Deteção de patologia em sons cardíacos usando deep learning
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10400.22/18319 |
Resumo: | A auscultação é a principal técnica utilizada pelos profissionais de saúde para a deteção de doenças cardiovasculares (DCV). Esta técnica identifica padrões patológicos inerentes no som, o que permite determinar o estado de saúde do coração. Os profissionais de saúde estão capacitados para realizar diagnósticos clínicos a partir da avaliação da auscultação dos sons cardíacos. No entanto, os diagnósticos podem estar sujeitos a erros devido a fatores intrínsecos ao profissional (erro humano) ou devido a fatores externos como ruídos do meio ambiente. Estes erros por parte dos profissionais de saúde podem originar a realização de tratamentos desnecessários ou por outro lado a sua inexistência. Por este motivo, a criação de um sistema que consiga apoiar os profissionais de saúde na deteção de anormalidades nos batimentos cardíacos é considerada uma mais-valia. Esta dissertação tem como objetivo criar uma metodologia que consiga detetar automaticamente a existência de DCV através de sons cardíacos. Com a finalidade de desenvolver esta metodologia, foram propostas duas abordagens distintas. A primeira, é baseada em transfer learning de modelos pré-treinados. Esta abordagem permite explorar diferentes arquiteturas de Convolutional Neural Networks e aplicá-las ao contexto de sons cardíacos. Na segunda abordagem, é proposta uma arquitetura de Convolutional Neural Network para a classificação dos dados. Para treinar e avaliar estas abordagens foram usados vários conjuntos de dados balanceados e não balanceados, com a finalidade de testar as abordagens de forma eficiente e compará-las com as abordagens existentes. O melhor resultado obtido foi pela segunda abordagens utilizando SMOTE, com um overall de 86.69% e uma accuracy de 90.74%. |
id |
RCAP_8d2c36e9a2dfe1a2ca071dddeb9c632c |
---|---|
oai_identifier_str |
oai:recipp.ipp.pt:10400.22/18319 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Deteção de patologia em sons cardíacos usando deep learningPCGDeep learningDoenças cardíacasCNNTransfer learningSMOTEHeart diseaseA auscultação é a principal técnica utilizada pelos profissionais de saúde para a deteção de doenças cardiovasculares (DCV). Esta técnica identifica padrões patológicos inerentes no som, o que permite determinar o estado de saúde do coração. Os profissionais de saúde estão capacitados para realizar diagnósticos clínicos a partir da avaliação da auscultação dos sons cardíacos. No entanto, os diagnósticos podem estar sujeitos a erros devido a fatores intrínsecos ao profissional (erro humano) ou devido a fatores externos como ruídos do meio ambiente. Estes erros por parte dos profissionais de saúde podem originar a realização de tratamentos desnecessários ou por outro lado a sua inexistência. Por este motivo, a criação de um sistema que consiga apoiar os profissionais de saúde na deteção de anormalidades nos batimentos cardíacos é considerada uma mais-valia. Esta dissertação tem como objetivo criar uma metodologia que consiga detetar automaticamente a existência de DCV através de sons cardíacos. Com a finalidade de desenvolver esta metodologia, foram propostas duas abordagens distintas. A primeira, é baseada em transfer learning de modelos pré-treinados. Esta abordagem permite explorar diferentes arquiteturas de Convolutional Neural Networks e aplicá-las ao contexto de sons cardíacos. Na segunda abordagem, é proposta uma arquitetura de Convolutional Neural Network para a classificação dos dados. Para treinar e avaliar estas abordagens foram usados vários conjuntos de dados balanceados e não balanceados, com a finalidade de testar as abordagens de forma eficiente e compará-las com as abordagens existentes. O melhor resultado obtido foi pela segunda abordagens utilizando SMOTE, com um overall de 86.69% e uma accuracy de 90.74%.Auscultation is the main technique used by health professionals to detect cardiovascular diseases (CVD). This technique identifies pathological patterns inherent in sound, which allows determining the health status of the heart. Health professionals are trained to perform clinical diagnoses based on the assessment of auscultation of cardiac sounds. However, diagnoses can be subject to errors due to factors intrinsic to the professional (human error) or due to external factors such as environmental noise. These errors on the part of health professionals can lead to unnecessary treatments or, on the other hand, their non-existence. For this reason, the creation of a system that can support health professionals in detecting abnormalities in the heartbeat is considered an asset. This dissertation aims to create a methodology that can automatically detect the existence of CVD through cardiac sounds. To develop this methodology, two different approaches have been proposed. The first approach is based on transfer learning of pre-trained models in ImageNet images. In this approach, different architectures of Convolutional Neural Networks are explored and applied to the context of cardiac sounds. In the second approach, a Convolutional Neural Network architecture was proposed for data classification. To train and evaluate the approaches, several balanced and unbalanced datasets were used. This allows you to test approaches efficiently and compare them with existing approaches. The best result obtained was by the second approach using SMOTE, with a total of 86.69% and a precision of 90.74%.Gomes, Elsa Maria de Carvalho FerreiraRepositório Científico do Instituto Politécnico do PortoTorres, José Pedro Inez de Meira2021-09-06T14:03:12Z20212021-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10400.22/18319TID:202758931porinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-03-13T13:10:05Zoai:recipp.ipp.pt:10400.22/18319Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T17:37:59.409992Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Deteção de patologia em sons cardíacos usando deep learning |
title |
Deteção de patologia em sons cardíacos usando deep learning |
spellingShingle |
Deteção de patologia em sons cardíacos usando deep learning Torres, José Pedro Inez de Meira PCG Deep learning Doenças cardíacas CNN Transfer learning SMOTE Heart disease |
title_short |
Deteção de patologia em sons cardíacos usando deep learning |
title_full |
Deteção de patologia em sons cardíacos usando deep learning |
title_fullStr |
Deteção de patologia em sons cardíacos usando deep learning |
title_full_unstemmed |
Deteção de patologia em sons cardíacos usando deep learning |
title_sort |
Deteção de patologia em sons cardíacos usando deep learning |
author |
Torres, José Pedro Inez de Meira |
author_facet |
Torres, José Pedro Inez de Meira |
author_role |
author |
dc.contributor.none.fl_str_mv |
Gomes, Elsa Maria de Carvalho Ferreira Repositório Científico do Instituto Politécnico do Porto |
dc.contributor.author.fl_str_mv |
Torres, José Pedro Inez de Meira |
dc.subject.por.fl_str_mv |
PCG Deep learning Doenças cardíacas CNN Transfer learning SMOTE Heart disease |
topic |
PCG Deep learning Doenças cardíacas CNN Transfer learning SMOTE Heart disease |
description |
A auscultação é a principal técnica utilizada pelos profissionais de saúde para a deteção de doenças cardiovasculares (DCV). Esta técnica identifica padrões patológicos inerentes no som, o que permite determinar o estado de saúde do coração. Os profissionais de saúde estão capacitados para realizar diagnósticos clínicos a partir da avaliação da auscultação dos sons cardíacos. No entanto, os diagnósticos podem estar sujeitos a erros devido a fatores intrínsecos ao profissional (erro humano) ou devido a fatores externos como ruídos do meio ambiente. Estes erros por parte dos profissionais de saúde podem originar a realização de tratamentos desnecessários ou por outro lado a sua inexistência. Por este motivo, a criação de um sistema que consiga apoiar os profissionais de saúde na deteção de anormalidades nos batimentos cardíacos é considerada uma mais-valia. Esta dissertação tem como objetivo criar uma metodologia que consiga detetar automaticamente a existência de DCV através de sons cardíacos. Com a finalidade de desenvolver esta metodologia, foram propostas duas abordagens distintas. A primeira, é baseada em transfer learning de modelos pré-treinados. Esta abordagem permite explorar diferentes arquiteturas de Convolutional Neural Networks e aplicá-las ao contexto de sons cardíacos. Na segunda abordagem, é proposta uma arquitetura de Convolutional Neural Network para a classificação dos dados. Para treinar e avaliar estas abordagens foram usados vários conjuntos de dados balanceados e não balanceados, com a finalidade de testar as abordagens de forma eficiente e compará-las com as abordagens existentes. O melhor resultado obtido foi pela segunda abordagens utilizando SMOTE, com um overall de 86.69% e uma accuracy de 90.74%. |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-09-06T14:03:12Z 2021 2021-01-01T00:00:00Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10400.22/18319 TID:202758931 |
url |
http://hdl.handle.net/10400.22/18319 |
identifier_str_mv |
TID:202758931 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799131469195509760 |