia este trabajo investigativo son a todos los pacientes que padecen a FA y desean un diagnóstico rápido y de constante, adicionalmente a los médicos y personas relacionadas a estos en el ámbito médico. 2.4 Muestra La muestra tomada es mundial mente, concretamente en los pacientes de FA que no se encuentren en clínicas y hospitales. 2.5 Fuentes de información Para la recolección de información se utilizó la recogida de datos de una revista científica, artículos especializados en el tema, artículos web y repertorio de tesis. 2.6 Técnica de recogida de datos La recolección de datos para este trabajo investigativo es por medio a información de una revista científica, además de información de artículos especializados de páginas y documentos científicos. 3 DISCUSION Las métricas que incluyen precisión, especificidad, sensibilidad, tiempo de entrenamiento y error de clasificación se utilizan para evaluar el rendimiento del algoritmo CNN[5] profundo 7 7 propuesto. El algoritmo clasificador sugerido, así como otros clasificadores, se evaluaron utilizando el mismo enfoque de validación de 20 veces.[4] Para comenzar, se utilizan datos de series temporales de diez secuencias para entrenar la red con ECG normal. Las siguientes diez secuencias se utilizan para evaluar la señal de ECG para la categorización de AFib. La instrucción La red CNN profunda propuesta y la curva de tiempo de prueba se ilustran en la Figura 1. Figura 1 La matriz de confusión se calculó a partir de la señal de ECG categorizada utilizando las siguientes condiciones: 2. La señal de ECG normal es positiva verdadera si se clasifica como ECG de paciente normal durante la fase de prueba; de lo contrario, es falso positivo. Los verdaderos positivos tienen un intervalo PR de 120 a 180 ms, un complejo QRS de 75 a 100 ms [3]y la presencia de ondas U es claramente visible en la GUI del paciente y en el sistema de monitoreo del proveedor de servicios. 3. El patrón ECG de AFib se define como ECG de paciente con AFib si es falso negativo; de lo contrario, es verdadero negativo. Figura 2 En esta figura se compara la clasificación de SVM, auto codificador profundo y CNN [2] profunda propuesta en el Sistema de salud inteligente con IOT. Figura 3 Los valores de precisión del método de clasificación en el dominio de la frecuencia se resumen en la Figura 3. Los valores de precisión para la clase Af fueron del 70 %. La homogeneidad del color de las fotos puede explicar el menor valor[8] de precisión de la clase Af en esta situación. Sin embargo, es un buen resultado de clasificación e indicativo del correcto desempeño del modelo propuesto. Dado que se emplearon dos redes MobileNet para evaluar dos tipos diferentes de fotos, los resultados de la clasificación se consideran satisfactorios. En ambas situaciones, obtuvimos porcentajes de categorización que no bajaron del 60% de precisión. La siguiente etapa fue combinar las dos redes[6] y luego extraer la clase genuina asociada con la imagen de entrada de la unión resultante. El método de dos etapas propuesto del complejo QRS y la cancelación de ondas T se implementó en MATLAB y probado en señales de fibrilación auricular [1] Physionet MIT-BIH Base de datos. Las grabaciones en la base de datos son largas (más de 1 hora) y contienen fragmentos marcados en archivos de anotación tanto como fibrilación auricular (AFib)[9] y como ritmo sinusal normal (NSR). Elegimos segmentos de 15 s de ambos tipos y les aplicamos QRScomplex y cancelación de onda T. En la primera serie de pruebas se procesó una señal de entrada con NSR como se indica en la Figura 4. La señal de entrada se preproceso primero. Para disminuir el ruido de alta frecuencia, se utilizó un filtro FIR de paso bajo con una frecuencia de corte de 70 Hz. Luego, la señal se eliminó del uso de un filtro [7] mediano de dos etapas para determinar el desvío de la línea de base. Luego se usó el filtro LMS adaptativo para suprimir la interferencia de la línea eléctrica. La figura 5 muestra el resultado del preprocesamiento [10]. Figura 4 Figura 5 Limitaciones El pequeño tamaño de muestra de los conjuntos de datos de ECG clínicos es una limitación para los estudios de arritmia. Si bien una muestra de aproximadamente 6000 registros de ECG es uno de los conjuntos de datos de acceso público más grandes disponibles hasta donde sabemos, todavía es algo modesto en comparación con los estándares actuales de aprendizaje profundo [8]. Aunque varios estudios sugieren una mejora en la precisión del diagnóstico de fibrilación auricular y otras arritmias, la disponibilidad de muestras de datos adicionales podría conducir a mejores resultados. Esto sería muy útil para determinar la generalización y optimización de la red, así como la cantidad de datos sintéticos generados [37]. Debido a que los generadores se basan en las propiedades de los ECG clínicos actuales, los datos creados pueden tener fallas inherentes a los datos, como ruido excesivo o señales que carecen de las características requeridas para una clasificación precisa [40]. Está previsto que, en el futuro, se desarrollen formas más sólidas de detectar la fibrilación auricular a partir del ECG, utilizando redes neuronales convolucionales avanzadas y el Internet de las cosas, y que el enfoque se amplíe para detectar otras formas de trastornos del ritmo [39]. El rendimiento de los algoritmos se puede mejorar y se pueden explorar nuevas perspectivas y aplicaciones para la síntesis de datos al verificar una técnica en un conjunto de datos clínicos más grande [10]. 4 ALGORITMOS DE DIAGNOSTICO DE FIBRILACIÓN AURICULAR BASADOS EN LA ONDA P. 5 CONCLUSION A pesar de las diversas ventajas que ofrece el internet de las cosas, no siempre son tan inteligentes como parecen y tienen algunas limitaciones considerables. Debido al uso generalizado de dispositivos de internet de las cosas entre el público en general, así como a la abundancia de aplicaciones gratuitas, algunas de las cuales no están debidamente certificadas, puede haber mucha información falsa que cause ansiedad por los problemas arrítmicos informados por los dispositivos, pero no confirmado profesionalmente, convirtiendo una solución en un problema [6], [7]. Para mejorar la técnica de recolección de electrocardiogramas utilizando internet de las cosas, se requiere un proceso de aprendizaje, el cual necesita una educación integral centrada en el paciente para refinar la adquisición de ECG y evitar falsos positivos [9]. También es vital crear recomendaciones centradas en el paciente para el uso correcto, la interpretación de los eventos informados y qué hacer si se descubre una arritmia que estén avaladas por Asociaciones y Sociedades de Cardiología Profesional. El asesoramiento clínico para las arritmias detectadas por estos dispositivos, particularmente en la fibrilación auricular, se verá favorecido por la investigación en curso [38]. A pesar de la necesidad de una mayor investigación y avances tecnológicos, es inevitable que Internet de las cosas se convierta en parte de la práctica médica y brinde beneficios significativos a los pacientes con arritmias en todo el mundo [8]. REFERENTES [1] Y. Sattar, «statpearls,» 22 05 2022. [En línea]. Available: Yasar Sattar.gdfgdfgdfg. [2] Babson College, Deloitte Consulting, «National Library of Medicine,» 06 06 2019. [En línea]. Available: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6616181/. [3] «NHS,» 17 05 2021. [En línea]. Available: 3. https://www.nhs.uk/conditions/atrial- fibrillation/#:~:text=Atrial%20fibrillation%20is%20a%20h eart,in%20your%20wrist%20or%20neck. [4] Mixue Deng; Lishen Qiu; Hongqing Wang; Wei Shi; Lirong Wang. Atrial Fibrillation Classification Using Convolutional Neural Networks and Time Domain Features of ECG Sequence. 2020. [5] Vincenzo Randazzo; Jacopo Ferretti; Eros Pasero. ECG WATCH: a real time wireless wearable ECG. 2019. [6] M. Carrara, L. Carozzi, T.J. Moss, M. de Pasquale, S. Cerutti, M. Ferrario, et al. Heart rate dynamics distinguish among atrial fibrillation, normal sinus rhythm and sinus rhythm with frequent ectopy. 2022. [7] Zhaohan Xionga. Martin K.Stiles. Anne M.Gillisc. Jichao Zhao. Enhancing the detection of atrial fibrillation from wearable sensors with neural style transfer and convolutional recurrent networks. 2018 [14] Nurul Huda. Sadia Khan. Ragib Abid. Samiul Based Shuvo. A Low-cost, Low-energy Wearable ECG System with Cloud-Based Arrhythmia Detection. 2020. [15] Vincenzo Randazzo;Jacopo Ferretti;Eros Pasero. ECG WATCH: a real time wireless wearable ECG. 2018. [16] Movva Pavani;K. Kishore Kumar. Development of a Low- Cost ECG Device. 2018 [17] Masaya Kisohara;Yuto Masuda;Emi. Atrial Fibrillation Detection Using a Feedforward Neural Network. 2022. [18] Mona Alsaleem;Md Saiful Islam POSTER: Atrial Fibrillation Detection Using a Double-Layer Bi-Directional LSTM Neural. 2019 [19] S.M Ahsanuzzaman;Toufiq Ahmed;Md. Atiqur Rahman. Low Cost, Portable ECG Monitoring and Alarming System Based on Deep Learning. 2020. [20] Qingxue Zhang. ECG Based Biometric Human Identification Using Convolutional Neural Network in Smart Health Applications. 2020. [21] Yu-Jin Lin;Chen-Wei Chuang;Chun-Yueh Yen;Sheng-Hsin Huang;Peng-Wei Huang;Ju-Yi Chen;Shuenn-Yuh Lee. Artificial Intelligence of Things Wearable System for Cardiac Disease Detection. 2020. [22] Hao Dang;Muyi Sun;Guanhong Zhang;Xingqun Qi;Xiaoguang Zhou;Qing Chang. A Novel Deep Arrhythmia- Diagnosis Network for Atrial Fibrillation Classification Using Electrocardiogram Signals. 2019. [23] Masaya Kisohara;Yuto Masuda;Emi Yuda;Junichiro Hayano. A Real-Time IoT Based Arrhythmia Classifier Using Convolutional Neural NetworksNeural Network Detection of Atrial Fibrillation by Lorenz Plot Images of Interbeat Interval Variation. 2018. [24] Zhaohan Xiong;Martin K. Stiles;Jichao Zhao. Robust ECG signal classification for detection of atrial fibrillation using a novel neural network. 2017. [25] Ricardo Salinas-Martínez;Johannes De Bie;Nicoletta Marzocchi;Frida Sandberg. Automatic Detection of Atrial Fibrillation Using Electrocardiomatrix and Convolutional Neural Network. 2020. [26] S.T. Mathew, J. Patel and S. Joseph, "Atrial fibrillation: mechanistic insights and treatment options", European journal of internal medicine, vol. 20, no. 7, pp. 672-681, 2009. [27] S. Islam, N. Ammour and N. Alajlan, "Atrial fibrillation detection with multiparametric RR interval feature and machine learning technique", 2017 International Conference on Informatics Health & Technology (ICIHT), 2017. [28] J. Farhadi et al., "Classification of atrial fibrillation using stacked auto encoders neural networks", 2018 Computing in Cardiology Conference (CinC), 2018. [29] Y. Xia et al., "Detecting atrial fibrillation by deep convolutional neural networks", Computers in biology and medicine, vol. 93, pp. 84-92, 2018. [30] Erratum to “Acid bake-leach process for the treatment of enargite concentrates”, Hydrometallurgy 119–120 (2012), pp. 30–39 [31] V. Maknickas and A. Maknickas, "Atrial fibrillation classification using qrs complex features and lstm", 2017 Computing in Cardiology (CinC), 2017. [32] F. Andreotti et al., "Comparing feature-based classifiers and convolutional neural networks to detect arrhythmia from short https://ieeexplore.ieee.org/author/37088586221 https://ieeexplore.ieee.org/author/37292298000 segments of ECG", 2017 Computing in Cardiology (CinC), 2017. [33] Journal 31(2) (2014) 211{215. XIX. TsvetkovV. Ya. Logical analysis and variable scales. Slavic Forum 4(22) (2018) 103{109. XX. Wang S. et al. Transit traffic analysis zone delineating method based on Thiessen polygon. Sustainability 6(4) (2014) 1821{1832. View [34] Rincón, J.A.; Guerra-Ojeda, S.; Carrascosa, C.; Julian, V. An IoT and Fog Computing-Based Monitoring System for Cardiovascular Patients with Automatic ECG Classification Using Deep Neural Networks. Sensors 2020, 20, 7353. [35] L. Sornmo, M. Stridth, D. Husser, A. Bollmann, and S.B. Olsson,“Analysis of atrial fibrillation: from electrocardiogram signal processing to clinical management,” Phil. Trans. Roy. Soc, vol. A367, pp. 235–253, October 2008. [36] Jonathan Rubin; Saman Parvaneh; Asif Rahman; Bryan Conroy; Saeed Babaeizadeh. Densely connected convolutional networks and signal quality analysis to detect atrial fibrillation using short single-lead ECG recordings. 2017. [37] Isac N Lira;Pedro Marinho R de Oliveira;Walter Freitas;Vicente Zarzoso. Automated Atrial Fibrillation Source Detection Using Shallow Convolutional Neural Networks. 2020 Computing in Cardiology. [38] Trivikrama Bhat;Akanksha;Shrikara;Shreya Bhat;Manoj. A Real-Time IoT Based Arrhythmia Classifier Using Convolutional Neural Networks. 2020 IEEE International Conference on Distributed Computing, VLSI, Electrical Circuits and Robotics. [39] K. G. Rani Roopha Devi;R. Mahendra Chozhan;R. Murugesan. Cognitive IoT Integration for Smart Healthcare: Case Study for Heart Disease Detection and Monitoring. 2019 International Conference on Recent Advances in Energy-efficient Computing and Communication (ICRAECC). [40] Mohammad Mahmudur Rahman Khan;Md. Abu Bakr Siddique;Shadman Sakib;Anas Aziz;Abyaz Kader Tanzeem;Ziad Hossain. Electrocardiogram Heartbeat Classification Using Convolutional Neural Networks for the Detection of Cardiac Arrhythmia. 2020 Fourth International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud) (I-SMAC). [41] J. McCarthy, «Stanford University,» 24 11 2004. [En línea]. Available: 4. https://borghese.di.unimi.it/Teaching/AdvancedIntelligentSyste ms/Old/IntelligentSystems_2008_2009/Old/IntelligentSystems_ 2005_2006/Documents/Symbolic/04_McCarthy_whatisai.pdf. [42] I. C. Education, «IBM,» 17 08 2020. [En línea]. Available: https://www.ibm.com/cloud/learn/neural-networks. [43] «Aprende Machine Learning,» 29 11 2018. [En línea]. Available: 11. https://www.aprendemachinelearning.com/como- funcionan-las-convolutional-neural-networks-vision-por- ordenador/. [44] R. M. George Moody, «PhysioNet,» 24 02 2005. [En línea]. Available: https://physionet.org/content/mitdb/1.0.0/. https://borghese.di.unimi.it/Teaching/AdvancedIntelligentSystems/Old/IntelligentSystems_2008_2009/Old/IntelligentSystems_2005_2006/Documents/Symbolic/04_McCarthy_whatisai.pdf https://borghese.di.unimi.it/Teaching/AdvancedIntelligentSystems/Old/IntelligentSystems_2008_2009/Old/IntelligentSystems_2005_2006/Documents/Symbolic/04_McCarthy_whatisai.pdf https://borghese.di.unimi.it/Teaching/AdvancedIntelligentSystems/Old/IntelligentSystems_2008_2009/Old/IntelligentSystems_2005_2006/Documents/Symbolic/04_McCarthy_whatisai.pdf https://www.ibm.com/cloud/learn/neural-networks https://www.aprendemachinelearning.com/como-funcionan-las-convolutional-neural-networks-vision-por-ordenador/ https://www.aprendemachinelearning.com/como-funcionan-las-convolutional-neural-networks-vision-por-ordenador/ https://www.aprendemachinelearning.com/como-funcionan-las-convolutional-neural-networks-vision-por-ordenador/