Dissertação
{en_GB=Automatic arrhythmia classification: a pattern recognition approach} {} EVALUATED
{pt=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. , en=With the continuous development of tools for cardiac monitoring, an enormous amount of data can be collected and has to be analyzed. It is therefore crucial to develop new algorithms that will aid in the analysis of electrocardiograms (ECGs), automatizing, to a certain extent, the process. The recognition of arrhythmias is one important part of the problem and pattern recognition methods have been successfully employed. In this work, a methodology for ECG analysis was presented. The main focus was on automatic arrhythmia classification. Both spectral features, extracted using the wavelet transform, and time domain parameters were considered for classification. The performance of three supervised learning classifiers was compared: k-nearest neighbor, multilayer perceptron and support vector machine (SVM). Validation of the proposed method was performed resorting to benchmarked data from a widely used arrhythmia database. Additionally, initial experiments were carried out to assess the feasibility of classifying ECG records acquired with the BITalino system at the fingers. An overall accuracy of 99.08% was achieved with the SVM classifier when distinguishing between normal sinus rhythm and the most common arrhythmia, atrial fibrillation. A feature set containing a combination of spectral and time domain parameters proved to be the most suitable choice and was then used in multiclass experiments. Classification of eight types of rhythms, divided in five classes, was achieved with a correct classification rate close to 94%. The initial experiments carried out with records from the BITalino attested the possibility of automatically classifying ECGs acquired with this device.}
novembro 28, 2014, 14:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
