Dissertação
{en_GB=An Artificial Intelligence Approach to Atrial Fibrillation Detection in Single-lead Invisible ECG} {} EVALUATED
{pt=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., en=Cardiovascular diseases (CVDs) are currently the leading cause of mortality worldwide. Since some CVDs can occur without symptoms and still be harmful, early detection and monitoring of patients at risk outside the hospital environment is crucial to avoid even higher mortality rates. For this reason, a recent paradigm of continuous monitoring systems is based on integrating physiological monitoring with the patient's daily life, using wearable and invisible technologies. One of the most relevant CVDs is Atrial Fibrillation (AF), associated with an increased risk of stroke. Due to its increasing prevalence and costs to healthcare systems, several approaches to detect it have been developed in recent years. Using single-lead electrocardiographic (ECG) recordings from PhysioNet Computing in Cardiology Challenge 2017 (CinC2017), an artificial neural network-based algorithm was developed to distinguish AF from Normal Sinus Rhythm (NSR). The proposed model involves coupling a compressed version of ECG segments generated by an unsupervised Autoencoder (AE) and a Machine Learning (ML) classifier. A Sparse Autoencoder (SpAE) and a Multilayer Perceptron (MLP) obtained an F1-score of 82.2%. By adding a feature concerning local changes of RR intervals around an R peak, the F1-score improved to 88.2%. Although simple, this approach proves that AEs can outperform algorithms using the same features, and that these can be improved to achieve even higher performance rates. }
novembro 24, 2021, 14:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
