COMPARATIVA DE DESEMPEÑO DE LOS OPTIMIZADORES ADAM VS SGD EN EL ENTRENAMIENTO DE REDES NEURONALES CONVOLUCIONALES PARA LA CLASIFICACIÓN DE IMÁGENES ECG (COMPARATIVE PERFORMANCE OF ADAM VS. SGD OPTIMIZERS IN CONVOLUTIONAL NEURAL NETWORK TRAINING FOR THE CLASSIFICATION OF ECG IMAGES)

Resumen

Resumen
Las Redes Neuronales Convolucionales (RNC) han demostrado ser una herramienta muy potente al momento de analizar imágenes, por lo cual es preciso conocer y experimentar a detalle las bondades que nos ofrece y poder así generar nuevos métodos o aplicaciones con su uso. En el presente se propone una comparativa entre dos clasificaciones de imágenes electrocardiográficas (ECG) en las que se utilizan imágenes sintéticas diseñadas a partir de ecuaciones diferenciales e imágenes reales, además de que al momento de los entrenamientos se hará uso de dos optimizadores diferentes, el optimizador ADAM y el SGD con el objetivo de dar a conocer las eficiencias de cada uno durante el entrenamiento. Este estudio cuantitativo pretende demostrar la eficiencia de las RNC aplicadas a la clasificación de imágenes de este tipo, la cual resulto ser satisfactoria ya que se puede observar que ambas clasificaciones tuvieron una precisión del 100% al utilizar el optimizador SGD.
Palabras Clave: Red Neuronal Convolucional, Optimizadores ADAM y SGD, ECG.

Abstract
Convolutional Neural Networks (CNN) have proven to be a very powerful tool when analyzing images, so it is necessary to know and experience a detail of the benefits that it offers us and thus be able to generate new methods or applications with its use. In this paper, we propose a comparison between two classifications of electrocardiographic images (ECG) in which synthetic images designed from differential equations and real images are use, in addition to the fact that at the time of training two different optimizers will be used, the optimizer ADAM and SGD with the aim of making known the efficiencies of each one during training. This quantitative study aims to demonstrate the efficiency of the CNN applied to image classification of this type, which turns out to be satisfactory since it can be seen that both classifications were 100% accurate when using the SGD optimizer.
Keywords: Convolutional Neural Network, ADAM and SGD optimizers, ECG.