Automatic estimation of canine heart murmur with electronic stethoscope and software

• Ano de defesa: 2019
• Autor(a) principal: Leite, Rui Pimentel
• Orientador(a): Stebel, Sergio Leandro
• Banca de defesa: Stebel, Sergio Leandro, Borba, Gustavo Benvenutti, Rambo, Marcos Vinicio Haas
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Tecnológica Federal do Paraná; Curitiba
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Biomédica
• País: Brasil
• Palavras-chave em Português: Algorítmos; Coração - Sons - Análise; Sopros cardíacos; Cães - Doenças; Auscultação; Aprendizado do computador; Análise numérica; Métodos de simulação; Medicina veterinária de pequenos animais; Algorithms; Heart - Sounds - Analysis; Heart murmurs; Dogs - Diseases; Auscultation; Machine learning; Numerical analysis; Simulation methods; Pet medicine
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA BIOMEDICA::BIOENGENHARIA::PROCESSAMENTO DE SINAIS BIOLOGICOS
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/4373

Os sons cardíacos carregam informações sobre a saúde das estruturas cardíacas e sobre a dinâmica da circulação sanguínea. A auscultação é a atividade dedicada à análise dos sons produzidos espontaneamente pelos órgãos — inclusive os sons cardíacos. Embora seja importante para detecção precoce de doenças e para o aprimoramento do emprego de recursos na área da saúde, tanto humana quanto animal, a prática da auscultação ainda é largamente subjetiva e dependente de fatores como experiência, técnica e habilidade auditiva do profissional, bem como de ruídos ambientais e de fricção. O presente trabalho representa um esforço no sentido de incrementar o ferramental para prática de medicina veterinária ao propor um novo método para estimar automaticamente o grau de sopro cardíaco canino numa escala de 0 a 6 a partir de uma gravação de sons cardíacos com marcação dos principais batimentos cardíacos. Tal método inclui a geração de features a partir dessa gravação (através de algoritmos especialmente adaptados) e o uso de técnicas de aprendizado de máquina para efetuar a estimativa. O método proposto foi desenvolvido a partir de um conjunto de gravações de 56 pacientes, tendo cada um dos quais 9 ciclos cardíacos processados. Das 4032 linhas de dados resultantes do estudo, apenas 0,35% delas não puderam ter o grau de sopro corretamente estimado. Uma análise do perfil de erro permitiu concluir que a estimativa e o grau real do paciente nunca atingem uma diferença de 2 graus ou mais, e que técnicas podem ser pesquisadas para reduzir o erro ou para aumentar a capacidade de generalização do método desenvolvido.