Avaliação de redes neurais no reconhecimento de complexo QRS em sinais de eletrocardiografia

• Autor(a) principal: Danielewicz, Georgea
• Data de Publicação: 2013
• Outros Autores: Ferreira, Geovane Vinicius
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
• Texto Completo: http://repositorio.utfpr.edu.br/jspui/handle/1/8142
• topic: Engenharia de Computação; Sistemas de computação - Desenvolvimento; Eletrocardiografia; Redes neurais (Computação); Computer systems - Development; Electrocardiography; Neural networks (Computer science)

Os exames eletrocardiográficos são considerados uma ferramenta bastante importante no diagnóstico de problemas cardíacos. Para avaliar adequadamente a situação de um coração, é necessário detectar corretamente o complexo QRS durante a análise do sinal de Eletrocardiografia (ECG), muitas vezes com artefatos. Este fato dificulta a rotina dos profissionais que analisam este tipo de exame. Em virtude disto, são necessárias ferramentas que busquem otimizar esta leitura e busca pelo padrão QRS. O objetivo deste projeto e desenvolver um sistema computacional para reconhecimento do complexo QRS em sinais de ECG. A metodologia adotada foi composta pelas etapas de projeto, desenvolvimento e testes. As etapas de desenvolvimento e testes utilizaram uma base de dados de exames de ECG de domínio público. A etapa de testes foi realizada pela própria equipe, por meio de um módulo do sistema específico para este fim. O sistema desenvolvido é composto por cinco módulos: visualização, marcação de eventos, extração de características, reconhecimento de padrões e avaliação dos resultados. O modulo de extração de características aplica a função de correlação entre o padrão escolhido e o sinal de ECG, produzindo um novo sinal que funciona como entrada para o módulo de reconhecimento de padrões. Os eventos detectados por este módulo de reconhecimento são exibidos graficamente na tela. Por fim, o módulo de avaliação compara os resultados obtidos e os esperados, e os classifica como verdadeiro positivo, verdadeiro negativo, falso positivo ou falso negativo. Com base nesta avaliação, foram realizadas as análises de sensibilidade e especificidade, permitindo a representação da Curva ROC do sistema classificador. Os resultados do projeto consistem, portanto, no próprio sistema e sua aplicação prática.