Dissertação
{en_GB=Pervasive Electrocardiography and Health Monitoring} {} EVALUATED
{pt=As doenças cardíacas são das mais perigosas e presentes condições em todo o mundo. O método mais utilizado para detectar e diagnosticar este tipo de doença é o Eletrocardiograma (ECG), que é uma técnica simples, não invasiva e de baixo custo para efeitos de diagnóstico e monitorização. Este trabalho foca-se em duas áreas principais: Eliminação de ruído e troços de sinal corrompido de batimentos cardíacos de um ECG e classificação de arritmias cardíacas. Para a primeira tarefa foram testados vários métodos, nomeadamente dois filtros de mediana com um filtro passa baixo de 40 Hz e métodos combinando diferentes "wavelets" e filtros de média móvel. No presente trabalho, os melhores resultados foram obtidos para a técnica que consistia em utilizar a decomposição com a wavelet quadrática de nível 6, que alcançou 0.835 de semelhança de cosenos. Após um passo de remoção de outliers, o resultado passou para 0.930. A temática de classificação consistiu em classificar os dados de ECG em 5 classes, usando Support Vector Machines (SVM) e K-nearest neighbors (KNN). Duas bases de dados foram utilizadas nesta tarefa, a base de dados MIT-BIH, usada como referência, cuja classificação atingiu uma exactidão de 88.70\% e a base de dados de Santa Marta (StM), cuja classificação atingiu uma exactidão de 81.06\%. Foram ainda realizados dois testes extra usando esta base de dados, um para testar o efeito do melhor método de remoção de ruído e troços de sinal corrompido na tarefa de classificação, o que melhorou os resultados em termos de exactidão., en=Heart diseases are one of the most dangerous and present conditions worldwide. The common method for the detection and diagnosis of this type of disease is electrocardiography (ECG), which is a simple, non-invasive and cost-effective technique for diagnosing and monitoring purposes. This work focused on two main areas: Denoising and outlier removal of ECG heartbeats and Classification of arrhythmic heartbeats. For the first task several method were tested, namely two median filters plus a 40 Hz Low pass filter, wavelet based denoising methods, using several mother wavelets and a moving average filter. In the present work, the best resuls were obtained with the technique consisting of using a decomposition level 6 quadratic spline wavelet based denoising which achieved a 0.835 cosine similarity. After an outlier removal step, the result was improved to 0.930. The classification task consisted in separating a dataset into 5 classes and using the Support Vector Machines (SVM) and K-nearest neighbors (KNN) classifiers. Two databases were used for this task, the MIT-BIH database that was used as a benchmark, whose classification achieved an accuracy of 88.70\% and the Santa Marta (StM) database, whose classification task achieved an 81.06\% accuracy. Also, two extra tests were done using this database, one for testing the effect of the best denoising method on the classification task, which improved the results in terms of accuracy.}
julho 4, 2018, 10:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
