Self-supervised learning for arrhythmia classification.

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Silva, Guilherme Augusto Lopes
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
dARK ID: ark:/61566/001300000dh64
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Deep learning
Arrhythmia detection
Self supervised learning
Electrocardiogram - ECG
Link de acesso: http://www.repositorio.ufop.br/jspui/handle/123456789/17740
Resumo: Programa de Pós-Graduação em Ciência da Computação. Departamento de Ciência da Computação, Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto.
id UFOP_8a25d492f1843e3a191022219d205bdb
oai_identifier_str oai:repositorio.ufop.br:123456789/17740
network_acronym_str UFOP
network_name_str Repositório Institucional da UFOP
repository_id_str
spelling Self-supervised learning for arrhythmia classification.Deep learningArrhythmia detectionSelf supervised learningElectrocardiogram - ECGPrograma de Pós-Graduação em Ciência da Computação. Departamento de Ciência da Computação, Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto.Arrhythmias, heart diseases that are commonly diagnosed through electrocar- diograms (ECG), require computational methods for detection and classification to improve the physician’s diagnosis. Although there is abundant literature on the subject, the high intra-patient variability and noise of ECG signals pose challenges in developing practical machine-learning models. To address this, we propose a cus- tomized adjustment of machine learning models through self-supervised learning with human-in-the-loop. Our approach introduces a pretext task called ECGWavePuzzle, which improves classification performance through better generalization. Evaluation metrics on the MIT-BIH database demonstrate the effectiveness of our approach, which improved the ECGnet global accuracy by over 10% and the Mousavi’s CNN by over 13%. Additionally, the experimental results demonstrated that the proposed approach improved the sensitivity and positive predictive value of the arrhythmic classes for certain patients.Arritmias, doenças cardíacas comumente diagnosticadas por meio de eletrocar- diogramas (ECG), requerem métodos computacionais para detecção e classificação para aprimorar o diagnóstico do médico. Embora exista abundante literatura sobre o assunto, a alta variabilidade intra-paciente e o ruído dos sinais de ECG apresentam desafios no desenvolvimento de modelos práticos de aprendizado de máquina. Para abordar isso, propomos um ajuste personalizado de modelos de aprendizado de máquina através de aprendizado auto-supervisionado com o ser humano no ciclo (human-in-the-loop). Nossa abordagem introduz uma tarefa pré-texto chamada ECGWavePuzzle, que melhora o desempenho de classificação por meio de uma melhor generalização. Métricas de avaliação na base de dados MIT-BIH demonstram a eficácia da nossa abordagem, que melhorou a precisão global do ECGnet em mais de 10% e a CNN de Mousavi em mais de 13%. Adicionalmente, os resultados experimentais demonstraram que a abordagem proposta melhorou a sensibilidade e o valor preditivo positivo das classes arrítmicas para certos pacientes.Luz, Eduardo José da SilvaSilva, Pedro Henrique LopesLuz, Eduardo José da SilvaSilva, Pedro Henrique LopesFreitas, Vander Luis de SouzaMeneghini, Ivan ReinaldoSilva, Guilherme Augusto Lopes2023-11-13T20:37:12Z2023-11-13T20:37:12Z2023info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfSILVA, Guilherme Augusto Lopes. Self-supervised learning for arrhythmia classification. 2023. 71 f. Dissertação (Mestrado em Ciência da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2023.http://www.repositorio.ufop.br/jspui/handle/123456789/17740ark:/61566/001300000dh64http://creativecommons.org/licenses/by/3.0/us/Autorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 09/11/2023 com as seguintes condições: disponível sob Licença Creative Commons 4.0 que permite copiar, distribuir e transmitir o trabalho, desde que sejam citados o autor e o licenciante.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFOPinstname:Universidade Federal de Ouro Preto (UFOP)instacron:UFOP2024-11-11T01:26:33Zoai:repositorio.ufop.br:123456789/17740Repositório InstitucionalPUBhttp://www.repositorio.ufop.br/oai/requestrepositorio@ufop.edu.bropendoar:32332024-11-11T01:26:33Repositório Institucional da UFOP - Universidade Federal de Ouro Preto (UFOP)false
dc.title.none.fl_str_mv Self-supervised learning for arrhythmia classification.
title Self-supervised learning for arrhythmia classification.
spellingShingle Self-supervised learning for arrhythmia classification.
Silva, Guilherme Augusto Lopes
Deep learning
Arrhythmia detection
Self supervised learning
Electrocardiogram - ECG
title_short Self-supervised learning for arrhythmia classification.
title_full Self-supervised learning for arrhythmia classification.
title_fullStr Self-supervised learning for arrhythmia classification.
title_full_unstemmed Self-supervised learning for arrhythmia classification.
title_sort Self-supervised learning for arrhythmia classification.
author Silva, Guilherme Augusto Lopes
author_facet Silva, Guilherme Augusto Lopes
author_role author
dc.contributor.none.fl_str_mv Luz, Eduardo José da Silva
Silva, Pedro Henrique Lopes
Luz, Eduardo José da Silva
Silva, Pedro Henrique Lopes
Freitas, Vander Luis de Souza
Meneghini, Ivan Reinaldo
dc.contributor.author.fl_str_mv Silva, Guilherme Augusto Lopes
dc.subject.por.fl_str_mv Deep learning
Arrhythmia detection
Self supervised learning
Electrocardiogram - ECG
topic Deep learning
Arrhythmia detection
Self supervised learning
Electrocardiogram - ECG
description Programa de Pós-Graduação em Ciência da Computação. Departamento de Ciência da Computação, Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto.
publishDate 2023
dc.date.none.fl_str_mv 2023-11-13T20:37:12Z
2023-11-13T20:37:12Z
2023
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 SILVA, Guilherme Augusto Lopes. Self-supervised learning for arrhythmia classification. 2023. 71 f. Dissertação (Mestrado em Ciência da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2023.
http://www.repositorio.ufop.br/jspui/handle/123456789/17740
dc.identifier.dark.fl_str_mv ark:/61566/001300000dh64
identifier_str_mv SILVA, Guilherme Augusto Lopes. Self-supervised learning for arrhythmia classification. 2023. 71 f. Dissertação (Mestrado em Ciência da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2023.
ark:/61566/001300000dh64
url http://www.repositorio.ufop.br/jspui/handle/123456789/17740
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv http://creativecommons.org/licenses/by/3.0/us/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by/3.0/us/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFOP
instname:Universidade Federal de Ouro Preto (UFOP)
instacron:UFOP
instname_str Universidade Federal de Ouro Preto (UFOP)
instacron_str UFOP
institution UFOP
reponame_str Repositório Institucional da UFOP
collection Repositório Institucional da UFOP
repository.name.fl_str_mv Repositório Institucional da UFOP - Universidade Federal de Ouro Preto (UFOP)
repository.mail.fl_str_mv repositorio@ufop.edu.br
_version_ 1856654689429356544

Registros relacionados