GEMELO DIGITAL PARA PROCESAMIENTO DE SEÑALES Y APRENDIZAJE AUTOMÁTICO EN REGISTROS DE FOTOPLETISMOGRAFÍA

Abstract

El proyecto desarrolló un gemelo digital para preprocesar señales fotopletismográficas (PPG) en tiempo real, empleando SIMULINK y MATLAB para optimizar técnicas de eliminación de ruido. Se integraron autoencoders, modelos de Machine Learning capaces de sintetizar las características de las señales en espacios reducidos. Para la interpretación del aprendizaje de estos espacios latente se aplicaron las técnicas de reducción de dimensionalidad t-SNE y UMAP para proyectar el conjunto de características aprendidas por el autoencoder en un espacio tridimensional, con el fin de visualizar relaciones entre los datos. Aunque los resultados variaron según las bases de datos, los métdodos de filtrado y los autoencoders entrenados demostraron ser eficaces para su cometido de procesado y aprendizaje de características de las señales PPG. El trabajo evidencia el potencial de los gemelos digitales y el aprendizaje automático para mejorar la monitorización mediante dispositivos wearables, sentando las bases para futuras aplicaciones clínicas