Reconhecimento de Contração Prematura Ventricular utilizando separação cega de fontes e comitê de máquinas bayesianas

• Ano de defesa: 2020
• Autor(a) principal: Oliveira, Bruno Rodrigues de [UNESP]
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Contrações Prematuras Ventriculares; Reconhecimento de arritmias; Aprendizado de máquina; Separação cega de fontes; Análise Hierárquica de Processos; Analytic Hierarchy Process; Premature Ventricular Contractions; Arrhythmia recognition; Machine learning; Blind source separation
• Link de acesso: http://hdl.handle.net/11449/194111

As Contrações Prematuras Ventriculares (CPV) estão entre as arritmias que podem desenca- dear doenças cardíacas fatais. Seu diagnóstico é mais acurado quando utilizado monitoramento ambulatorial de 24 ou 48 horas. Estes exames geram muitos dados para serem analisados pelo especialista, logo, ferramentas computacionais são imprescindíveis para auxiliarem o diagnós- tico. Neste trabalho é proposta uma nova abordagem para reconhecimento das CPVs, por meio da análise de segmentos dos sinais de Eletrocardiograma (ECG), baseada na utilização do método de separação cega de fontes AMUSE para extração dos atributos característicos, se- guido da Análise Discriminante Linear para redução da dimensionalidade, e o algoritmo Naive Bayes para indução das máquinas de aprendizado, as quais são ponderadas em um comitê de máquinas cujas importâncias são obtidas pelo método Análise Hierárquica de Processos (AHP) empregando uma função de conversão adequada, também proposta. Vários experimentos são implementados a m de veri car a performance das abordagens propostas, incluindo: dados balanceados e desbalanceados, performances individuais por registros ECG, variações dos pa- râmetros das máquinas de aprendizado, ambiente ruidoso e diversas composições de comitês. No melhor dos casos, obteve-se medidas de acurácia, sensibilidade e especi cidade nos valo- res de 99,57%, 98,64% e 99,65%, respectivamente. A pesquisa apresentada traz contribuições relevantes para a área de aprendizado de máquina de sinais biomédicos, ao apresentar uma me- todologia simples, de baixo custo computacional e e ciente para o reconhecimento de arritmias CPV.