Deteção de enfarte do miocárdio através de redes neuronais convolucionais

Detalhes bibliográficos
Autor(a) principal: Sá, Joana Emília Costa
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/10400.14/33562
Resumo: Introdução: As doenças cardiovasculares apresentam uma elevada taxa de mortalidade a nível mundial. O Eletrocardiograma (ECG) é o exame de primeira linha no que diz respeito ao diagnóstico deste tipo de patologias e consequentemente de extrema importância na correta e rápida interpretação para um prognóstico promissor. O Enfarte do Miocárdio (EM) é uma das alterações eletrocardiográficas que, detetadas atempadamente pode apresentar um impacto enorme a nível fisiológico e anatómico do próprio músculo cardíaco. A necessidade existente de uma tomada de decisão rápida e acertada, levou ao desenvolvimento de algoritmos capazes de detetar patologias no sinal eletrocardiográfico. Metodologia: Com o intuito de maximizar a capacidade discriminativa dos diferentes tipos de EM, foram extraídos padrões específicos do ECG para alimentar algoritmos de inteligência artificial. Por forma a tirar o melhor partido dos algoritmos de inteligência artificial foi realizado um préprocessamento de todo o sinal, seguido da seleção rigorosa de segmentos que apresentam a atividade patológica de cada doença. A seleção do segmento patológico para alimentar a Convolutional Neural Network (CNN) foi feita comparando os segmentos ao longo do tempo com as características modelo das sequências temporais do EM. Resultados: Os modelos da CNN, utilizados no presente estudo, apresentam níveis de precisão superiores a 97%, 99,39%, 99,64%, 97,76% e 98,98% para o EM Anterior, Anterolateral, Inferior e Inferolateral, respetivamente. Os resultados discriminativos promissores provam que a etapa de seleção dos segmentos modelo proporcionaram uma excelente triagem entre sequências temporais patológicas e não patológicas, estando a CNN preparada para detetar essa atividade patológica associada a cada uma das modalidades para a qual foi treinada, sempre que, lhe seja apresentado um novo sinal de ECG como entrada
id RCAP_aea4c8a79c04c9762b82158715ffb918
oai_identifier_str oai:repositorio.ucp.pt:10400.14/33562
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Deteção de enfarte do miocárdio através de redes neuronais convolucionaisEletrocardiogramaEnfarte do miocárdioCoeficiente de correlaçãoConvolutional neural networkValidação cruzadaElectrocardiogramMyocardial infarctionCorrelation coefficientConvolutional neural networkCrossed validationDomínio/Área Científica::Ciências Médicas::Biotecnologia MédicaIntrodução: As doenças cardiovasculares apresentam uma elevada taxa de mortalidade a nível mundial. O Eletrocardiograma (ECG) é o exame de primeira linha no que diz respeito ao diagnóstico deste tipo de patologias e consequentemente de extrema importância na correta e rápida interpretação para um prognóstico promissor. O Enfarte do Miocárdio (EM) é uma das alterações eletrocardiográficas que, detetadas atempadamente pode apresentar um impacto enorme a nível fisiológico e anatómico do próprio músculo cardíaco. A necessidade existente de uma tomada de decisão rápida e acertada, levou ao desenvolvimento de algoritmos capazes de detetar patologias no sinal eletrocardiográfico. Metodologia: Com o intuito de maximizar a capacidade discriminativa dos diferentes tipos de EM, foram extraídos padrões específicos do ECG para alimentar algoritmos de inteligência artificial. Por forma a tirar o melhor partido dos algoritmos de inteligência artificial foi realizado um préprocessamento de todo o sinal, seguido da seleção rigorosa de segmentos que apresentam a atividade patológica de cada doença. A seleção do segmento patológico para alimentar a Convolutional Neural Network (CNN) foi feita comparando os segmentos ao longo do tempo com as características modelo das sequências temporais do EM. Resultados: Os modelos da CNN, utilizados no presente estudo, apresentam níveis de precisão superiores a 97%, 99,39%, 99,64%, 97,76% e 98,98% para o EM Anterior, Anterolateral, Inferior e Inferolateral, respetivamente. Os resultados discriminativos promissores provam que a etapa de seleção dos segmentos modelo proporcionaram uma excelente triagem entre sequências temporais patológicas e não patológicas, estando a CNN preparada para detetar essa atividade patológica associada a cada uma das modalidades para a qual foi treinada, sempre que, lhe seja apresentado um novo sinal de ECG como entradaIntroduction: Cardiovascular diseases have a high mortality rate worldwide. The Electrocardiogram is the first-line exam in what concerns the diagnosis of this type of pathologies and, consequently, with extreme importance in the correct and immediate interpretation for a promising prognosis. Myocardial infarction is one of the electrocardiographic changes that detected in a timely manner can have a huge impact at the physiological and anatomical level of the cardiac muscle itself. The existing need for a fast and correct decision-making has led to the development of algorithms capable of detecting pathologies in the electrocardiographic signal. Methodology: In order to maximize the discriminative capacity of the different types of myocardial infarction, specific patterns have been extracted from the ECG signals to feed artificial intelligence algorithms. In order to make the best use of the artificial intelligence algorithms, a pre-processing of the entire signal was performed followed by a rigorous selection of the segments that show pathological activity for each disease. The pathological segment selection for feeding the CNN was made by comparing the segments over time with time-series-sequency model’s characteristic of myocardial infarction. Results: The precision values of the models used in the present study, presented accuracy levels above 97%, 99.39%, 99.64%, 97.76% and 98.98% for the Anterior, Anterolateral, Inferior and Inferolateral, respectively. The promising discriminative results prove that the segment model selection stage allow to perform an excellent screening of the pathological sequencies from the nonpathological time-series sequences and the CNN model is ready for detecting pathological activity over time as a new ECG signal is presented to its entries.Rodrigues, Pedro Miguel de LuísVeritati - Repositório Institucional da Universidade Católica PortuguesaSá, Joana Emília Costa2021-06-09T16:07:14Z2021-05-1020212021-05-10T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10400.14/33562TID:202729745porinfo: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:RCAAP2023-07-12T17:39:03Zoai:repositorio.ucp.pt:10400.14/33562Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T18:27:09.411465Repositório 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 enfarte do miocárdio através de redes neuronais convolucionais
title Deteção de enfarte do miocárdio através de redes neuronais convolucionais
spellingShingle Deteção de enfarte do miocárdio através de redes neuronais convolucionais
Sá, Joana Emília Costa
Eletrocardiograma
Enfarte do miocárdio
Coeficiente de correlação
Convolutional neural network
Validação cruzada
Electrocardiogram
Myocardial infarction
Correlation coefficient
Convolutional neural network
Crossed validation
Domínio/Área Científica::Ciências Médicas::Biotecnologia Médica
title_short Deteção de enfarte do miocárdio através de redes neuronais convolucionais
title_full Deteção de enfarte do miocárdio através de redes neuronais convolucionais
title_fullStr Deteção de enfarte do miocárdio através de redes neuronais convolucionais
title_full_unstemmed Deteção de enfarte do miocárdio através de redes neuronais convolucionais
title_sort Deteção de enfarte do miocárdio através de redes neuronais convolucionais
author Sá, Joana Emília Costa
author_facet Sá, Joana Emília Costa
author_role author
dc.contributor.none.fl_str_mv Rodrigues, Pedro Miguel de Luís
Veritati - Repositório Institucional da Universidade Católica Portuguesa
dc.contributor.author.fl_str_mv Sá, Joana Emília Costa
dc.subject.por.fl_str_mv Eletrocardiograma
Enfarte do miocárdio
Coeficiente de correlação
Convolutional neural network
Validação cruzada
Electrocardiogram
Myocardial infarction
Correlation coefficient
Convolutional neural network
Crossed validation
Domínio/Área Científica::Ciências Médicas::Biotecnologia Médica
topic Eletrocardiograma
Enfarte do miocárdio
Coeficiente de correlação
Convolutional neural network
Validação cruzada
Electrocardiogram
Myocardial infarction
Correlation coefficient
Convolutional neural network
Crossed validation
Domínio/Área Científica::Ciências Médicas::Biotecnologia Médica
description Introdução: As doenças cardiovasculares apresentam uma elevada taxa de mortalidade a nível mundial. O Eletrocardiograma (ECG) é o exame de primeira linha no que diz respeito ao diagnóstico deste tipo de patologias e consequentemente de extrema importância na correta e rápida interpretação para um prognóstico promissor. O Enfarte do Miocárdio (EM) é uma das alterações eletrocardiográficas que, detetadas atempadamente pode apresentar um impacto enorme a nível fisiológico e anatómico do próprio músculo cardíaco. A necessidade existente de uma tomada de decisão rápida e acertada, levou ao desenvolvimento de algoritmos capazes de detetar patologias no sinal eletrocardiográfico. Metodologia: Com o intuito de maximizar a capacidade discriminativa dos diferentes tipos de EM, foram extraídos padrões específicos do ECG para alimentar algoritmos de inteligência artificial. Por forma a tirar o melhor partido dos algoritmos de inteligência artificial foi realizado um préprocessamento de todo o sinal, seguido da seleção rigorosa de segmentos que apresentam a atividade patológica de cada doença. A seleção do segmento patológico para alimentar a Convolutional Neural Network (CNN) foi feita comparando os segmentos ao longo do tempo com as características modelo das sequências temporais do EM. Resultados: Os modelos da CNN, utilizados no presente estudo, apresentam níveis de precisão superiores a 97%, 99,39%, 99,64%, 97,76% e 98,98% para o EM Anterior, Anterolateral, Inferior e Inferolateral, respetivamente. Os resultados discriminativos promissores provam que a etapa de seleção dos segmentos modelo proporcionaram uma excelente triagem entre sequências temporais patológicas e não patológicas, estando a CNN preparada para detetar essa atividade patológica associada a cada uma das modalidades para a qual foi treinada, sempre que, lhe seja apresentado um novo sinal de ECG como entrada
publishDate 2021
dc.date.none.fl_str_mv 2021-06-09T16:07:14Z
2021-05-10
2021
2021-05-10T00:00:00Z
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/10400.14/33562
TID:202729745
url http://hdl.handle.net/10400.14/33562
identifier_str_mv TID:202729745
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_ 1799131988756529152