Comparação de Classificadores de Complexos QRS Desenvolvidos Utilizando Técnicas de Aprendizado de Máquina
DOI:
https://doi.org/10.59681/2175-4411.v15.iEspecial.2023.1074Palavras-chave:
Aprendizagem de Máquina, Arritmia cardíaca, EletrocardiogramaResumo
Doenças cardiovasculares são a maior causa de morte no mundo e sua prevenção é feita através de seu diagnóstico precoce(1). Em 2019, cerca de 17,9 milhões de mortes por doenças cardiovasculares ocorreram globalmente(1). Em especial as arritmias cardíacas que podem ser diagnosticadas por eletrocardiografia(2). Estudos propuseram modelos com algoritmos de aprendizado de máquina para classificação de batimento cardíaco, utilizando a base de dados do MIT-BIH Arrhythmia Database(3-7). Este trabalho apresenta três modelos preditivos, baseados na derivação D2 da base MIT-BIH, utilizando Árvore de Decisão, rede neural Multilayer Perceptron e Deep Neural Network com dois tipos de balanceamento da base de dados para a classificação de 10 arritmias. Os algoritmos foram treinados utilizando 5-fold stratified cross-validation e sua performance, em F1-Score, foram submetidos à análise estatística, tendo a Deep Neural Network, em ambas as bases, obtido o melhor desempenho.
Referências
World Health Organization. Cardiovascular diseases [Internet]. Who.int. World Health Organization: WHO; 2022. Available from: https://www.who.int/health-topics/cardiovascular-diseases#tab=tab_1
Pastore C, Pinho J, Pinho C, Samesima N, Pereira-Filho H, Kruse J, et al. III Diretrizes da Sociedade Brasileira de Cardiologia sobre análise e emissão de laudos eletrocardiográficos. Arquivos Brasileiros de Cardiologia. 2016;106(4).
Alfaras M, Soriano MC, Ortín S. A Fast Machine Learning Model for ECG-Based Heartbeat Classification and Arrhythmia Detection. Frontiers in Physics. 2019 Jul 18;7.
Llamedo M, Martínez JP. Heartbeat Classification Using Feature Selection Driven by Database Generalization Criteria. IEEE Transactions on Biomedical Engineering. 2011 Mar;58(3):616–25.
Shaker AM, Tantawi M, Shedeed HA, Tolba MF. Generalization of Convolutional Neural Networks for ECG Classification Using Generative Adversarial Networks. IEEE Access. 2020;8:35592–605.
Hübner LG. Classificação de ritmos cardíacos em tempo real aplicando tecnologias embarcadas [Internet] [Dissertation]. [Universidade Estadual do Oeste do Paraná]; 2020. p. 1–148. Available from: https://tede.unioeste.br/handle/tede/5114
Zhang Z, Dong J, Luo X, Choi K-S, Wu X. Heartbeat classification using disease-specific feature selection. Computers in Biology and Medicine. 2014 Mar;46:79–89.
Hall JE. Guyton and Hall Textbook of Medical Physiology : Enhanced E-book. London: Elsevier Health Sciences; 2012.
MIT-BIH Arrhythmia Database v1.0.0 [Internet]. physionet.org. Available from: https://physionet.org/content/mitdb/1.0.0/
Can Ye, Coimbra MT, Vijaya Kumar BVK. Arrhythmia detection and classification using morphological and dynamic features of ECG signals. 2010 Annual International Conference of the IEEE Engineering in Medicine and Biology. 2010 Aug;
User guide: contents — scikit-learn 0.22.1 documentation [Internet]. Scikit-learn.org. 2019. Available from: https://scikit-learn.org/stable/user_guide.html
Home - Keras Documentation [Internet]. Keras.io. 2019. Available from: https://keras.io
TensorFlow. TensorFlow [Internet]. TensorFlow. 2019. Available from: https://www.tensorflow.org
Aurélien Géron. Hands-on machine learning with Scikit-Learn and TensorFlow concepts, tools, and techniques to build intelligent systems. O’Reilly Media, Inc.; 2019.
Gifari MW, Zakaria H, Mengko R. Design of ECG Homecare:12-lead ECG acquisition using single channel ECG device developed on AD8232 analog front end. 2015 International Conference on Electrical Engineering and Informatics (ICEEI). 2015 Aug;
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2023 Guilherme Bachega Gomes, Rômulo César Silva, Adriana Tokuhashi Kauati, Lucas Guilherme Hübner
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
A submissão de um artigo ao Journal of Health Informatics é entendida como exclusiva e que não está sendo considerada para publicação em outra revista. A permissão dos autores para a publicação de seu artigo no J. Health Inform. implica na exclusiva autorização concedida aos editores para incluí-lo na revista. Ao submeter um artigo, ao autor será solicitada a permissão eletrônica de um Termo de Transferência de Direitos Autorais. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito Autoral.
