Uso de rede neural convolucional na identificação de hipertensão arterial
Ano de defesa: | 2022 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Fundação Universidade Federal de Mato Grosso do Sul
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Brasil
|
Palavras-chave em Português: | |
Link de acesso: | https://repositorio.ufms.br/handle/123456789/5144 |
Resumo: | A hipertensão arterial ou pressão arterial alta sustentada é uma doença crônica com grande ocorrência no Brasil e no mundo. É um dos principais indicadores para a ocor rência de acidente vascular cerebral (AVC), enfarte, aneurisma arterial e insuficiência renal e cardíaca. Impacta diretamente na frequência cardíaca e na sua variabilidade: pacientes hipertensos costumam apresentar uma menor variação na frequência cardíaca se comparados a normotensos. Porém, ainda existe controversia se é possível determi nar a hipertensão arterial somente pela Variabilidade da Frequência Cardíaca (VFC). Esta dissertação tem como objetivo estudar a questão ainda aberta se a Variabilidade da Frequência Cardíaca tem informação suficiente para definir a hipertensão, baseada no treinamento de uma Rede Neural Convolucional capaz de classificar um paciente entre saudável ou hipertenso e todos os desafios inerentes a este processo. Este treinamento é feito com base nos valores do intervalo RR do eletrocardiograma. Os intervalos RR podem apresentar outliers - amostras inválidas/incorretas - que devem ser devidamente tratados e não devem ser levados em consideração para o treinamento. Devido a baixa quantidade de arquivos para treinamento da Rede Neural Convolucional, foi utilizada a técnica data augmentation para oferecer uma maior fonte de aprendizagem. Através da Transformada Wavelet Contínua, estes arquivos de texto contendo o intervalo RR em mi lissegundos são convertidos em uma matriz com informações no domínio do tempo e da frequência. Por fim, é definido um modelo de Rede Neural Convolucional que é treinada para realizar a classificação dos pacientes. Os resultados são promissores mas dependem da quantidade de exames de pacientes que neste caso devem ser aumentada. O trabalho faz recomendações de como deve ser continuado este estudo, mas o sistema implementado na linguagem Python mostra utilidade para aprofundar o problema. |
id |
UFMS_9253bcceb6b8f2bfdb776ab993c92bd7 |
---|---|
oai_identifier_str |
oai:repositorio.ufms.br:123456789/5144 |
network_acronym_str |
UFMS |
network_name_str |
Repositório Institucional da UFMS |
repository_id_str |
|
spelling |
2022-10-03T20:25:04Z2022-10-03T20:25:04Z2022https://repositorio.ufms.br/handle/123456789/5144A hipertensão arterial ou pressão arterial alta sustentada é uma doença crônica com grande ocorrência no Brasil e no mundo. É um dos principais indicadores para a ocor rência de acidente vascular cerebral (AVC), enfarte, aneurisma arterial e insuficiência renal e cardíaca. Impacta diretamente na frequência cardíaca e na sua variabilidade: pacientes hipertensos costumam apresentar uma menor variação na frequência cardíaca se comparados a normotensos. Porém, ainda existe controversia se é possível determi nar a hipertensão arterial somente pela Variabilidade da Frequência Cardíaca (VFC). Esta dissertação tem como objetivo estudar a questão ainda aberta se a Variabilidade da Frequência Cardíaca tem informação suficiente para definir a hipertensão, baseada no treinamento de uma Rede Neural Convolucional capaz de classificar um paciente entre saudável ou hipertenso e todos os desafios inerentes a este processo. Este treinamento é feito com base nos valores do intervalo RR do eletrocardiograma. Os intervalos RR podem apresentar outliers - amostras inválidas/incorretas - que devem ser devidamente tratados e não devem ser levados em consideração para o treinamento. Devido a baixa quantidade de arquivos para treinamento da Rede Neural Convolucional, foi utilizada a técnica data augmentation para oferecer uma maior fonte de aprendizagem. Através da Transformada Wavelet Contínua, estes arquivos de texto contendo o intervalo RR em mi lissegundos são convertidos em uma matriz com informações no domínio do tempo e da frequência. Por fim, é definido um modelo de Rede Neural Convolucional que é treinada para realizar a classificação dos pacientes. Os resultados são promissores mas dependem da quantidade de exames de pacientes que neste caso devem ser aumentada. O trabalho faz recomendações de como deve ser continuado este estudo, mas o sistema implementado na linguagem Python mostra utilidade para aprofundar o problema.A hipertensão arterial ou pressão arterial alta sustentada é uma doença crônica com grande ocorrência no Brasil e no mundo. É um dos principais indicadores para a ocor rência de acidente vascular cerebral (AVC), enfarte, aneurisma arterial e insuficiência renal e cardíaca. Impacta diretamente na frequência cardíaca e na sua variabilidade: pacientes hipertensos costumam apresentar uma menor variação na frequência cardíaca se comparados a normotensos. Porém, ainda existe controversia se é possível determi nar a hipertensão arterial somente pela Variabilidade da Frequência Cardíaca (VFC). Esta dissertação tem como objetivo estudar a questão ainda aberta se a Variabilidade da Frequência Cardíaca tem informação suficiente para definir a hipertensão, baseada no treinamento de uma Rede Neural Convolucional capaz de classificar um paciente entre saudável ou hipertenso e todos os desafios inerentes a este processo. Este treinamento é feito com base nos valores do intervalo RR do eletrocardiograma. Os intervalos RR podem apresentar outliers - amostras inválidas/incorretas - que devem ser devidamente tratados e não devem ser levados em consideração para o treinamento. Devido a baixa quantidade de arquivos para treinamento da Rede Neural Convolucional, foi utilizada a técnica data augmentation para oferecer uma maior fonte de aprendizagem. Através da Transformada Wavelet Contínua, estes arquivos de texto contendo o intervalo RR em mi lissegundos são convertidos em uma matriz com informações no domínio do tempo e da frequência. Por fim, é definido um modelo de Rede Neural Convolucional que é treinada para realizar a classificação dos pacientes. Os resultados são promissores mas dependem da quantidade de exames de pacientes que neste caso devem ser aumentada. O trabalho faz recomendações de como deve ser continuado este estudo, mas o sistema implementado na linguagem Python mostra utilidade para aprofundar o problema.Fundação Universidade Federal de Mato Grosso do SulUFMSBrasilIntervalo RR, variabilidade da frequência cardíaca, rede neural convolucional, transformada wavelet, hipertensãoUso de rede neural convolucional na identificação de hipertensão arterialinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisMilton Ernesto Romero RomeroJefferson Xavier Nobregainfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMSinstname:Universidade Federal de Mato Grosso do Sul (UFMS)instacron:UFMSORIGINALdissertacao - jefferson.nobrega.pdfdissertacao - jefferson.nobrega.pdfapplication/pdf4403890https://repositorio.ufms.br/bitstream/123456789/5144/-1/dissertacao%20-%20jefferson.nobrega.pdfd361f3dc3ae1759619934a12e0c46967MD5-1123456789/51442022-10-03 16:25:05.535oai:repositorio.ufms.br:123456789/5144Repositório InstitucionalPUBhttps://repositorio.ufms.br/oai/requestri.prograd@ufms.bropendoar:21242022-10-03T20:25:05Repositório Institucional da UFMS - Universidade Federal de Mato Grosso do Sul (UFMS)false |
dc.title.pt_BR.fl_str_mv |
Uso de rede neural convolucional na identificação de hipertensão arterial |
title |
Uso de rede neural convolucional na identificação de hipertensão arterial |
spellingShingle |
Uso de rede neural convolucional na identificação de hipertensão arterial Jefferson Xavier Nobrega Intervalo RR, variabilidade da frequência cardíaca, rede neural convolucional, transformada wavelet, hipertensão |
title_short |
Uso de rede neural convolucional na identificação de hipertensão arterial |
title_full |
Uso de rede neural convolucional na identificação de hipertensão arterial |
title_fullStr |
Uso de rede neural convolucional na identificação de hipertensão arterial |
title_full_unstemmed |
Uso de rede neural convolucional na identificação de hipertensão arterial |
title_sort |
Uso de rede neural convolucional na identificação de hipertensão arterial |
author |
Jefferson Xavier Nobrega |
author_facet |
Jefferson Xavier Nobrega |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Milton Ernesto Romero Romero |
dc.contributor.author.fl_str_mv |
Jefferson Xavier Nobrega |
contributor_str_mv |
Milton Ernesto Romero Romero |
dc.subject.por.fl_str_mv |
Intervalo RR, variabilidade da frequência cardíaca, rede neural convolucional, transformada wavelet, hipertensão |
topic |
Intervalo RR, variabilidade da frequência cardíaca, rede neural convolucional, transformada wavelet, hipertensão |
description |
A hipertensão arterial ou pressão arterial alta sustentada é uma doença crônica com grande ocorrência no Brasil e no mundo. É um dos principais indicadores para a ocor rência de acidente vascular cerebral (AVC), enfarte, aneurisma arterial e insuficiência renal e cardíaca. Impacta diretamente na frequência cardíaca e na sua variabilidade: pacientes hipertensos costumam apresentar uma menor variação na frequência cardíaca se comparados a normotensos. Porém, ainda existe controversia se é possível determi nar a hipertensão arterial somente pela Variabilidade da Frequência Cardíaca (VFC). Esta dissertação tem como objetivo estudar a questão ainda aberta se a Variabilidade da Frequência Cardíaca tem informação suficiente para definir a hipertensão, baseada no treinamento de uma Rede Neural Convolucional capaz de classificar um paciente entre saudável ou hipertenso e todos os desafios inerentes a este processo. Este treinamento é feito com base nos valores do intervalo RR do eletrocardiograma. Os intervalos RR podem apresentar outliers - amostras inválidas/incorretas - que devem ser devidamente tratados e não devem ser levados em consideração para o treinamento. Devido a baixa quantidade de arquivos para treinamento da Rede Neural Convolucional, foi utilizada a técnica data augmentation para oferecer uma maior fonte de aprendizagem. Através da Transformada Wavelet Contínua, estes arquivos de texto contendo o intervalo RR em mi lissegundos são convertidos em uma matriz com informações no domínio do tempo e da frequência. Por fim, é definido um modelo de Rede Neural Convolucional que é treinada para realizar a classificação dos pacientes. Os resultados são promissores mas dependem da quantidade de exames de pacientes que neste caso devem ser aumentada. O trabalho faz recomendações de como deve ser continuado este estudo, mas o sistema implementado na linguagem Python mostra utilidade para aprofundar o problema. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-10-03T20:25:04Z |
dc.date.available.fl_str_mv |
2022-10-03T20:25:04Z |
dc.date.issued.fl_str_mv |
2022 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufms.br/handle/123456789/5144 |
url |
https://repositorio.ufms.br/handle/123456789/5144 |
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.publisher.none.fl_str_mv |
Fundação Universidade Federal de Mato Grosso do Sul |
dc.publisher.initials.fl_str_mv |
UFMS |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Fundação Universidade Federal de Mato Grosso do Sul |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMS instname:Universidade Federal de Mato Grosso do Sul (UFMS) instacron:UFMS |
instname_str |
Universidade Federal de Mato Grosso do Sul (UFMS) |
instacron_str |
UFMS |
institution |
UFMS |
reponame_str |
Repositório Institucional da UFMS |
collection |
Repositório Institucional da UFMS |
bitstream.url.fl_str_mv |
https://repositorio.ufms.br/bitstream/123456789/5144/-1/dissertacao%20-%20jefferson.nobrega.pdf |
bitstream.checksum.fl_str_mv |
d361f3dc3ae1759619934a12e0c46967 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMS - Universidade Federal de Mato Grosso do Sul (UFMS) |
repository.mail.fl_str_mv |
ri.prograd@ufms.br |
_version_ |
1807552944541794304 |