Francesca Mongelli
Reconstruction of Standard ECG Leads from Wearable Devices using Deep Learning in the Time-Frequency Domain for the Reliable Estimation of the Cardiac Electrical Axis.
Rel. Gabriella Olmo. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Biomedica, 2025
|
|
PDF (Tesi_di_laurea)
- Tesi
Accesso limitato a: Solo utenti staff fino al 4 Dicembre 2028 (data di embargo). Licenza: Creative Commons Attribution Non-commercial No Derivatives. Download (22MB) |
Abstract
Negli ultimi anni, i dispositivi indossabili per l’acquisizione dell’elettrocardiogramma hanno reso possibile il monitoraggio continuo dell’attività cardiaca in contesti extraospedalieri, aprendo la strada a soluzioni di analisi automatica comparabili con gli standard clinici. Tuttavia, nei sistemi wearable i segnali ECG non vengono sempre acquisiti secondo la configurazione standard di Einthoven, poiché questi dispositivi compatti devono adottare configurazioni di elettrodi locali, diverse da quelle cliniche. Inoltre, tali dispositivi sono pensati per essere utilizzati senza l’assistenza di un operatore specializzato e, in molti casi, da persone anziane, con un conseguente rischio di errato posizionamento degli elettrodi. Risulta dunque complesso confrontare direttamente i segnali registrati con le derivazioni standard ed effettuare una stima accurata di parametri diagnostici come l’asse elettrico cardiaco.
Questa tesi affronta tale problematica proponendo la ricostruzione delle derivazioni di Einthoven (I, II, III) a partire dalle tre derivazioni di ciascun segnale acquisito utilizzando una delle possibili configurazioni del dispositivo e valutando in che modo tale trasformazione influenzi la stima dell’asse elettrico cardiaco
Tipo di pubblicazione
URI
![]() |
Modifica (riservato agli operatori) |
