En este repositorio puede consultarse el código desarrollado para el Trabajo de Fin de Grado, que lleva por título Detección de arritmias en electrocardiogramas usando aprendizaje profundo en el contexto del Internet Of Things. El modelo desarrollado consiste en una red neuronal convolucional, y ha sido desarrollado utilizando el framework Keras.

En este directorio se encuentra el código destinado a la lectura y preprocesamiento de datos. Dentro del archivo __init__.py se recogen las dos clases implementadas para esta tarea. La primera de ellas, DataReader, permite la lectura de los datos de electrocardiogramas desde archivo. La segunda, DataGenerator, se utiliza para preparar los datos y servirlos como entrada a la red neuronal.

En esta carpeta se recoge el código implementado para definir la arquitectura del modelo, así como el proceso de entrenamiento y test. Este directorio contiene los siguientes archivos:

1. models.py: En este archivo se define la estructura de la red neuronal. Se ha implementado utilizando la clase Sequential que pertenece a Keras.
2. train.py: Script que define el método de entrenamiento de la red.
3. test.py: Script que permite la evaluación de un modelo ya entrenado, cargándolo desde memoria y tomando el subconjunto de test correspondiente.
4. Carpeta saved_models: En ella se encuentran los modelos que han sido entrenados para los cinco subconjuntos de validación durante la etapa de experimentación del desarrollo del trabajo.
5. write_answers.py: Este archivo se utiliza para guardar en fichero las predicciones hechas por un modelo, para poder utilizarlas en otros puntos en caso de que sea necesario. Actúa de la misma manera que el archivo test.py, pero guarda las predicciones hechas en un archivo externo.

En esta carpeta se encuentra el código que se ha utilizado para crear la función de puntuación utilizada en la competición, para poder ser utilizada durante el proceso de entrenamiento de la red.

En esta carpeta se encuentra la información referente al conjunto de datos con los que se ha trabajado. Se ha evitado subir el conjunto de datos completo, dado que es muy pesado y no tiene mucho sentido tenerlo aquí almacenado. Para poder ejecutar el modelo, previamente hay que descargar el conjunto de datos y descomprimirlo dentro de una carpeta llamada data dentro de este directorio.

Si se quieren reproducir los resultados mostrados en el trabajo, el proceso a seguir es el siguiente:

1. Descargar el conjunto de datos de Physionet: (https://physionet.org/challenge/2017/training2017.zip)
2. Descomprimir los archivos y colocarlos en la carpeta data dentro de la carpeta dataset
3. Instalar Python 3 junto con las dependencias especificadas en el archivo requirements.txt
4. Seleccionar en el archivo test.py el subconjunto de validación que se quiere utilizar. Se han adjuntado los modelos entrenados para los cinco subconjuntos de validación, para evitar que haya que entrenarlos de nuevo a la hora de comprobar los resultados.
5. En caso de querer reentrenar los modelos, se puede hacer ejecutando el archivo train.py. En dicho archivo hay que seleccionar también el subconjunto de validación que va a utilizarse.