Cloud-based analytics for monitoring and classification of arrhythmias

Detalhes bibliográficos
Autor(a) principal: Brito, Cláudia Vanessa Martins de
Data de Publicação: 2018
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: https://hdl.handle.net/1822/64179
Resumo: Dissertação de mestrado em Medical Informatics
id RCAP_9b75f57fddb3be228f4a1a416c315d3f
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/64179
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Cloud-based analytics for monitoring and classification of arrhythmiasEngenharia e Tecnologia::Engenharia MédicaDissertação de mestrado em Medical InformaticsReal-time monitoring has become one of the most important and clinically relevant tasks in medical settings, yet one of the most repetitive and tiresome tasks is the analysis of 24-hour ECG records. One way to automate this long task is to convert this process into a real-time process with the automatic classification of the heart rate and with this, the classification of arrhythmias. Thus, this master thesis focuses on the study of Deep Learning models for the classification of arrhythmias and data processing tools for the streaming and processing of data in real time. Consequently, this master’s thesis comprises several phases. In the first place, a more theoretical part is presented which is the ground truth of the use of the tools later used for the development of the system. The development of the system includes a more practical part of data streaming composed by an IoT middleware, Apache Kafka as an intermediate agent between this middleware and Apache Spark, and ElasticSearch for real-time data storage for visualization. On the other hand, in the main scope of this thesis, two models of Deep Learning were created, one for the classification of arrhythmias and another one for their forecast. The results obtained are promising with the arrhythmia classification yielding 98% accuracy in the classification of each beat in one of the four classes used. When the model was tested in data obtained directly from the Hospital of Braga, it was not possible to obtain such good results, however, the model after new training was able to obtain accuracy values of 81% for the testing dataset. This deep learning model was also tested with the integration of Apache Spark, in order to create data parallelism and increase the speed of the deep learning process, which tends to be very time consuming, without neglecting its performance. The development of the model for the prediction of arrhythmias was done based on Long- Short Term Memory layers, in order to create a neural network with memory, the results obtained in the records with 30 minutes were not high. Despite the less good results in the first dataset, when the model was tested in the 24-hour records, the results obtained were quite high which demonstrated that the model can predict if it is based on a longer record. Nevertheless, these results were obtained individually because the Electrocardiograms can be an object of human identification. Based on the results obtained it was possible to conclude that more tests should be done increasing the spectrum of arrhythmias to be classified so that this process becomes fully automatic, without neglecting the precision of the results since human lives may depend on it.A monitorização em tempo-real tem vindo a tornar-se numa das mais importantes e clinicamente relevantes tarefas em ambientes médicos, todavia, uma das tarefas mais repetitivas e cansativas à análise dos registos de Eletrocardiogramas de 24 horas. Uma das formas de automatizar este longo processo é convertendo este processo num processo em tempo-real com a classificação automática do ritmo cardíaco e com isto a classificação de arritmias. Desta forma, o objetivo primordial desta tese de mestrado passa pelo estudo de modelos de Deep Learning para a classificação de arritmias assim como de ferramentas de processamento de dados para a transferência e processamento dos dados em tempo real. Consequentemente, esta tese de mestrado é composta por várias fases. Em primeiro lugar é apresentada uma parte mais teórica que fundamenta a utilização das ferramentas posteriormente usadas para o desenvolvimento do sistema. O desenvolvimento do sistema engloba uma parte mais prática de transmissão de dados composta por um middleware IoT, Apache Kafka como agente intermediário entre este middleware e o Apache Spark e ainda o ElasticSearch para armazenamento em tempo-real dos dados para visualização dos mesmos. Por outro lado, no âmbito principal desta tese, dois modelos de Deep Learning foram criados, um para a classificação de arritmias e outro para a previsão destas. Os resultados conseguidos mostraram-se promissores, com a classificação de arritmias a obter resultados com precisão de 98% na classificação de cada batimento numa das quatro classes usadas. Quando o modelo foi testado em dados obtidos diretamente do Hospital de Braga não foi possível obter diretamente bons resultados contudo após novo treino conseguiu-se obter valores de precisão de 81% para o dataset de teste. Este modelo de deep learning foi também testado com a integração do Apache Spark por forma a criar o paralelismo de dados e aumentar a rapidez do processo de deep learning, que tendencialmente é muito moroso, sem descurar a performance do mesmo, ponto que foi conseguido. Por outro lado, o desenvolvimento do modelo para a previsão de arritmias foi feito tendo por base camadas Long-Short Term Memory, de forma a criar uma rede neuronal com memória, os resultados obtidos nos registos com 30 minutos não foram muito altos ainda assim foi possível concluir que os Eletrocardiogramas podem ser a base de estudos mais pormenorizados no sentido de serem considerados biomarcadores. Apesar dos resultados menos bons no primeiro dataset, quando o modelo foi testado nos registos de 24 horas, os resultados obtidos foram bastante altos o que demonstrou que o modelo consegue prever caso tenha por base um registo mais longo. Não obstante, estes resultados foram obtidos individualmente assentando no facto de que os Eletrocardiogramas são um objeto de identificação humano. Com base nos resultados obtidos foi possível concluir que mais testes devem ser feitos tendo em conta o aumento do espetro de arritmias a serem classificadas de forma a que este processo se torne totalmente automático, sem desprezar a precisão dos resultados, uma vez que vidas humanas poderão depender disso.Sousa, AntónioUniversidade do MinhoBrito, Cláudia Vanessa Martins de20182018-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/1822/64179eng202345041info: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:RCAAP2023-09-30T01:27:19Zoai:repositorium.sdum.uminho.pt:1822/64179Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T19:02:08.290431Repositório 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 Cloud-based analytics for monitoring and classification of arrhythmias
title Cloud-based analytics for monitoring and classification of arrhythmias
spellingShingle Cloud-based analytics for monitoring and classification of arrhythmias
Brito, Cláudia Vanessa Martins de
Engenharia e Tecnologia::Engenharia Médica
title_short Cloud-based analytics for monitoring and classification of arrhythmias
title_full Cloud-based analytics for monitoring and classification of arrhythmias
title_fullStr Cloud-based analytics for monitoring and classification of arrhythmias
title_full_unstemmed Cloud-based analytics for monitoring and classification of arrhythmias
title_sort Cloud-based analytics for monitoring and classification of arrhythmias
author Brito, Cláudia Vanessa Martins de
author_facet Brito, Cláudia Vanessa Martins de
author_role author
dc.contributor.none.fl_str_mv Sousa, António
Universidade do Minho
dc.contributor.author.fl_str_mv Brito, Cláudia Vanessa Martins de
dc.subject.por.fl_str_mv Engenharia e Tecnologia::Engenharia Médica
topic Engenharia e Tecnologia::Engenharia Médica
description Dissertação de mestrado em Medical Informatics
publishDate 2018
dc.date.none.fl_str_mv 2018
2018-01-01T00:00:00Z
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 https://hdl.handle.net/1822/64179
url https://hdl.handle.net/1822/64179
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv 202345041
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_ 1799132421497552896

Registros relacionados