Rede Neural Convolucional com Dois Canais para Classificação Automática de Arritmias em Sinais de ECG
| Autor(a) principal: | |
|---|---|
| Data de Publicação: | 2022 |
| Tipo de documento: | Trabalho de conclusão de curso |
| Idioma: | por |
| Título da fonte: | Repositório Institucional da UFSC |
| Texto Completo: | https://repositorio.ufsc.br/handle/123456789/233188 |
Resumo: | TCC(graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Engenharia Eletrônica. |
| id |
UFSC_570146e180c4aa1d4e9ba05505d38f0b |
|---|---|
| oai_identifier_str |
oai:repositorio.ufsc.br:123456789/233188 |
| network_acronym_str |
UFSC |
| network_name_str |
Repositório Institucional da UFSC |
| repository_id_str |
2373 |
| spelling |
Rede Neural Convolucional com Dois Canais para Classificação Automática de Arritmias em Sinais de ECGECGMachine LearningDeep LearningArritmiaClassificaçãoMIT-BIHClassificationArrhythmiaTCC(graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Engenharia Eletrônica.As Redes Neurais Convolucionais (CNN) são modelos de referência na classificação de imagens clínicas, no entanto, uma nova abordagem de análise de sinais biomédicos de uma dimensão, como os sinais de eletrocardiogramas (ECG), tem se beneficiado de arquiteturas capazes de abstrair melhor os dados em busca de padrões relevantes. Este trabalho desenvolveu arquiteturas CNN com um e dois canais com diferentes níveis de abstração de dados para a classificação de arritmias. A partir da abordagem inter-paciente, executou-se o pré-processamento dos dados de sinais de ECG do MIT-BIH Arrhythmia Database, treinou-se os modelos em cenários distintos, com ou sem data augmentation e efetuou-se a avaliação comparativa do desempenho de um modelo CNN com dois canais (DC-CNN) em relação ao modelo CNN de referência e outros descritos a literatura. Adotou-se a abordagem inter-paciente por considerá-la mais adequada no diagnóstico de arritmias em cenários da vida real, uma vez que reproduz um ambiente similar ao do cardiologista quando o mesmo realiza o diagnóstico de um novo paciente. Ao investigar a eficácia do uso de algoritmos SMOTE e Random Over-Sampling no modelo DC-CNN, verificou-se que ambos apresentaram uma degradação no desempenho, em termos de acurácia, sendo que esta degradação foi maior para o algoritmo SMOTE. No entanto, considerando que a similaridade entre as classes de batimento S e N é um dos principais desafios para os classificadores de arritmia, o modelo DC-CNN com SMOTE apresentou o melhor desempenho geral na detecção da classe S de arritmia em todas a métricas avaliadas. De uma forma geral, o emprego de algoritmos data augmentation são instrumentos eficientes na otimização do desempenho de classificadores, no entanto, deve-se atentar para uma exaustiva análise dos efeitos dessas algoritmos na detecção das classes minoritárias antes de incorporá-las aos modelos CNN classificadores de arritmia. Em relação a avaliação do desempenho do modelo DC-CNN empregando uma classificação binária, ou seja, batimentos normal (classe N) e arrítmico (classes S, V e F) nas curvas ROC e PR, a arquitetura DC-CNN obteve AUROC de 0,85 e AUPRC de 0,67, um desempenho 6,25% e 39,6% superior ao modelo de referência na detecção das classes de arritmias, respectivamente. Os experimentos executados neste trabalho mostraram que o modelo DC-CNN superou o modelo de referência em todas as métricas aplicadas, com destaque para a métrica de acurácia (85,66%), resultado semelhante ao de modelos CNN empregando a abordagem inter-paciente. Assim, infere-se que o modelo DC-CNN avaliado tem potencial para efetuar a detecção de arritmias morfológicas em sinais de ECG, por meio da análise do complexo QRS.Convolutional Neural Networks (CNN) are benchmark models in clinical image classification, however, a new approach to analyzing one-dimensional biomedical signals, such as electrocardiogram (ECG) signals, has benefited from architectures capable of better abstracting the data in search of relevant patterns. This work developed single and dual-channel CNN architectures with different levels of data abstraction for arrhythmia classification. Using the inter-patient paradigm, ECG signal data from the MIT-BIH Arrhythmia Database were preprocessed, models were trained in different scenarios, with or without data augmentation, and the performance of a two-channel CNN model (DC-CNN) was compared with the reference CNN model and others described in the literature. The inter-patient paradigm was adopted because it is considered to be more appropriate in the diagnosis of arrhythmias in real-life scenarios, since it reproduces an environment similar to that of a cardiologist when diagnosing a new patient. When investigating the effectiveness of using SMOTE and Random Over-Sampling algorithms in the DC-CNN model, it was found that both showed a degradation in performance, in terms of accuracy, with this degradation being greater for the SMOTE algorithm. However, considering that the similarity between S-type and N-type heartbeat constitutes one of the main challenges for arrhythmia classifiers, the DC-CNN model with SMOTE showed the best overall performance in detecting the S-type arrhythmia class in all metrics evaluated. In general, the use of data augmentation algorithms are efficient tools in optimizing the performance of classifiers, however, one should pay attention to a thorough analysis of the effects of these algorithms in the detection of minority classes before incorporating them into the CNN arrhythmia classifier models. In relation to evaluating the performance of the DC-CNN model employing a binary classification, i.e. normal (class N) and arrhythmic heartbeats (classes S, V and F) on the ROC and PR curves, the DC-CNN architecture obtained AUROC of 0,85 and AUPRC of 0,67, a performance 6,25% and 39,6% higher than the reference model in detecting the arrhythmia classes, respectively. The experiments performed in this work showed that the DC-CNN model outperformed the reference model in all the metrics applied, especially in the accuracy metric (85,66%), a result similar to that of CNN models employing the inter-patient paradigm. Thus, we infer that the evaluated DC-CNN model has the potential to perform morphological arrhythmia detection in ECG signals through the analysis of the QRS complex.Florianópolis, SCSilva, DaniloUniversidade Federal de Santa CatarinaMessias, Bruno Cayres2022-03-28T13:31:59Z2022-03-28T13:31:59Z2022-03-21info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesis67 f.application/pdfhttps://repositorio.ufsc.br/handle/123456789/233188info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSC2022-03-28T13:31:59Zoai:repositorio.ufsc.br:123456789/233188Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732022-03-28T13:31:59Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false |
| dc.title.none.fl_str_mv |
Rede Neural Convolucional com Dois Canais para Classificação Automática de Arritmias em Sinais de ECG |
| title |
Rede Neural Convolucional com Dois Canais para Classificação Automática de Arritmias em Sinais de ECG |
| spellingShingle |
Rede Neural Convolucional com Dois Canais para Classificação Automática de Arritmias em Sinais de ECG Messias, Bruno Cayres ECG Machine Learning Deep Learning Arritmia Classificação MIT-BIH Classification Arrhythmia |
| title_short |
Rede Neural Convolucional com Dois Canais para Classificação Automática de Arritmias em Sinais de ECG |
| title_full |
Rede Neural Convolucional com Dois Canais para Classificação Automática de Arritmias em Sinais de ECG |
| title_fullStr |
Rede Neural Convolucional com Dois Canais para Classificação Automática de Arritmias em Sinais de ECG |
| title_full_unstemmed |
Rede Neural Convolucional com Dois Canais para Classificação Automática de Arritmias em Sinais de ECG |
| title_sort |
Rede Neural Convolucional com Dois Canais para Classificação Automática de Arritmias em Sinais de ECG |
| author |
Messias, Bruno Cayres |
| author_facet |
Messias, Bruno Cayres |
| author_role |
author |
| dc.contributor.none.fl_str_mv |
Silva, Danilo Universidade Federal de Santa Catarina |
| dc.contributor.author.fl_str_mv |
Messias, Bruno Cayres |
| dc.subject.por.fl_str_mv |
ECG Machine Learning Deep Learning Arritmia Classificação MIT-BIH Classification Arrhythmia |
| topic |
ECG Machine Learning Deep Learning Arritmia Classificação MIT-BIH Classification Arrhythmia |
| description |
TCC(graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Engenharia Eletrônica. |
| publishDate |
2022 |
| dc.date.none.fl_str_mv |
2022-03-28T13:31:59Z 2022-03-28T13:31:59Z 2022-03-21 |
| dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| format |
bachelorThesis |
| status_str |
publishedVersion |
| dc.identifier.uri.fl_str_mv |
https://repositorio.ufsc.br/handle/123456789/233188 |
| url |
https://repositorio.ufsc.br/handle/123456789/233188 |
| 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 |
67 f. application/pdf |
| dc.publisher.none.fl_str_mv |
Florianópolis, SC |
| publisher.none.fl_str_mv |
Florianópolis, SC |
| dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFSC instname:Universidade Federal de Santa Catarina (UFSC) instacron:UFSC |
| instname_str |
Universidade Federal de Santa Catarina (UFSC) |
| instacron_str |
UFSC |
| institution |
UFSC |
| reponame_str |
Repositório Institucional da UFSC |
| collection |
Repositório Institucional da UFSC |
| repository.name.fl_str_mv |
Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC) |
| repository.mail.fl_str_mv |
|
| _version_ |
1808652083401850880 |