Dissertação

Automatic arrhythmia classification: a pattern recognition approach EVALUATED

Nas últimas décadas tem-se assistido ao contínuo desenvolvimento de aparelhos de monitorização cardíaca. A quantidade de dados recolhida é portanto cada vez maior e torna-se necessário desenvolver algoritmos que auxiliem a sua análise, automatizando-a sempre que possível. A identificação de ritmos a partir de registos electrocardiográficos (ECGs) é parte importante deste problema e pode ser abordada utilizando técnicas de reconhecimento de padrões. Este estudo focou-se no processamento de ECGs, dando particular ênfase à classificação automática de arritmias. Utilizaram-se características espectrais, extraídas recorrendo à transformação de wavelet, e características temporais. Comparou-se o desempenho de três classificadores: k-vizinhos mais próximos, perceptrão multi-camada e máquina de vectores de suporte (SVM, do inglês Support Vector Machine). O método proposto foi validado recorrendo a uma reconhecida base de dados. Foi ainda possível efectuar testes iniciais com ECGs adquiridos nos dedos com o sistema BITalino. Na distinção entre ritmo sinusal e fibrilação auricular o melhor classificador foi o SVM, que atingiu uma taxa global de exactidão de 99.08%. Este resultado foi obtido com uma combinação de características espectrais e temporais pelo que nas experiências com múltiplas classes se utilizaram estas mesmas características. Considerando oito ritmos, divididos em cinco classes, foi possível atingir uma exactidão próxima de 94%. Os testes iniciais realizados com aquisições do BITalino provaram que também é possível classificar automaticamente, com sucesso, ECGs adquiridos com este sistema.
Arritmia, Reconhecimento de Padrões, Redes Neuronais, k-Vizinhos Mais Próximos, Máquina de Vectores de Suporte

Novembro 28, 2014, 14:30

Publicação

Obra sujeita a Direitos de Autor

Orientação

CO-ORIENTADOR

Rui Cruz Ferreira

Hospital de Santa Marta

Doutor

ORIENTADOR

Ana Luísa Nobre Fred

Departamento de Bioengenharia (DBE)

Professor Associado