Classificação de arritmias por aprendizado profundo

• Ano de defesa: 2026
• Autor(a) principal: Silva, César Nogueira
• Orientador(a): Bergamasco, L. C. C.
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Centro Universitário FEI, São Bernardo do Campo
• Palavras-chave em Português: Aprendizado profundo; Arritmia; Eletrocardiograma (ECG); Redes neurais convolucionais; Inteligência artificial explicável (XAI); Deep learning; Arrhythmia; Electrocardiogram (ECG); Convolutional neural networks; Explainable artificial intelligence (XAI)
• Link de acesso: https://repositorio.fei.edu.br/handle/FEI/6139; https://doi.org/10.31414/EE.2026.D.132279

O monitoramento de sinais vitais tornou-se uma prática essencial na rotina contemporânea, impulsionado pelo advento de dispositivos vestíveis para o gerenciamento contínuo da saúde. Neste contexto, o Eletrocardiograma (ECG) destaca-se como a principal ferramenta para a identificação de arritmias cardíacas, caracterizadas por alterações no ritmo natural do coração. Embora a literatura recente explore diversas arquiteturas de aprendizado profundo para a classificação automática destas patologias, reportando acurácias de até 99%, ainda existem limitações críticas relacionadas à escassez de dados para classes minoritárias, ao desbalanceamento das bases, à presença de ruídos e à natureza de "caixa-preta"destes algoritmos. Este trabalho propõe uma abordagem abrangente para a classificação de sinais de ECG segundo as categorias estabelecidas pela Association for the Advancement of Medical Instrumentation (AAMI). Utilizando a base MIT-BIH Arrhythmia Database , o estudo iniciou-se com a avaliação de redes pré-treinadas clássicas (ResNet50, MobileNetV2 e Xception) sobre diferentes representações do sinal (bruto e espectros CWT), onde a MobileNetV2 demonstrou o melhor compromisso entre desempenho e eficiência computacional. Para superar as limitações do desbalanceamento inerente aos dados clínicos, implementou-se a geração de sinais sintéticos de alta fidelidade por meio de Redes Generativas Adversariais (WGAN-GP) e Autoencoders. A partir de um conjunto de dados perfeitamente balanceado, o trabalho introduziu inovações sobre a arquitetura híbrida convolucional-transformer MobileViTv2, substituindo a camada de classificação tradicional por uma camada com restrição angular geométrica (NormHead). O modelo proposto alcançou uma acurácia global de 97,93% e F1-score macro de 0,9538. Adicionalmente, foram aplicadas técnicas de Explainable AI (Grad-CAM e Attention Rollout) para comprovar a coerência clínica das decisões da rede, evidenciando que o modelo concentra sua atenção nas estruturas fisiológicas corretas. A validação final do sistema com sinais puramente no domínio temporal ratificou sua robustez (acurácia de 97,51%) e eficiência (inferência de 1,67 ms), qualificando a topologia como altamente promissora para futuras aplicações em sistemas de monitoramento contínuo e triagem médica de baixo custo