Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/31459
Registro completo de metadados
Campo DCValorIdioma
dc.creatorMeurer, Sarah Morgana-
dc.date.accessioned2023-05-23T14:40:08Z-
dc.date.available2023-05-23T14:40:08Z-
dc.date.issued2022-12-14-
dc.identifier.citationMEURER, Sarah Morgana. Detecção e classificação de patologias cardíacas em eletrocardiogramas utilizando redes neurais profundas. 2022. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Eletrônica) - Universidade Tecnológica Federal do Paraná, Toledo, 2022.pt_BR
dc.identifier.urihttp://repositorio.utfpr.edu.br/jspui/handle/1/31459-
dc.description.abstractCardiovascular diseases have been, in the last decades, among the main causes of mortality worldwide. Such diseases can be detected/diagnosed by a health professional through a noninvasive test called an electrocardiogram (ECG), which provides a representation of the electrical activity of the heart. Nonetheless, the interpretation of the ECG is not a trivial task, demanding considerable experience from the health professional to properly identify morphological changes. In this context, machine learning (especially, deep learning) techniques have been widely used, in the field of clinical electrophysiology, to construct mathematical models which are able to automatically detect patters associated with the presence or absence of cardiac pathologies. However, despite the good performance achieved, only a few research works published so far have used public datasets for training the introduced architectures, thus making it difficult to validate the results, to obtain fair performance comparisons, as well as to propose improvements. So, the present work focuses on the development of a computational tool for automatic detection and classification of 5 super-classes of cardiac pathologies. Specifically, the architectures introduced in (RAJPURKAR et al., 2017) and (RIBEIRO et al., 2020) are implemented here, using Python language along with Tensorflow and Keras modules, and trained with a public dataset already labeled by cardiologists, named PTB-XL (WAGNER et al., 2020). The performance of the obtained models (after training) is assessed through the multilabel confusion matrix (MCLM), from which some metrics like precision, recall, and F1-score as well as their average values termed micro, macro, and weighted can be computed, according to the methodology described in (HEYDARIAN; DOYLE; SAMAVI, 2022). Still, comparisons involving the computational cost required for implementing and training both architectures are presented, highlighting the number of parameters, number of epochs, and time elapsed until the end of the training. Results showed that the model obtained from the architecture described by (RIBEIRO et al., 2020) presents a similar performance, or even slightly better, for different metrics than the one obtained from the architecture introduced by (RAJPURKAR et al., 2017); especially, when the involved computational cost is taken into account.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Tecnológica Federal do Paranápt_BR
dc.rightsopenAccesspt_BR
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/pt_BR
dc.subjectEletrocardiografiapt_BR
dc.subjectAprendizado do computadorpt_BR
dc.subjectEletrofisiologiapt_BR
dc.subjectElectrocardiographypt_BR
dc.subjectMachine learningpt_BR
dc.subjectElectrophysiologypt_BR
dc.titleDetecção e classificação de patologias cardíacas em eletrocardiogramas utilizando redes neurais profundaspt_BR
dc.title.alternativeDetection and classification of cardiac pathologies in electrocardiograms using deep neural networkspt_BR
dc.typebachelorThesispt_BR
dc.description.resumoDoenças cardiovasculares vêm figurando, no decorrer das últimas décadas, dentre as principais causas de morte registradas no mundo. Tais doenças podem ser detectadas/diagnosticadas por um profissional de saúde através de um exame não invasivo denominado eletrocardiograma (ECG), o qual fornece uma representação da atividade elétrica do coração. Entretanto, a interpretação do ECG não é uma tarefa trivial, demandando considerável experiência do profissional de saúde na identificação apropriada de alterações morfológicas. Nesse contexto, técnicas de aprendizado de máquina (em especial, aprendizado profundo) vêm sendo amplamente utilizadas, na área de eletrofisiologia clínica, para criar modelos matemáticos capazes de detectar automaticamente padrões que caracterizam a presença ou ausência de patologias cardíacas. Contudo, apesar do bom desempenho alcançado, poucos trabalhos apresentados até então utilizam conjuntos de dados públicos no treinamento das arquiteturas, dificultando assim a validação dos resultados, comparações de desempenho e proposição de melhorias. Diante disso, o presente trabalho foca sobre o desenvolvimento de uma ferramenta computacional para detecção e classificação automática multirrótulos de 5 superclasses de patologias cardíacas. Especificamente, as arquiteturas introduzidas em (RAJPURKAR et al., 2017) e (RIBEIRO et al., 2020) são implementadas, utilizando linguagem Python juntamente as bibliotecas Tensorflow e Keras, e treinadas considerando um conjunto de dados público já rotulado por cardiologistas, denominado PTB-XL (WAGNER et al., 2020). O desempenho dos modelos obtidos (após o treinamento) é avaliado através da matriz de confusão multirrótulos (MLCM), a partir da qual as métricas precisão, sensibilidade e F1-score assim como seus valores médios micro, macro e weighted podem ser computados, conforme metodologia introduzida em (HEYDARIAN; DOYLE; SAMAVI, 2022). Ainda, comparações envolvendo o custo computacional para a implementação e treinamento das arquiteturas são apresentadas, abordando a quantidade de parâmetros, o número de épocas e o tempo transcorrido até o encerramento do treinamento. Os resultados obtidos mostraram que o modelo de (RIBEIRO et al., 2020) apresenta um desempenho similar, ou ainda ligeiramente melhor, para as diferentes métricas consideradas do que aquele obtido a partir da arquitetura de (RAJPURKAR et al., 2017); sobretudo, ao se levar em conta o custo computacional envolvido.pt_BR
dc.degree.localToledopt_BR
dc.publisher.localToledopt_BR
dc.contributor.advisor1Kuhn, Eduardo Vinicius-
dc.contributor.advisor-co1Zanco, Daniel Gomes de Pinho-
dc.contributor.referee1Oliveira, Alberto Vinicius de-
dc.contributor.referee2Maia, Ranniery da Silva-
dc.contributor.referee3Kuhn, Eduardo Vinicius-
dc.contributor.referee4Zanco, Daniel Gomes de Pinho-
dc.publisher.countryBrasilpt_BR
dc.publisher.programEngenharia Eletrônicapt_BR
dc.publisher.initialsUTFPRpt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICApt_BR
Aparece nas coleções:TD - Engenharia Eletrônica

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
deteccaoclassificacao.pdf505,99 kBAdobe PDFThumbnail
Visualizar/Abrir


Este item está licenciada sob uma Licença Creative Commons Creative Commons