ECG Anomaly Detection

Resumen

Este proyecto detecta anomalías en señales de ECG de 12 derivaciones aprendiendo cómo se ve un latido normal. Se entrena un Autoencoder Variacional sobre ECGs filtrados con FMM; el error de reconstrucción y los scores en el espacio latente marcan las desviaciones, y un clasificador XGBoost convierte esos scores en una decisión con un umbral calibrado. Se entrena y evalúa sobre dos grandes datasets públicos (PTB-XL y Chapman-Shaoxing) con un pipeline reproducible completo desde el preprocesamiento hasta la evaluación en datos no vistos.

Destacados

• El VAE aprende una representación latente de ECGs normales; las anomalías caen donde la reconstrucción y los scores latentes divergen.
• Filtrado de señal FMM como preprocesamiento, con un estudio exploratorio de su efecto sobre las formas de onda.
• Cabeza de decisión XGBoost sobre los scores del VAE, con hiperparámetros ajustados y un umbral de detección calibrado.

Informe