Adaptação dos modelos de Markov para um sistema de segmentação e classificação de sinais de eletrocardiograma

Detalhes bibliográficos
Autor(a) principal: Müller, Sandra Mara Torres
Data de Publicação: 2006
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da Universidade Federal do Espírito Santo (riUfes)
Texto Completo: http://repositorio.ufes.br/handle/10/6209
Resumo: In this work three incremental adaptation methods for the hidden Markov models (HMM) are studied and implemented, which are based on the Expectation-Maximization (EM), Segmental k-Means and Maximum a Posteriori (MAP) algorithms. These methods, already used in the speech recognition field, are applied here in the electrocardiogram (ECG) segmentation problem. For that, it was used an ECG analysis system able to segment and classify cardiac diseases, like premature ventricular contraction (PVC) and ischemia. The use of these methods allow us to adjust the models to the signal fluctuations commonly met during ambulatory recording. The methods can also be implemented for other kinds of biomedical signals, like electroencephalogram (EEG).
id UFES_42310de9c8cef81febaf91d0bea8dd5c
oai_identifier_str oai:repositorio.ufes.br:10/6209
network_acronym_str UFES
network_name_str Repositório Institucional da Universidade Federal do Espírito Santo (riUfes)
repository_id_str 2108
spelling Adaptação dos modelos de Markov para um sistema de segmentação e classificação de sinais de eletrocardiogramaMarkov, processos deWavelets (matemática)Otimização matemáticaReconhecimento de padrõesEngenharia Elétrcia621.3In this work three incremental adaptation methods for the hidden Markov models (HMM) are studied and implemented, which are based on the Expectation-Maximization (EM), Segmental k-Means and Maximum a Posteriori (MAP) algorithms. These methods, already used in the speech recognition field, are applied here in the electrocardiogram (ECG) segmentation problem. For that, it was used an ECG analysis system able to segment and classify cardiac diseases, like premature ventricular contraction (PVC) and ischemia. The use of these methods allow us to adjust the models to the signal fluctuations commonly met during ambulatory recording. The methods can also be implemented for other kinds of biomedical signals, like electroencephalogram (EEG).Neste trabalho foram estudadas e implementadas trêss técnicas incrementais de adaptação de modelos ocultos de Markov (HMM - Hidden Markov Model) baseadas nos algoritmos de treinamento, que são a esperan»ca da maximização (expectation maximization - EM), a k-means segmental (segmental k-means) e a máximo a posteriori (Maximum a Posteri- ori -MAP). Essas técnicas, muito utilizadas em reconhecimento de voz, são aqui usadas para sinais biomédicos, mais precisamente para sinal de eletrocardiograma (ECG). Para tal objetivo, utilizou-se uma plataforma, já desenvolvida, de segmentação e classificação de ECG, além de detecções de anomalias cardíacas como extra-sístole ventricular (ESV) e isquemia do miocárdio. Nessa plataforma, os modelos de Markov são empregados na etapa de segmentação do sinal de ECG, tendo em vista a identificação das formas de onda elementares que compõem um ciclo cardíaco. O desenvolvimento dessas técnicas permite, uma vez que a plataforma esteja funcionando como sistema real, um ajuste autônomo dos modelos µas variações do sinal de ECG ao longo do tempo, assim como a outras variações presentes em um sistema real. As técnicas foram avaliadas a partir de experimentos usando duas bases de sinais de ECG: QT database e European ST-T database. Os resultados confirmam o ganho de desempenho obtido com a adaptação, permitindo uma modelagem do sinal ao longo do tempo mais apropriada. As técnicas desenvolvidas são indicadas também para outros tipos de sinais biomédicos, como o sinal de eletroencefalograma (EEG), por exemplo.Universidade Federal do Espírito SantoBRMestrado em Engenharia ElétricaCentro TecnológicoUFESPrograma de Pós-Graduação em Engenharia ElétricaAndreão, Rodrigo VarejãoBastos Filho, Teodiano FreireResende Junior, Fernando Gil ViannaSalles, Evandro Ottoni TeatiniMüller, Sandra Mara Torres2016-12-23T14:07:25Z2006-07-062016-12-23T14:07:25Z2006-04-03info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisTextapplication/pdfhttp://repositorio.ufes.br/handle/10/6209porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da Universidade Federal do Espírito Santo (riUfes)instname:Universidade Federal do Espírito Santo (UFES)instacron:UFES2024-12-09T22:14:10Zoai:repositorio.ufes.br:10/6209Repositório InstitucionalPUBhttp://repositorio.ufes.br/oai/requestopendoar:21082024-12-09T22:14:10Repositório Institucional da Universidade Federal do Espírito Santo (riUfes) - Universidade Federal do Espírito Santo (UFES)false
dc.title.none.fl_str_mv Adaptação dos modelos de Markov para um sistema de segmentação e classificação de sinais de eletrocardiograma
title Adaptação dos modelos de Markov para um sistema de segmentação e classificação de sinais de eletrocardiograma
spellingShingle Adaptação dos modelos de Markov para um sistema de segmentação e classificação de sinais de eletrocardiograma
Müller, Sandra Mara Torres
Markov, processos de
Wavelets (matemática)
Otimização matemática
Reconhecimento de padrões
Engenharia Elétrcia
621.3
title_short Adaptação dos modelos de Markov para um sistema de segmentação e classificação de sinais de eletrocardiograma
title_full Adaptação dos modelos de Markov para um sistema de segmentação e classificação de sinais de eletrocardiograma
title_fullStr Adaptação dos modelos de Markov para um sistema de segmentação e classificação de sinais de eletrocardiograma
title_full_unstemmed Adaptação dos modelos de Markov para um sistema de segmentação e classificação de sinais de eletrocardiograma
title_sort Adaptação dos modelos de Markov para um sistema de segmentação e classificação de sinais de eletrocardiograma
author Müller, Sandra Mara Torres
author_facet Müller, Sandra Mara Torres
author_role author
dc.contributor.none.fl_str_mv Andreão, Rodrigo Varejão
Bastos Filho, Teodiano Freire
Resende Junior, Fernando Gil Vianna
Salles, Evandro Ottoni Teatini
dc.contributor.author.fl_str_mv Müller, Sandra Mara Torres
dc.subject.por.fl_str_mv Markov, processos de
Wavelets (matemática)
Otimização matemática
Reconhecimento de padrões
Engenharia Elétrcia
621.3
topic Markov, processos de
Wavelets (matemática)
Otimização matemática
Reconhecimento de padrões
Engenharia Elétrcia
621.3
description In this work three incremental adaptation methods for the hidden Markov models (HMM) are studied and implemented, which are based on the Expectation-Maximization (EM), Segmental k-Means and Maximum a Posteriori (MAP) algorithms. These methods, already used in the speech recognition field, are applied here in the electrocardiogram (ECG) segmentation problem. For that, it was used an ECG analysis system able to segment and classify cardiac diseases, like premature ventricular contraction (PVC) and ischemia. The use of these methods allow us to adjust the models to the signal fluctuations commonly met during ambulatory recording. The methods can also be implemented for other kinds of biomedical signals, like electroencephalogram (EEG).
publishDate 2006
dc.date.none.fl_str_mv 2006-07-06
2006-04-03
2016-12-23T14:07:25Z
2016-12-23T14:07:25Z
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://repositorio.ufes.br/handle/10/6209
url http://repositorio.ufes.br/handle/10/6209
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 Text
application/pdf
dc.publisher.none.fl_str_mv Universidade Federal do Espírito Santo
BR
Mestrado em Engenharia Elétrica
Centro Tecnológico
UFES
Programa de Pós-Graduação em Engenharia Elétrica
publisher.none.fl_str_mv Universidade Federal do Espírito Santo
BR
Mestrado em Engenharia Elétrica
Centro Tecnológico
UFES
Programa de Pós-Graduação em Engenharia Elétrica
dc.source.none.fl_str_mv reponame:Repositório Institucional da Universidade Federal do Espírito Santo (riUfes)
instname:Universidade Federal do Espírito Santo (UFES)
instacron:UFES
instname_str Universidade Federal do Espírito Santo (UFES)
instacron_str UFES
institution UFES
reponame_str Repositório Institucional da Universidade Federal do Espírito Santo (riUfes)
collection Repositório Institucional da Universidade Federal do Espírito Santo (riUfes)
repository.name.fl_str_mv Repositório Institucional da Universidade Federal do Espírito Santo (riUfes) - Universidade Federal do Espírito Santo (UFES)
repository.mail.fl_str_mv
_version_ 1825904497369546752

Registros relacionados