Self-supervised learning for arrhythmia classification.

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorLuz, Eduardo José da Silva-
Autor(es): dc.contributorSilva, Pedro Henrique Lopes-
Autor(es): dc.contributorLuz, Eduardo José da Silva-
Autor(es): dc.contributorSilva, Pedro Henrique Lopes-
Autor(es): dc.contributorFreitas, Vander Luis de Souza-
Autor(es): dc.contributorMeneghini, Ivan Reinaldo-
Autor(es): dc.creatorSilva, Guilherme Augusto Lopes-
Data de aceite: dc.date.accessioned2025-08-21T15:48:22Z-
Data de disponibilização: dc.date.available2025-08-21T15:48:22Z-
Data de envio: dc.date.issued2023-11-12-
Data de envio: dc.date.issued2023-11-12-
Data de envio: dc.date.issued2022-
Fonte completa do material: dc.identifierhttp://www.repositorio.ufop.br/jspui/handle/123456789/17740-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1024528-
Descrição: dc.descriptionPrograma de Pós-Graduação em Ciência da Computação. Departamento de Ciência da Computação, Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto.-
Descrição: dc.descriptionArrhythmias, heart diseases that are commonly diagnosed through electrocar- diograms (ECG), require computational methods for detection and classification to improve the physician’s diagnosis. Although there is abundant literature on the subject, the high intra-patient variability and noise of ECG signals pose challenges in developing practical machine-learning models. To address this, we propose a cus- tomized adjustment of machine learning models through self-supervised learning with human-in-the-loop. Our approach introduces a pretext task called ECGWavePuzzle, which improves classification performance through better generalization. Evaluation metrics on the MIT-BIH database demonstrate the effectiveness of our approach, which improved the ECGnet global accuracy by over 10% and the Mousavi’s CNN by over 13%. Additionally, the experimental results demonstrated that the proposed approach improved the sensitivity and positive predictive value of the arrhythmic classes for certain patients.-
Descrição: dc.descriptionArritmias, doenças cardíacas comumente diagnosticadas por meio de eletrocar- diogramas (ECG), requerem métodos computacionais para detecção e classificação para aprimorar o diagnóstico do médico. Embora exista abundante literatura sobre o assunto, a alta variabilidade intra-paciente e o ruído dos sinais de ECG apresentam desafios no desenvolvimento de modelos práticos de aprendizado de máquina. Para abordar isso, propomos um ajuste personalizado de modelos de aprendizado de máquina através de aprendizado auto-supervisionado com o ser humano no ciclo (human-in-the-loop). Nossa abordagem introduz uma tarefa pré-texto chamada ECGWavePuzzle, que melhora o desempenho de classificação por meio de uma melhor generalização. Métricas de avaliação na base de dados MIT-BIH demonstram a eficácia da nossa abordagem, que melhorou a precisão global do ECGnet em mais de 10% e a CNN de Mousavi em mais de 13%. Adicionalmente, os resultados experimentais demonstraram que a abordagem proposta melhorou a sensibilidade e o valor preditivo positivo das classes arrítmicas para certos pacientes.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsaberto-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/3.0/us/-
Direitos: dc.rightsAutorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 09/11/2023 com as seguintes condições: disponível sob Licença Creative Commons 4.0 que permite copiar, distribuir e transmitir o trabalho, desde que sejam citados o autor e o licenciante.-
Palavras-chave: dc.subjectDeep learning-
Palavras-chave: dc.subjectArrhythmia detection-
Palavras-chave: dc.subjectSelf supervised learning-
Palavras-chave: dc.subjectElectrocardiogram - ECG-
Título: dc.titleSelf-supervised learning for arrhythmia classification.-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - UFOP

Não existem arquivos associados a este item.