Deteção de patologia em sons cardíacos usando deep learning

• Autor(a) principal: Torres, José Pedro Inez de Meira
• 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
• topic: PCG; Deep learning; Doenças cardíacas; CNN; Transfer learning; SMOTE; Heart disease

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%.