PyCBPE: umframework open­source para estudo de desempenho de algoritmos de aprendizagem de máquina aplicados para estimar a pressão arterial através de sinais de fotopletismografia.

• Autor(a) principal: LUZ, Luigi Fernando Marques da
• Data de Publicação: 2021
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório institucional da Universidade Federal Rural de Pernambuco (UFRPE) (RI-UFRPE)
• Texto Completo: https://repository.ufrpe.br/handle/123456789/2896
• topic: Pressão arterial; Fotopletismografia; Aprendizagem de máquina; Framework open­source

Doenças cardíacas são uma grande causa de mortes na atualidade. Um indicador tí­ pico de doenças cardíacas graves é a pressão arterial elevada, que pode ser usada para auxiliar no diagnóstico de muitas doenças do coração. Contudo, o diagnóstico apropriado de muitas doenças pode requerer um monitoramento contínuo da pressão sanguínea, o que pode ser difícil de se obter, uma vez que o método padrão, baseado no esfigmomanômetro, não permite medições contínuas e a cânula invasiva é custosa, desconfortável para o paciente e necessita de infraestrutura hospitalar. Como alternativa, técnicas aplicando sinais de fotopletismografia (PPG) têm sido propostas recentemente para estimar a pressão arterial. Essas técnicas usam sinais de PPG, que podem ser aferidos através de um sensor não­invasivo, aplicados no dedo do paciente, por exemplo. Avanços recentes na literatura mostram que esses sinais podem ser usados como entradas para modelos de algoritmos de aprendizagem de máquina, com o propósito de estimar a pressão arterial de forma a atender alguns padrões internacionais para equipamentos médicos. Embora o número de trabalhos relacionados a este campo de estudo esteja aumentando, os autores normalmente não disponibilizam suas simulações, o que dificulta a comparação entre essas diferentes abordagens. Este trabalho propõe um framework de código aberto para auxiliar na comparação de desempenho entre algoritmos de aprendizagem de máquina, aplicados para estimar a pressão arterial a partir de sinais de PPG. A metodologia utilizada para desenvolver o framework é detalhada neste documento e uma comparação de desempenho entre modelos gerados por quatro algoritmos de aprendizagem de máquina (Regressão Linear, Árvore de Decisão, Random Forest e AdaBoost) é apresentada. A comparação mostra que usando o framework proposto, os modelos conseguem alcançar desempenhos semelhantes aos obtidos na literatura.