Classificação de batidas do coração usando algoritmo de baixo custo

• Ano de defesa: 2019
• Autor(a) principal: MOREIRA, Rafael de Moura
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Programa de Pós-Graduação: Programa de Pós-Graduação: Mestrado - Ciência e Tecnologia da Computação
• Departamento: IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação
• Link de acesso: https://repositorio.unifei.edu.br/jspui/handle/123456789/2082

O eletrocardiograma é uma poderosa ferramenta na detecção de patologias. Diversos doenças podem se manifestar através de alterações na forma do sinal elétrico produzido pelo coração. O desenvolvimento de dispositivos portáteis e de fácil uso capazes de analisar o sinal automaticamente permitiria o acompanhamento da evolução de patologias em casa, além de mutirões de exames em comunidades carentes, com pouco acesso a médicos e hospitais bem equipados. Neste trabalho é proposto um sistema completo combinando diferentes algoritmos para realizar classificação em tempo real de batimentos cardíacos para detecção de doenças utilizando hardware dedicado, com recursos limitados. Algumas técnicas utilizadas, como o algoritmo de Pan Tompkins para detecção de complexos QRS, já foram exaustivamente testados e utilizados em diversos sistemas de classificação de batimentos cardíacos, enquanto outros, como a segmentação dinâmica e os parâmetros de Hjorth,forampropostosrecentementeparaessetipodeproblemaeseufuncionamentocom sinais armazenados para pós-processamento foi demonstrado, além de seu baixo consumo de recursos computacionais. O sistema proposto foi testado verificando a integração das diferentes técnicas sem nenhum tipo de conhecimento prévio sobre o sinal, mediu seu desempenho utilizando a base de dados MIT-BIH Arrhythmia e seu tempo de execução. Dentro da proposta de detectar doenças, o modelo obteve índices de acerto comparáveis a outros trabalhos influentes nesta área de pesquisa, mas ele foi capaz de cumprir os requisitos de tempo de execução apenas em um laptop convencional, não se mostrando ainda viável para classificação em tempo real em sistemas embarcados mais acessíveis.