Classificação de arritmias cardíacas por meio de redes neurais convolucionais unidimensionais e bidimensionais

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSaito, Priscila Tiemi Maeda-
Autor(es): dc.contributorSaito, Priscila Tiemi Maeda-
Autor(es): dc.contributorAgulhari, Cristiano Marcos-
Autor(es): dc.contributorBugatti, Pedro Henrique-
Autor(es): dc.creatorFranco, Ana Lívia-
Data de aceite: dc.date.accessioned2025-08-29T11:59:47Z-
Data de disponibilização: dc.date.available2025-08-29T11:59:47Z-
Data de envio: dc.date.issued2025-04-16-
Data de envio: dc.date.issued2025-04-16-
Data de envio: dc.date.issued2021-05-16-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/36552-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1087087-
Descrição: dc.descriptionCardiovascular diseases are the main causes of human mortality, among them, cardiac arrhythmia stands out, characterized by the absence of rhythm in the heartbeat. In order to prevent the number of patients with the disease from getting worse, the regular heart rate monitoring is desirable. The diagnosis of arrhythmia is made especially using the electrocardiogram (ECG), responsible for recording an individual's cardiac activities. For this, specialists must perform a visual analysis of the biomedical signals generated in the ECG recordings, which makes the diagnosis a long and exhaustive process. Thus, the automatic classification of cardiac arrhythmias can assist specialists in generating faster and more accurate medical reports. Deep learning techniques have been widely used in the field of bioinformatics, since they have shown satisfactory results in pattern recognition and processing of large datasets. Therefore, the present work proposes the development of an approach for the automatic classification of cardiac arrhythmias, considering ECG signals, as well as images obtained from these signals, through one-dimensional (1D) and two-dimensional (2D) convolutional neural networks (CNNs). As a result, 109,446 ECG images were obtained, which were used to train a 2D CNN that achieved an average accuracy of 82.86%. In contrast, ECG signals were used as input to a CNN 1D, with architecture similar to the proposed CNN 2D, which obtained 98.55% of average accuracy and an index of 0.9824299896 according to Youden statistics. In this context, the results of the present study indicate that the use of CNNs for the classification of cardiac arrhythmias can present satisfactory performance, and can be used as an aid in obtaining medical diagnoses.-
Descrição: dc.descriptionAs doenças cardiovasculares são as principais causas da mortalidade humana, dentre elas destaca-se a arritmia cardíaca, caracterizada pela ausência de ritmo dos batimentos cardíacos. Diante disso, a fim de evitar que o quadro de pacientes com a doença se agrave, é desejável o monitoramento regular do ritmo cardíaco. O diagnóstico de arritmia é dado especialmente pelo Eletrocardiograma (ECG), responsável por registrar as atividades elétricas cardíacas de um indivíduo. Para tanto, especialistas devem realizar análises visuais dos sinais biomédicos gerados a partir das gravações de ECG, o que faz com que o diagnóstico se torne um processo longo e exaustivo. Sendo assim, a classificação automática de arritmias cardíacas pode auxiliar especialistas na geração de laudos mais rápidos e precisos. Além disso, técnicas de aprendizado profundo têm sido amplamente utilizadas na área de bioinformática, uma vez que essas apresentam resultados satisfatórios no reconhecimento de padrões e processamento de grandes conjuntos de dados. Portanto, o presente trabalho propõe o desenvolvimento de uma abordagem para a classificação automática de arritmias cardíacas, a partir de sinais de ECG, bem como de imagens obtidas desses sinais, por meio de Redes Neurais Convolucionais (CNNs) unidimensionais (1D) e bidimensionais (2D). Como resultado, foram obtidas 109446 imagens de ECG, as quais foram utilizadas para treinar uma CNN 2D que alcançou acurácia média de 82,86%. Por outro lado, sinais de ECG foram utilizados como entrada para uma CNN 1D, com arquitetura similar à CNN 2D proposta, a qual obteve 98,55% de acurácia média e índice de 0,9824299896 pela estatística de Youden. Nesse contexto, os resultados do presente trabalho indicam que a utilização de CNNs para a classificação de arritmias cardíacas pode apresentar desempenho satisfatório, podendo ser empregada como auxílio na obtenção de diagnósticos médicos.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherCornelio Procopio-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherEngenharia da Computação-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightsAttribution-NonCommercial 4.0 International-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc/4.0/-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectArritmia-
Palavras-chave: dc.subjectRedes Neurais (Computação)-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectArrhythmia-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS-
Título: dc.titleClassificação de arritmias cardíacas por meio de redes neurais convolucionais unidimensionais e bidimensionais-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.