Abstract: . . .  inicio para un sistema neuro difuso. Aunque los errores obtenidos durante el entrenamiento de las redes neuronales pueden ser menores a los errores obtenidos en los sistemas difusos, los sistemas difusos son ms robustos para la clasificacin de datos nuevos, adems los sistemas neuro difusos generan una base de reglas que puede ser relacionada con el razonamiento humano y que permite entender la relacin de las caractersticas no lineales con la clase.  . . .
. . .  son la entropa de Shannon y la complejidad de Lempel-Ziv. Figura 1. Segmentos de ECG normal (N) y con bloqueo de rama derecha (LBBB). 4. CLASIFICACIN El conjunto de caractersticas extradas para los cuatro tipos de arritmias (LBBB, N, PVC, VF) se muestra en la figura 2, donde se observa la separacin entre clases Figura 2. Entropa de Shannon vs. Complejidad de Lempel-Ziv. Se seleccionaron 25 patrones por clase como conjunto de datos de . . .
. . .  datos desconocidos, obteniendo un error menor durante la clasificacin. Sin embargo, hay que tener cuidado con los datos que se encuentren por fuera del universo de discurso de las entradas. Para el sistema difuso generado utilizando agrupamiento substractivo se obtuvo el error de clasificacin mostrado en la tabla 3, lo cual es inferior a lo obtenido con la red neuronal. Tipo arritmia Nmero de datos de entrenamiento Numero . . .
. . .  Scientia et Technica Ao XII, No 31, Agosto de 2006 UTP. ISSN 0122-1701 19 Fecha de Recepcin: 31 Enero de 2006 Fecha de Aceptacin: 23 Mayo de 2006 CLASIFICACIN DE ARRITMIAS UTILIZANDO ANFIS, REDES NEURONALES Y AGRUPAMIENTO SUBSTRACTIVO RESUMEN Se presenta una metodologa para la caracterizacin y clasificacin de seales electrocardiogrficas utilizando mtodos no lineales tales como la entropa de Shannon . . .
. . .  la ubicacin inicial de las funciones de pertenencia lo cual es suficiente para el entrenamiento del sistema, o como punto de inicio para un sistema neuro difuso. Aunque los errores obtenidos durante el entrenamiento de las redes neuronales pueden ser menores a los errores obtenidos en los sistemas difusos, los sistemas difusos son ms robustos para la clasificacin de datos nuevos, adems los sistemas neuro difusos generan una base de reglas que puede . . .
. . .  ubicacin inicial de las funciones de pertenencia lo cual es suficiente para el entrenamiento del sistema, o como punto de inicio para un sistema neuro difuso. Aunque los errores obtenidos durante el entrenamiento de las redes neuronales pueden ser menores a los errores obtenidos en los sistemas difusos, los sistemas difusos son ms robustos para la clasificacin de datos nuevos, adems los sistemas neuro difusos generan una base de reglas que puede ser relacionada . . .
--3000,6,250,3430,17834