Identifica??o do infarto do mioc?rdio em sinais eletrocardiogr?ficos a partir de m?todos de an?lise n?o linear e redes neurais convolucionais

• Ano de defesa: 2024
• Autor(a) principal: Sousa, Rafael Duarte
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Infarto do mioc?rdio; Vetocardiograma (VCG); Gr?fico de recorr?ncia; Redes neurais convolucionais
• Link de acesso: http://repositorio.ifpb.edu.br/jspui/handle/177683/3747

Em 2019, o infarto do mioc?rdio (IM) com acidentes vasculares cerebrais representaram cerca de 85% das mortes por doen?as cardiovasculares, a maior causa de mortes globalmente nesse ano. Dentre os sinais obtidos por meio de exames para a classifica??o do IM est? o eletrocardiograma (ECG), sinal el?trico que registra a atividade el?trica card?aca, onde sua modalidade mais comum possui 12 deriva??es. Al?m dele, o sinal de vetocardiografia, o vetocardiograma (VCG), que representa a atividade el?trica do cora??o em tr?s dimens?es por meio de tr?s deriva??es ortogonais, tamb?m pode ser utilizado para a identifica??o de infartos, sendo poss?vel reconstru?-lo a partir do ECG de 12 deriva??es. Para cada deriva??o desses sinais ? poss?vel extrair caracter?sticas n?o lineares, as quais podem detectar padr?es que n?o est?o evidenciados no dom?nio do tempo e que s?o sens?veis a altera??es nos sinais. Uma forma de fazer essa extra??o ? por meio da reconstru??o do espa?o de fase (EF) desse sinal. Apesar dos EF poderem contar com um alto n?mero de dimens?es, sua visualiza??o ? limitada pela vis?o humana. Por isso, os gr?ficos de recorr?ncia (RP, Recurrence Plot), uma representa??o bidimensional independente do seu n?mero de dimens?es e baseada na quantidade de recorr?ncias na trajet?ria do EF, foram propostos. Par?metros podem ser extra?dos de imagens dessa representa??o e de EF bidimensionais, sendo eles j? utilizados para a identifica??o de arritmias e infartos. Apesar do EF bidimensional n?o ter necessariamente a dimens?o ideal para representar adequadamente as caracter?sticas do sinal, eles possuem menor custo computacional associado em compara??o com os RP, j? que n?o ? necess?rio determinar a dimens?o de imers?o ideal. Em raz?o desses dois tipos de representa??o serem bidimensionais, eles podem ser tratados como imagens e serem classificados por redes neurais convolucionais (CNN, Convolutional Neural Network). Com base nisso, o presente trabalho prop?e a utiliza??o de EFs bidimensionais e RPs, obtidos a partir de deriva??es vetocardiogr?ficas reconstru?das com base em sinais de ECG, como entradas para CNNs com as arquiteturas MobileNetV2, ResNet-50, ResNet-101 e DenseNet201. Com isso, pretende-se avaliar qual tipo de imagem, entre EF e RP, e qual dessas arquiteturas t?m uma melhor desempenho para a identifica??o do IM, al?m de analisar as diferen?as de desempenho entre os dois tipos de imagem e ponderar seu custo computacional. Essa avalia??o mostrou que a combina??o de imagens de gr?ficos de recorr?ncia com a arquitetura DenseNet201 levou ao melhor desempenho, sendo obtidas m?tricas de classifica??o para o conjunto de teste de 0,8833 (acur?cia), 0,7851 (sensibilidade), 0,9317 (especificidade), 0,8502 (precis?o), 0,8164 (escore F1) e 0,9397 (?rea abaixo da curva ROC, AUC). Comparando as m?tricas obtidas para o conjunto de valida??o para essa combina??o com as obtidas para a arquitetura DenseNet201 e EF, foi observado que a diferen?a entre valores das m?tricas foi inferior a 0,025 para todas elas, ao mesmo tempo, em que a diferen?a de tempo de processamento foi de, em m?dia para cada sinal, de 6,52 ms.