Implementação de algoritmos de TensorFlow™ para detetar patologias cardíacas

Detalhes bibliográficos
Autor(a) principal: Hao Huang
Data de Publicação: 2019
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/1822/65927
Resumo: Dissertação de mestrado em Engenharia Eletrónica Industrial e Computadores
id RCAP_e737a7d30bb8c82a4fc66b5c808d0a91
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/65927
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Implementação de algoritmos de TensorFlow™ para detetar patologias cardíacas“TensorFlow”Patologia cardíaca“Machine Learning”PrevençãoSCG “Seismocardiogram”AlgoritmoCardiovascular DiseasesPreventionAlgorithmEngenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e InformáticaDissertação de mestrado em Engenharia Eletrónica Industrial e ComputadoresAs doenças cardiovasculares são umas das principais doenças que prejudicam a saúde humana, atraindo cada vez mais atenção da comunidade medica. É portanto necessário que os pacientes possam fazer um exame cardiovascular em qualquer instante, sítio e com um resultado preciso no momento. É notar que muitos pacientes com estas doenças são vítimas de ataque cardíaco quando dormem e acabam por morrer por não serem resgatadas a tempo. Baseando este assunto como ponto de partida, esta dissertação foca-se no estudo do sinal do dispositivo SCG (“Seismocardiogram”), o dispositivo registra informações em tempo real do coração através de sensores sem fazer contacto com o corpo, depois utiliza tecnologia de inteligência artificial para analisar as informações registadas e alerta sobre a possível ocorrência de problemas cardíacos. O sinal da SCG é imperfeição, apesar de ser inicialmente processado por um circuito de hardware, ainda pode conter ruído, com valores incorretos e inconsistentes. Portanto, antes de trabalhar com o sinal, deve-se utilizar a técnica de pré-processamento de sinais para melhorar a qualidade dos sinais por via da eliminação e filtragem. “Wavelet transform” ou Passa banda é um método que pode efetivamente eliminar o ruído. Outro problema da atualidade, é conseguir identificar os tipos dos problemas cardíacos de forma atempada e eficiente. Devido à necessidade de analisar uma grande quantidade de dados, torna-se difícil conseguir obter estas métricas (identificação e eficiência) e consequentemente ajudar resolver este problema que abrange em grande escala a população mundial. Contudo nos últimos anos, o surgimento de métodos como “Machine Learning” permite fazer uma melhor prevenção sobre a possível ocorrência de problemas cardíacos, tendo-se tornado um das melhores métodos desenvolvidos para tal. Nesta dissertação pretende-se desenvolver um sistema que recolha dados de uma SCG “Seismocardiogram”, que integre um acelerómetro MEMS baseado na medição de tempos de “pull-in”, tais como batimentos cardíacos e respiração. Também se pretende desenvolver uma aplicação que utilize “Machine Learning” para reconhecer sinal de SCG. Outro objetivo é utilizar a biblioteca “Open Source”de “TensorFlow” para implementar um algoritmo, que seja capaz de analisar e prever a evolução de cada doente. Desta forma, é possível ter um sistema que, através do histórico de saúde e dos dados recolhidos do doente, possibilite aos médicos detetarem mais facilmente um problema cardíaco que o paciente tenha.Cardiovascular diseases are one of the major threats to human health, attracting more and more attention from the medical community. It is therefore necessary that patients are able to take a cardiovascular examination at any time, place and with a precise result immediatley. It is noteworthy that many patients with these diseases are victims of heart attacks when they sleep and end up dying for not being rescued in time. Based on this subject as a starting point, this dissertation focuses on the study of the signal of a SCG device (Seismocardiogram), a device that registers real-time information from the heart through sensors without making contact with the body, after use artificial intelligence technology to analyze the information recorded and warns about the possible occurrence of heart problems. The SCG is imperfections, and although it is initially processed by an hardware circuit, it may still contain noise, with incorrect and inconsistent values. Therefore, prior to working with the signal, a signal preprocessing technique should be used to improve signal quality through elimination and filtering. Wavelet transform or Passband are methods that can be effectively used to eliminate noise. Another problem today, is the abiliyt to identify the types of diseases in a timely and efficient manner. Due to the need of analyzing a large amount of data, it is difficult to obtain these metrics (forecasting and efficiency) and consequently to solve this problem that covers the world population on a large scale. However, in recent years, the emergence of methods such as Machine Learning allow for better prevention of the possible occurrence of cardiac problems and has become one of the best methods developed for this. This thesis intends to develop a system that collects data from an SCG Seismocardiogram which integrates a MEMS accelerometer based on the measurement of pull-in times such as heart rate and respiration. It also intends to develop an application using Machine Learning to recognize an SCG signal. Another goal is to use the TensorFlow Open Text library to implement an algorithm capable of analyzing and predicting the evolution of each patient. In this way, it is possible to have a system that, through the history of health and data collected from the patient, enables physicians to easily detect a cardiac problem that the patient might have.Cabral, JorgeUniversidade do MinhoHao Huang20192019-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/1822/65927por202448576info: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:RCAAP2023-07-21T12:21:50Zoai:repositorium.sdum.uminho.pt:1822/65927Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T19:15:12.513287Repositório 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 Implementação de algoritmos de TensorFlow™ para detetar patologias cardíacas
title Implementação de algoritmos de TensorFlow™ para detetar patologias cardíacas
spellingShingle Implementação de algoritmos de TensorFlow™ para detetar patologias cardíacas
Hao Huang
“TensorFlow”
Patologia cardíaca
“Machine Learning”
Prevenção
SCG “Seismocardiogram”
Algoritmo
Cardiovascular Diseases
Prevention
Algorithm
Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
title_short Implementação de algoritmos de TensorFlow™ para detetar patologias cardíacas
title_full Implementação de algoritmos de TensorFlow™ para detetar patologias cardíacas
title_fullStr Implementação de algoritmos de TensorFlow™ para detetar patologias cardíacas
title_full_unstemmed Implementação de algoritmos de TensorFlow™ para detetar patologias cardíacas
title_sort Implementação de algoritmos de TensorFlow™ para detetar patologias cardíacas
author Hao Huang
author_facet Hao Huang
author_role author
dc.contributor.none.fl_str_mv Cabral, Jorge
Universidade do Minho
dc.contributor.author.fl_str_mv Hao Huang
dc.subject.por.fl_str_mv “TensorFlow”
Patologia cardíaca
“Machine Learning”
Prevenção
SCG “Seismocardiogram”
Algoritmo
Cardiovascular Diseases
Prevention
Algorithm
Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
topic “TensorFlow”
Patologia cardíaca
“Machine Learning”
Prevenção
SCG “Seismocardiogram”
Algoritmo
Cardiovascular Diseases
Prevention
Algorithm
Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
description Dissertação de mestrado em Engenharia Eletrónica Industrial e Computadores
publishDate 2019
dc.date.none.fl_str_mv 2019
2019-01-01T00:00:00Z
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/1822/65927
url http://hdl.handle.net/1822/65927
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv 202448576
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_ 1799132597134032896

Registros relacionados