Clasificación multiclase de arritmias cardíacas mediante un modelo híbrido CNN-1D + XGBOOST como apoyo al diagnóstico cardiovascular

Resumen

Este trabajo presenta un sistema híbrido para la clasificación automática de ritmos cardíacos a partir de señales de electrocardiograma (ECG) de 12 derivaciones. La propuesta combina una red neuronal convolucional unidimensional (CNN-1D) como extractor de características profundas y un clasificador XGBoost como etapa final de decisión. El sistema se evaluó utilizando el conjunto de datos PTB-XL bajo un esquema de partición estricta por paciente, garantizando una estimación realista de la capacidad de generalización interpaciente. El estudio aborda un escenario de clasificación multiclase que incluye cuatro ritmos clínicamente relevantes: ritmo sinusal normal, fibrilación auricular, taquicardia supraventricular y bradicardia sinusal, considerando el desbalance inherente entre clases. Los resultados muestran que el enfoque híbrido alcanza una exactitud balanceada del 76.11% y un AUC-ROC macro de 93.66%, incrementando la sensibilidad en clases minoritarias en comparación con una CNN entrenada de extremo a extremo. El bajo requerimiento computacional del sistema (tamaño del modelo: 0.47 MB, tiempo de inferencia: 116.53 ms) respalda su viabilidad para implementación en entornos con recursos limitados como herramienta de apoyo al diagnóstico clínico.