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 Andreão, Rodrigo VarejãoBastos Filho, Teodiano FreireSarcinelli Filho, MárioMüller, Sandra Mara TorresResende Junior, Fernando Gil ViannaSalles, Evandro Ottoni Teatini2016-12-23T14:07:25Z2006-07-062016-12-23T14:07:25Z2006-04-03In 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.Conselho Nacional de Desenvolvimento Científico e TecnológicoTextMULLER, Sandra Mara Torres. Adaptação dos modelos de Markov para um sistema de segmentação e classificação de sinais de eletrocardiograma. 2006. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Espírito Santo, Centro Tecnológico, Vitória, 2006.http://repositorio.ufes.br/handle/10/6209porUniversidade Federal do Espírito SantoMestrado em Engenharia ElétricaPrograma de Pós-Graduação em Engenharia ElétricaUFESBRCentro TecnológicoMarkov, processos deWavelets (matemática)Otimização matemáticaReconhecimento de padrõesEngenharia Elétrcia621.3Adaptação dos modelos de Markov para um sistema de segmentação e classificação de sinais de eletrocardiogramainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da Universidade Federal do Espírito Santo (riUfes)instname:Universidade Federal do Espírito Santo (UFES)instacron:UFESConselho Nacional de Desenvolvimento Científico e TecnológicoORIGINALSandra-Mara-Torres-Muller-2006-trabalho.pdfapplication/pdf1594751http://repositorio.ufes.br/bitstreams/f7d38135-1358-4c57-8d3a-0e93924b0c51/downloadb3abd1c42aa0001991d29eefe9754019MD5110/62092024-07-17 16:59:39.836oai:repositorio.ufes.br:10/6209http://repositorio.ufes.brRepositório InstitucionalPUBhttp://repositorio.ufes.br/oai/requestopendoar:21082024-10-15T17:56:39.127345Repositório 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.advisor-co1.fl_str_mv Andreão, Rodrigo Varejão
dc.contributor.advisor1.fl_str_mv Bastos Filho, Teodiano Freire
dc.contributor.advisor2.fl_str_mv Sarcinelli Filho, Mário
dc.contributor.author.fl_str_mv Müller, Sandra Mara Torres
dc.contributor.referee1.fl_str_mv Resende Junior, Fernando Gil Vianna
dc.contributor.referee2.fl_str_mv Salles, Evandro Ottoni Teatini
contributor_str_mv Andreão, Rodrigo Varejão
Bastos Filho, Teodiano Freire
Sarcinelli Filho, Mário
Resende Junior, Fernando Gil Vianna
Salles, Evandro Ottoni Teatini
dc.subject.por.fl_str_mv Markov, processos de
Wavelets (matemática)
Otimização matemática
Reconhecimento de padrões
topic Markov, processos de
Wavelets (matemática)
Otimização matemática
Reconhecimento de padrões
Engenharia Elétrcia
621.3
dc.subject.cnpq.fl_str_mv Engenharia Elétrcia
dc.subject.udc.none.fl_str_mv 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.available.fl_str_mv 2006-07-06
2016-12-23T14:07:25Z
dc.date.issued.fl_str_mv 2006-04-03
dc.date.accessioned.fl_str_mv 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.citation.fl_str_mv MULLER, Sandra Mara Torres. Adaptação dos modelos de Markov para um sistema de segmentação e classificação de sinais de eletrocardiograma. 2006. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Espírito Santo, Centro Tecnológico, Vitória, 2006.
dc.identifier.uri.fl_str_mv http://repositorio.ufes.br/handle/10/6209
identifier_str_mv MULLER, Sandra Mara Torres. Adaptação dos modelos de Markov para um sistema de segmentação e classificação de sinais de eletrocardiograma. 2006. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Espírito Santo, Centro Tecnológico, Vitória, 2006.
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
dc.publisher.none.fl_str_mv Universidade Federal do Espírito Santo
Mestrado em Engenharia Elétrica
dc.publisher.program.fl_str_mv Programa de Pós-Graduação em Engenharia Elétrica
dc.publisher.initials.fl_str_mv UFES
dc.publisher.country.fl_str_mv BR
dc.publisher.department.fl_str_mv Centro Tecnológico
publisher.none.fl_str_mv Universidade Federal do Espírito Santo
Mestrado 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)
bitstream.url.fl_str_mv http://repositorio.ufes.br/bitstreams/f7d38135-1358-4c57-8d3a-0e93924b0c51/download
bitstream.checksum.fl_str_mv b3abd1c42aa0001991d29eefe9754019
bitstream.checksumAlgorithm.fl_str_mv MD5
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_ 1813022536915484672

Registros relacionados