Hernandez Beleño, Ruben DarioGutierrez Navia, Maria AlejandraMoreno Ramirez, Nicolas Andres2024-02-222024-02-222023-12-22http://hdl.handle.net/10654/45854La enfermedades de tensión arterial son patologías crónicas que afectan a millones de personas en todo el mundo. El manejo de la presión arterial es un desafío importante, ya que requiere un tratamiento personalizado que tenga en cuenta las características individuales de cada paciente. En este proyecto se propone un sistema de control para la regulación de la presión arterial basado en inteligencia artificial y ECG. El sistema utiliza una señal ECG como entrada para identificar el tipo de arritmia que presenta el paciente. Luego, utiliza un modelo de WindKessel para obtener la señal de presión arterial. Finalmente, utiliza un controlador PID ideal para generar las señales de control que regulan la presión arterial. El sistema se implementó en un simulador de paciente. Los resultados de las simulaciones mostraron que el sistema es capaz de regular la presión arterial de forma efectiva en pacientes con diferentes tipos de arritmia. Este proyecto tiene el potencial de mejorar el control de la presión arterial en pacientes con arritmia. El sistema es personalizado y adaptable, lo que lo hace adecuado para su uso en pacientes individualesAgradecimientos III Resumen IV Acrónimos 2 1. Capítulo: Introduccion 3 1.1. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.2. Planteamiento del problema . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.3. Justificación del proyecto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.4. Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.5. Objetivos específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.6. Especificaciones normativas . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2. Capíıtulo: Marco Teórico 20 2.1. Electrocardiograma ”ECG” . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.2. Inteligencia artificial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.2.1. Aprendizaje automático “Machine learning” . . . . . . . . . . . . . . 20 2.2.2. Aprendizaje Supervisado . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.2.3. Tipos de algoritmos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.3. Presión arterial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.4. Compliancia arterial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.5. Impedancia o resistencia al flujo sanguíneo . . . . . . . . . . . . . . . . . . . 24 2.6. Flujo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.7. Resistencia vascular periférica . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.8. Gasto Cardiaco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.9. Controlador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.9.1. Sistema lazo cerrado . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.9.2. Función de transferencia . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.9.3. Comportamiento dinámico de un sistema . . . . . . . . . . . . . . . . 25 2.9.4. Comportamiento estático de un sistema . . . . . . . . . . . . . . . . . 25 2.9.5. La frecuencia natural de amortiguamiento (Wn) . . . . . . . . . . . . 26 2.9.6. El coeficiente de amortiguamiento (ζ) . . . . . . . . . . . . . . . . . . 26 2.9.7. El tiempo de establecimiento (settling time) (Ts) . . . . . . . . . . . 27 3. Capítulo: Metodología Y Desarrollo Experimental 28 3.1. Modelo de WindKessel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.2. Señales electrocardiográficas (ECG) . . . . . . . . . . . . . . . . . . . . . . . 33 3.2.1. Procesamiento en Python . . . . . . . . . . . . . . . . . . . . . . . . 35 3.2.2. Clasificación señales de electrocardiografía (Algoritmo de IA) . . . . . 37 3.3. Controlador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.4. Modelo Final . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 4. Capítulo: Resultados y Análisis 56 4.1. Paciente sano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 4.2. Paciente con hipotensión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 4.3. Paciente con hipertensión . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 5. Capítulo: Conclusiones y recomendaciones 74 A. Anexo I: Código Fuente Matlab 77 B. Anexo II: Código Función de Matlab interpretada/Simulink 90 C. Anexo III: Código Matlab Function 91 D. Anexo IIII: Código Ejemplo Anaconda (Python) 92 Bibliografía 94applicaction/pdfspainfo:eu-repo/semantics/openAccessINTELIGENCIA ARTIFICIALPRESION SANGUINEAHIPERTENSIONTesis/Trabajo de grado - Monografía - Pregradocontrolmodelingartificial intelligencebiological systemspathologyblood pressureAttribution-NonCommercial-NoDerivatives 4.0 Internationalcontrolmodelamientointeligencia artificialsistemas biológicospatologíaspresión arterialinstname:Universidad Militar Nueva Granadareponame:Repositorio Institucional Universidad Militar Nueva Granadarepourl:https://repository.unimilitar.edu.coAcceso abiertohttp://purl.org/coar/access_right/c_abf2