Detecção do complexo QRS em eletrocardiogramas com 12 derivações utilizando redes neurais convolucionais

• Ano de defesa: 2023
• Autor(a) principal: http://lattes.cnpq.br/0549251369146326
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Amazonas; Faculdade de Tecnologia; Brasil; UFAM; Programa de Pós-graduação em Engenharia Elétrica
• Palavras-chave em Português: ENGENHARIAS: ENGENHARIA ELETRICA; Eletrocardiograma; ECG; Complexo QRS; Detecção; 12 derivações; Redes Neurais Convolucionais.
• Link de acesso: https://tede.ufam.edu.br/handle/tede/9516

As doenças cardiovasculares (CDVs) são as principais causas de mortes no mundo. De acordo com a Organização Mundial da Saúde (OMS) cerca de 17,9 milhões de pessoas morreram de CDVs em 2019, sendo a maior ocorrência em países de baixa e média renda. As CDVs têm consequências econômicas significativas que afetam indivíduos, sistemas de saúde e a sociedade. A detecção precoce é a principal forma de prevenção. O Eletrocardiograma (ECG) é a técnica amplamente utilizada para detecção de CDVs. Ele representa a atividade elétrica do coração, este possui várias ondas sendo a mais proeminente o complexo QRS. Os sinais do ECG são captados em várias regiões do corpo, sendo o ECG de 12 derivações comumente utilizado nas práticas clinicas. O uso de técnicas de aprendizado de máquina e, nos últimos tempos o aprendizado profundo, tem sido foco de muitas pesquisas com o fim de detecção do complexo QRS. Entretanto a pesquisa em base de dados literárias evidenciou a carência desses estudos aplicados individualmente às 12 derivações do ECG. Neste estudo, propõe-se avançar na detecção do complexo QRS em todas as 12 derivações do ECG. Para tal, usamos o banco de dados público, o INCART, no qual realizamos um processo de rotulagem dos intervalos QRS de todos os sinais disponibilizados no referido banco. A metodologia investiga três arquiteturas de redes neurais convolucionais (CNN1, 2 e 3) com diferentes tamanhos de campos receptíveis. A arquitetura que apresentou melhor desempenho médio das 12 derivações foi a CNN2, com uma precisão de 76,44%, recall de 99,90% e F1-score de 86,50%. Os valores de precisão e F1-score foram afetados pelo fato do modelo ter apresentado falsos positivos. Estes foram minimizados por um passo adicional de pós-processamento. Com o pós-processamento, as métricas de desempenho passaram a ser: precisão de 99,98%, recall de 99,90% e F1-score de 99,94%, superando o modelo de CNN apresentado por Xiang et. al. (2018) na mesma base de dados.