Detección de señales cardíacas anormales

Descripción del problema

En este problema se busca desarrollar un modelo de clasificación de imágenes capaz de distinguir entre señales ECG normales y ECG anormales, partiendo de un conjunto de datos con información médica real.

Los datos proporcionados en el marco de este problema están representados en forma de imágenes ECG, cada imagen correspondiendo a un registro completo de la actividad eléctrica del corazón para un paciente. Las imágenes pueden utilizarse directamente como datos de entrada para modelos de clasificación de imágenes.

¿Qué es un ECG?

ECG (Electrocardiograma) es una investigación médica no invasiva que registra la actividad eléctrica del corazón en el tiempo.
Cada latido del corazón está controlado por impulsos eléctricos, y el ECG mide estas señales usando electrodos colocados en la superficie del cuerpo.

El ECG se utiliza ampliamente para:

• detectar arritmias cardíacas
• identificar infarto de miocardio
• monitorizar el ritmo cardíaco
• evaluar el estado general del corazón

Las anomalías en la señal ECG pueden indicar afecciones cardíacas graves, motivo por el cual la automatización del proceso de análisis es extremadamente importante en la práctica médica.

El conjunto de datos

El conjunto de datos utilizado contiene registros ECG preprocesados, con las siguientes características:

• Cada ejemplo corresponde a un paciente
• Cada ECG está compuesto por 140 puntos de medición
• Cada imagen está etiquetada con:
  • 0 – ECG normal
  • 1 – ECG anormal

Los datos están organizados en archivos CSV:

• train.csv – imágenes y etiquetas para entrenamiento
• test.csv – imágenes sin etiquetas (para inferencia)

Objetivo del problema

El propósito es construir un modelo de clasificación de imágenes que, basándose en una imagen ECG, prediga si la señal cardíaca es normal o anormal.

El modelo debe:

• aprender patrones visuales relevantes de las señales ECG
• generalizar correctamente en datos no vistos
• obtener buen rendimiento en el conjunto de prueba

Archivo de submisión

Al final, generarás un archivo submission.csv con la forma:

1image_path,label2images/ecg_000001.png,03images/ecg_000002.png,1

Evaluación

La métrica utilizada para la evaluación del modelo es la exactitud:

1accuracy = (número_predicciones_correctas / número_total_predicciones)

Baremo de calificación

• accuracy ≥ 98% → 100 puntos
• accuracy < 90% → 0 puntos
• en caso contrario → puntaje proporcional entre 0 y 100