Avaliação de Algoritmos Computacionais no contexto de Sistema de Monitorização de Apneia baseado no processamento de Bio-sinais

• Autor(a) principal: Paulos, Eduardo Frango
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10400.6/13118
• topic: Support Machine Vetor (Svm); Adaboost; Aplicação Móvel; Apneia Obstrutiva do Sono (Aos); Classificadores; Deteção; Diagnóstico; Ecg­Derived Respiration (Edr); Eletrocardiograma (Ecg); Heart Rate Variability; Machine Learning; Multi­Layer Perceptron (Mlp); Randomforest; Recolha de Dados; Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática

A doença da apneia do sono afeta cerca de 1 milhão de pessoas no mundo. Ela distingue­se em três tipos: Obstrutiva, Central e Mista. A investigação por uma alternativa à Polissonografia como meio de diagnóstico à Apneia Obstrutiva do Sono é uma necessidade, visto os custos e meios que ela envolve. Nesse sentido a presente dissertação descreve a envolvência do problema e propõe modelo de deteção de episódios de apneia, com recurso ao aprendizado de máquina (em inglês, Machine Learning). O modelo foi construído com o uso de diferentes classificadores (SVM, MLP, Adaboost e RandomForest). Como dados de entrada, foram processados e extraídas caraterísticas do base de dados ApneiaECG da Physionet. O melhor resultado alcançado foi uma exatidão (accuracy) de 78,45%, sensibilidade (sensibility) de de 70,26% e especificidade specificity de 83,49%. Adicionalmente, foi construída uma aplicação de recolha de dados que utiliza um dispositivo capacitado com elétrodos que permitem a recolha de sinal de eletrocardiograma. Com estes dados, pretende­se no futuro criar uma base de dados e um sistema que ajude a deteção da apneia.