Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Miosso, Cristiano Jacques | - |
Autor(es): dc.contributor | Garcia, Euler de Vilhena | - |
Autor(es): dc.creator | Faria, Edilaine Gon calves Costa de | - |
Data de aceite: dc.date.accessioned | 2024-07-22T13:04:17Z | - |
Data de disponibilização: dc.date.available | 2024-07-22T13:04:17Z | - |
Data de envio: dc.date.issued | 2020-02-28 | - |
Data de envio: dc.date.issued | 2020-02-28 | - |
Data de envio: dc.date.issued | 2020-02-28 | - |
Data de envio: dc.date.issued | 2019-06-21 | - |
Fonte completa do material: dc.identifier | https://repositorio.unb.br/handle/10482/37009 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/817173 | - |
Descrição: dc.description | Dissertação (mestrado)—Universidade de Brasília, Faculdade UnB Gama, Programa de Pós-Graduação em Engenharia Biomédica, 2019. | - |
Descrição: dc.description | O conjunto de fatores da Síndrome Metabólica (SM), que está associado principalmente à resistência à insulina e à presença da diabetes, provoca alterações fisiológicas que podem ocasionar prejuízos à saúde e qualidade de vida dos portadores. Estudos científicos associam essas alterações ao risco cardiovascular. Esses estudos apontam que parâmetros extraídos dos sinais de Eletrocardiografia (ECG) podem ser associados à presença da SM. Apesar disso, não foram encontrados artigos científicos relacionados à detecção de SM utilizando sinais de ECG. Logo, é relevante investigar elementos relacionados ao sistema cardiovascular que indiquem quadros suspeitos de SM, com o intuito de desenvolver estratégias de detecção da SM de forma objetiva e precoce por meio de sinais de ECG. Sendo assim, em virtude dessa lacuna científica, a proposta deste trabalho consistiu em desenvolver e avaliar ferramentas de detecção de SM utilizando sinais de ECG. Para avaliar com que exatidão e precisão sistemas classificadores permitem detectar a SM a partir dos sinais de ECG, foram adotados os seguintes procedimentos. Inicialmente foram detectados os picos Q, R e S dos sinais de ECG para extrair características temporais dos sinais. Essas características foram utilizadas no treinamento e validação de sistemas classificadores para detecção da SM, utilizando duas técnicas, denominadas Máquinas de Vetores Suporte (SVM, do inglês Support Vector Machine) e RobustBoost. Além disso, foi utilizado o sinal de ECG em uma técnica de aprendizagem profunda denominada Rede Neural Convolucional (CNN, do inglês Convolutional Neural Network). E, por último, foram realizadas análises estatísticas a fim de comparar os resultados obtidos pelos diferentes classificadores. Os resultados de medidas de desempenho dos sistemas classificadores indicaram que é possível classificar um sinal de ECG em duas classes distintas, diferenciando indivíduos com SM dos demais, com valores estatisticamente significativos. Utilizando características extraídas dos sinais de ECG, médias e variâncias das relações e intervalos entre os picos Q, R e S consecutivos e o eixo cardíaco, notou-se que SVM e RobustBoost obtiveram valores de exatidão média de aproximadamente 94% e 89%, respectivamente. Além disso, 12 derivações dos sinais de ECG foram utilizadas para o treinamento da CNN, que obteve acurácia de aproximadamente 98%. Portanto, conclui-se que é possível detectar a SM a partir dos sinais de Eletrocardiografia com resultados estatisticamente significativos, utilizando diferentes abordagens. Logo, um eletrocardiógrafo pode ser utilizado para avaliar um possível diagnóstico de SM. | - |
Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES). | - |
Descrição: dc.description | The metabolic syndrome (MS) components is mainly associated with insulin resistance and diabetes. In addition, MS causes physiologic alterations that can induce injury to health and quality of patients lives. Scientific studies associate these changes with cardiovascular risk. These studies indicate that features extracted from electrocardiography (ECG) signals may be associated with MS. Despite this, scientific articles about MS detection with ECG signals were not found. Therefore, it is important to study elements of cardiovascular system that can indicate MS, in order to develop strategies for MS detection by means of ECG signals. Because of this scientific gap, the proposal of this work is to develop and to evaluate tools for MS diagnose with ECG signals. To evaluate how accurately and precision classifier systems detect MS from ECG signals, the following procedures were adopted. Initially, Q, R and S peaks were detected from ECG signals waveform to extract temporal features. These features were used for training and validation of classifier systems, using two techniques, named Support Vector Machines (SVM) and RobustBoost. In addition, the ECG signal was used in a deep learning technique, named Convolutional Neural Network (CNN). Finally, statistical analyzes were performed in order to compare results of different classifiers. The performance measures results of classifier systems indicated that it is possible to classify an ECG signal in two different classes, differentiating people with MS from others, with statistically significant values. With features extracted from ECG signals, means and variances of ratio and intervals between consecutive Q, R and S peaks and cardiac axis, it was noted that SVM and RobustBoost have average accuracy of approximately 94% and 89%, respectively. In addition, 12-lead ECG it was used in CNN to classify with approximately 98% of accuracy. Therefore, it is concluded that it is possible detect MS from electrocardiography signals with statistically significant results, using different approaches. Therefore, an electrocardiograph can be used to indicate a possible diagnosis of MS. | - |
Descrição: dc.description | Faculdade UnB Gama (FGA) | - |
Descrição: dc.description | Programa de Pós-Graduação em Engenharia Biomédica | - |
Formato: dc.format | application/pdf | - |
Direitos: dc.rights | Acesso Aberto | - |
Direitos: dc.rights | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. | - |
Palavras-chave: dc.subject | Síndrome metabólica | - |
Palavras-chave: dc.subject | Eletrocardiografia | - |
Palavras-chave: dc.subject | Risco cardiovascular | - |
Palavras-chave: dc.subject | Aprendizagem de máquina | - |
Título: dc.title | Abordagens para detecção de Síndrome Metabólica por meio de sinais de Eletrocardiografia | - |
Aparece nas coleções: | Repositório Institucional – UNB |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: