IMAGE Laboratory, Moulay Ismail University, Meknes, Morocco
IMAGE Laboratory, Moulay Ismail University, Meknes, Morocco
L-STI, T-IDMS, University of Moulay Ismail, Faculty of Science and Technics, Errachidia, Morocco
FS, My Ismail University, Meknes, Morocco
IASSE Laboratory, Sidi Mohamed Ben Abdellah University, Fez, Morocco
Los electrocardiogramas (ECG) fetales proporcionan información crucial para las intervenciones y diagnósticos de las embarazadas a nivel clínico. Las señales maternas son robustas, lo que dificulta la recuperación y detección de ECGs fetales. En este artículo, proponemos una solución basada en Machine Learning adaptando el clustering de k-means para detectar el ECG fetal mediante la grabación de los ECGs. En nuestra primera parte de preprocesamiento, intentamos normalizar y segmentar la forma de onda del ECG. A continuación, utilizamos la distancia euclídea para medir la similitud. Para identificar un cierto número de centroides en nuestros datos, los resultados clasificados en dos clases se representan en la última parte mediante gráficos y se comparan con otros algoritmos, como el clasificador CNN, para demostrar la eficacia de este enfoque innovador, que puede aplicarse en tiempo real.
Este artículo se distribuye bajo la licencia Creative Commons Attribution 4.0 License. A menos que se indique lo contrario, el material publicado asociado se distribuye bajo la misma licencia.
The statements, opinions and data contained in the journal are solely those of the individual authors and contributors and not of the publisher and the editor(s). We stay neutral with regard to jurisdictional claims in published maps and institutional affiliations.
También puede {advancedSearchLink} para este artículo.