Deteção de atividade cardiomiopática através de uma análise profunda de padrões típicos registados em sinais ECG

• Autor(a) principal: Paiva, Daniela Seabra
• 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/10400.14/33559
• topic: ECG; Cardiomiopatia; Cardiomiopatia dilatada; Cardiomiopatia hipertrófica obstrutiva; Transformada de wavelet discreta; Deep learning; CNN; Validação cruzada; Cardiomyopathy; Dilated cardiomyopathy; Obstructive hipertrophic cardiomyopathy; Discrete wavelet transform; Deep learning; Cross-validation; Domínio/Área Científica::Ciências Médicas::Biotecnologia Médica

As doenças cardiovasculares (CVDs) destacam-se a nível mundial por serem a primeira causa de morte. Apesar de a percentagem mais elevada de mortes relativas às CVDs estarem associadas a pessoas idosas, o número de jovens e adultos atingidos por esta problemática é igualmente preocupante. As cardiomiopatias, englobadas nas CVDs, consistem numa patologia de difícil deteção através do método típico utilizado, o eletrocardiograma (ECG). Por conseguinte, existe a necessidade de desenvolver algoritmos que permitam a sua deteção precoce. Ambas as cardiomiopatias tratadas neste estudo, a cardiomiopatia dilatada (DCM) e a cardiomiopatia hipertrófica obstrutiva (HOCM), estão associadas a números elevados de mortes súbitas e insuficiências cardíacas. A DCM é a mais comum das cardiomiopatias e, tendo adjacente o número de mortes súbitas e insuficiências cardíacas, aumenta a necessidade de transplantes cardíacos. A HOCM consiste numa patologia silenciosa que é responsável pela morte súbita de jovens e atletas, podendo, resultar em insuficiência cardíaca e derrames. Uma análise cepstral multibanda de sinais ECG patológicos (DCM e HOCM) e não patológicos (controlo) foi realizada com recurso à Transformada de Wavelet Discreta para posterior extração das métricas das distâncias cepstrais entre sequências temporais modelo típicas de cardiomiopatia e todos os segmentos de sinal de ECG presentes na base de dados. Para além disso, foi possível realizar uma verdadeira triagem do que é tipicamente da doença e o que não é, recorrendo a uma análise estatística. Estes segmentos típicos de cada modalidade da cardiomiopatia que foram sujeitos a uma análise cepstral multibanda por cada nível de decomposição e por cada derivação do ECG, alimentaram as redes convolucionais, de forma a serem treinadas com a capacidade de identificar sequências típicas da doença. A validação do método proposto foi realizada recorrendo à Validação Cruzada (CV) de 30 folds. As comparações da DCM e HOCM com o grupo de controlo (grupo saudável) obtiveram uma precisão de 92,39% e 92,58%, respetivamente. A comparação entre as duas variantes estudadas da cardiomiopatia apresentaram a percentagem mais elevada neste estudo, 99,64%. Estas percentagens representam o número de segmentos típicos da patologia que a CNN conseguiu identificar e as elevadas taxas de precisão indicam que os segmentos modelo selecionados são tipicamente caracterizadores da atividade de cardiomiopatia.