La calidad de la traza reflecto métrica es un indicador clave en la certificación de redes de fibra óptica, ya que proporciona información precisa sobre la integridad y el rendimiento de la instalación como el estado físico de la red. Pero también es la gestión eficiente de los archivos generados por el OTDR para garantizar el tiempo de entrega de la documentación. Un manejo descuidado puede llevar a problemas, cualquier irregularidad puede derivarse en retrasos, costos adicionales, pérdida de la importante confianza de los clientes, incluso en accidentes.
Se creó y usó una herramienta como primer filtro para demostrar la efectividad al revisar (comparar) los archivos que genera un OTDR (“.iolm”, “.sor” y “.pdf”) en un paquete de trazas reflecto métricas. La Herramienta en Phyton separa los archivos de acuerdo a su formato, y después los evalúa. La evaluación de los archivos en la herramienta se configura para tomar puntos o características específicas de los archivos. Emite una alerta de los datos extraídos si hay mucha similitud o si existen duplicados.
El uso de esta herramienta lleva a una reducción considerable en el tiempo de la revisión de un paquete de trazas reflecto métricas de 6-8 horas a 3-4 horas. Ya que filtramos y enfocamos el tiempo de revisión en archivos que presenten alerta. Reflejando una optimización administrativa y operativa de al menos el 50%.
El proyecto desarrolla un sistema de monitoreo cardíaco portátil basado en TinyML para detectar arritmias de manera accesible y económica. El objetivo principal es mejorar la capacidad diagnóstica en zonas con acceso limitado a equipos médicos especializados. La hipótesis plantea que un dispositivo de bajo costo puede realizar monitoreo continuo en tiempo real, facilitando la detección temprana de afecciones cardíacas y reduciendo disparidades en la atención médica. La justificación radica en la alta incidencia de enfermedades cardiovasculares en Ecuador y la necesidad de soluciones inclusivas.
El sistema se construyó utilizando un microcontrolador ESP32, un sensor AD8232 y un conversor ADS1115, integrados con la plataforma Edge Impulse para entrenar un modelo de aprendizaje automático. Se utilizaron señales de ECG provenientes de la base de datos pública PTB-XL, complementadas con datos adicionales recolectados de pacientes en distintos rangos de edad. Estas señales fueron procesadas mediante filtros digitales para mejorar su calidad y reducir el ruido. Posteriormente, se reentrenaron modelos de clasificación con el objetivo de diferenciar entre ritmos cardíacos normales y episodios de fibrilación auricular.
Los resultados obtenidos a partir de las pruebas realizadas en Edge Impulse, utilizaron la inferencia con un segmento del dataset empleado en el cual se volvió a reentrenar el modelo y es así como mostraron una eficiencia del 95% en la detección de arritmias, con una efectividad del 88% al minimizar falsos positivos. El prototipo demostró ser funcional y accesible, con un costo total de 56.50.Seconcluyequeelsistemapropuestoesunaherramientaviableparamonitoreocardıˊacoentiemporeal,contribuyendoaladeteccioˊntempranadeenfermedadescardiovascularesymejorandolaequidadenelaccesoaserviciosmeˊdicos.TheprojectdevelopsaportablecardiacmonitoringsystembasedonTinyMLtodetectarrhythmiasinanaccessibleandaffordableway.Themainobjectiveistoimprovediagnosticcapacityinareaswithlimitedaccesstospecializedmedicalequipment.Thehypothesisisthatalow−costdevicecanperformcontinuousmonitoringinrealtime,facilitatingtheearlydetectionofcardiacconditionsandreducingdisparitiesinhealthcare.ThejustificationliesinthehighincidenceofcardiovasculardiseasesinEcuadorandtheneedforinclusivesolutions.ThesystemwasbuiltusinganESP32microcontroller,anAD8232sensor,andanADS1115converter,integratedwiththeEdgeImpulseplatformtotrainamachinelearningmodel.ECGsignalsfromthepublicdatabasePTB−XLwereused,complementedwithadditionaldatacollectedfrompatientsindifferentageranges.Thesesignalswereprocessedusingdigitalfilterstoimprovetheirqualityandreducenoise.Subsequently,classificationmodelswereretrainedtodifferentiatebetweennormalheartrhythmsandepisodesofatrialfibrillation.TheresultsobtainedfromthetestscarriedoutinEdgeImpulseusedinferencewithasegmentofthedatasetusedinwhichthemodelwasretrainedandthusshoweda9556.50.
It is concluded that the proposed system is a viable tool for real-time cardiac monitoring, contributing to the early detection of cardiovascular diseases and improving equity in access to medical services.
Keywords: Cardiac monitoring, TinyML, arrhythmias, accessibilit
Do you manage Open Research Online? Become a CORE Member to access insider analytics, issue reports and manage access to outputs from your repository in the CORE Repository Dashboard! 👇
Get PDF
Get PDF
