Dissertação
An Artificial Intelligence Approach to Atrial Fibrillation Detection in Single-lead Invisible ECG EVALUATED
As doenças cardiovasculares (DCVs) são atualmente a principal causa de mortalidade a nível mundial. Uma vez que algumas DCVs podem ocorrer sem sintomas e ainda serem prejudiciais, a sua deteção precoce e a monitorização de doentes de risco fora do ambiente hospitalar é crucial para evitar taxas de mortalidade ainda mais elevadas. Por essa razão, um paradigma recente de sistemas de monitorização contínua baseia-se na integração da monitorização fisiológica com a vida quotidiana do paciente, utilizando tecnologias "wearable" e "invisible". Uma das DCVs mais relevantes é a Fibrilhação Auricular (FA), associada a um risco acrescido de acidentes vasculares cerebrais. Devido à sua crescente prevalência e custos para os sistemas de saúde, várias abordagens para detetá-la foram desenvolvidas nos últimos anos. Utilizando registos eletrocardiográficos (ECG) de uma única derivação da "PhysioNet Computing in Cardiology Challenge 2017" (CinC2017), foi desenvolvido um algoritmo baseado em redes neuronais artificiais para distinguir a FA do Ritmo Sinusal Normal (RSN). O modelo proposto envolve acoplar uma versão comprimida de segmentos de ECG gerados por um Autoencoder (AE) não supervisionado e um classificador de aprendizagem automática. Um Autoencoder Esparso (SpAE) e um Perceptrão Multicamada (MLP) obteve uma F1-score de 82.2%. Ao acrescentar uma característica relativa a alterações locais dos intervalos RR em torno de um pico R, a F1-score melhorou para 88.2%. Embora simples, esta abordagem comprova que os AEs podem superar os algoritmos que utilizam as mesmas características, e que estes podem ser melhorados para alcançar taxas de desempenho ainda mais elevadas.
novembro 24, 2021, 14:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
