A fibrilação atrial (AF) é uma doença cardíaca que afeta aproximadamente 1% da população mundial, sendo a anomalia cardíaca mais comum. Apesar de não ser uma causa direta de morte, frequentemente está associada ou gera outros problemas que ameaçam a vida humana, como o derrame e a doença da artéria coronária. As principais características da AF são: a alta variação do ritmo cardíaco, o enfraquecimento ou desaparecimento da contração atrial e a ocorrência de irregularidades nas atividades dos ventrículos. O diagnóstico da AF é realizado por um médico especialista, principalmente através da inspeção visual de gravações de eletrocardiograma (ECG) de longo termo. Tais gravações podem chegar a várias horas, e são necessárias pois a AF pode ocorrer a qualquer momento do dia. Dessa forma surgem os problemas quanto ao grande volume de dados e as dependências de longo termo. Além disso, as particularidades e as variabilidades dos padrões de deformação de cada sujeito fazem com que o problema esteja também relacionado com a experiência do cardiologista. Assim, a proposta de um sistema computacional de auxílio ao diagnóstico médico baseado em inteligência artificial se torna muito interessante, uma vez que não sofre com a fadiga e é fortemente indicado para lidar com dados em grande quantidade e com alta variabilidade. Portanto, neste trabalho foi proposta a exploração de modelos de aprendizagem de máquina para análise e classificação de sinais ECG de longo termo, para auxiliar no diagnóstico da AF. Os modelos foram baseados em redes neuronais artificiais do tipo Multi-Layer Perceptron (MLP) e Long Short-Term Memory (LSTM). Utilizam-se os sinais da base de dados MIT-BIH Atrial Fibrillation, sem remoção de ruído, tendências ou artefatos, numa etapa de extração de características temporais, morfológicas, estatísticas e em tempo-frequência sobre segmentos de contexto variável (duração em segundos ou contagem de intervalos entre picos R). As características do sinal ECG utilizadas, foram: duração dos intervalos R-R (RRi) consecutivos, perturbação Jitter, perturbação Shimmer, entropias de Shannon e energia logarítmica, frequências instantâneas, entropia espectral e transformada Scattering. Sobre estes atributos foram aplicadas diferentes estratégias de normalização por Z-score e valor máximo absoluto, de forma a normalizar os indicadores de acordo com o contexto do sujeito ou local do segmento. Após a exploração de várias combinações destas características e dos parâmetros das redes MLP, obteve-se uma acurácia de classificação para a metodologia 10-fold cross-validation de 80,67%. Entretanto, notou-se que as marcações do pico das ondas R advindas da base de dados eram imprecisas. Dessa forma, desenvolveu-se um algoritmo de detecção do pico das ondas R baseado na combinação entre a derivada do sinal, a energia de Shannon e a transformada de Hilbert, resultado em uma acurácia de marcação dos picos R de 98,95%. A partir das novas marcações, determinou-se todas as características e em seguida foram exploradas diversas estruturas de redes neuronais MLP e LSTM, sendo que os melhores resultados em acurácia/exatidão para estas arquiteturas foram, respectivamente, 91,96% e 98,17%. Em todos os testes, a MLP demonstrou melhora de desempenho à medida que mais características foram sendo agregadas nos conjuntos de dados. A LSTM por outro lado, obteve os melhores resultados quando foram combinados 60 RRi e as respectivas entropias das ondas P, T e U.

An algorithm to measure the jitter (jitta, jitter, rap and ppq5) and shimmer (ShdB, Shim, apq3 and apq5) parameters was developed. These parameters can be used in an intelligent system to diagnose voice pathologies. The algorithm is sensitive to the fundamental frequency and determines the parameters based on maximum and minimum functions applied to each glottal period of the signal. The algorithm was previously tested with synthesized speech signals with very high accuracy, but several improvements had to be included for the analysis of pathologic voices. A comparison using real, control and pathologic voices was made between the developed algorithm and other software program to evaluate the consistency of measures between different algorithms. Based on this comparison it can be said that the algorithm improved the accuracy with synthetic speech signal and showed consistent measures for pathologic speech signal.

The diagnosis of pathologies using vocal acoustic analysis has the advantage of been noninvasive and inexpensive technique compared to traditional technique in use. In this work the SVM were experimentally tested to diagnose dysphonia, chronic laryngitis or vocal cords paralysis. Three groups of parameters were experimented. Jitter, shimmer and HNR, MFCCs extracted from a sustained vowels and MFCC extracted from a short sentence. The first group showed their importance in this type of diagnose and the second group showed low discriminative power. The SVM functions and methods were also experimented using the dataset with and without gender separation. The best accuracy was 71% using the jitter, shimmer and HNR parameters without gender separation.

Este trabalho tem como objetivo produzir um algoritmo robusto capaz de medir corretamente os parâmetros da voz, Jitter, Shimmer e HNR, em vozes patológicas para posterior identificação destas patologias com recurso a sistemas inteligentes. Foi ainda realizada uma análise comparativa de cada um destes parâmetros para vozes masculinas e femininas, ou entre vozes de controlo e vozes patológicas. O algoritmo foi desenvolvido em linguagem do MatLab, e, basicamente consiste na deteção dos picos ciclo a ciclo, variando consoante o período glotal dos sinais de voz. Esta identificação pode ser relativamente simples em vozes sintetizadas, é um pouco mais complexa em vozes reais e pode ser bastante mais difícil em vozes patológicas em que os ciclos glotais podem ser muito irregulares, e diferentes de paciente para paciente. O Jitter consiste na variação dos ciclos glotais e pode ser medido de formas diferentes como os parâmetros Jitt, Jitta, Rap e Ppq5. O Shimmer consiste na variação da amplitude dos sucessivos ciclos glotais e pode ser medido pelos parâmetros Shim, ShdB, Apq3 e Apq5. O HNR é a relação sinal ruído. Utilizaram-se os valores obtidos pelo programa Praat para estes parâmetros como termo de comparação com os resultados do algoritmo desenvolvido. O algoritmo foi testado com sinais sintetizados, com valores bem conhecidos para os parâmetros, sinais de voz normal (Controlo) e sinais de voz patológicos provenientes da base de dados Saarbrucken Voice Database (SVD). Na comparação realizada utilizando o sinal sintetizado o algoritmo produziu um erro inferior a 5 s para o parâmetro Jitta e inferiores a 0.1% para o Shim. Quando comparado com vozes reais (sinais de vozes de controlo e patológicas), as diferenças de valores entre o Praat e o algoritmo foram pouco significativas. Foi também realizada uma comparação estatística do comportamento dos parâmetros do Jitter e do Shimmer em sinais de voz de controlo e sinais provenientes das patologias Laringite, Disfonia Hiperfuncional, Disfonia Espasmódica, Pólipos das Cordas Vocais e Envelhecimento das Cordas Vocais. Destas só as três últimas apresentaram distinção estatisticamente significativa dos parâmetros em relação ao grupo de sinais de voz de controlo.

Este trabalho teve como objetivo a determinação dos parâmetros: Harmonic to Noise Ration (HNR), Noise to Harmonic Ratio (NHR) e Autocorrelação. Estes parâmetros são usados como entradas de um sistema inteligente para diagnóstico de patologias da fala. Foi realizada uma análise comparativa entre os valores do algoritmo e do software Praat, de modo a perceber qual a melhor janela e o seu comprimento, em número de períodos glotais. Desta análise resultou a decisão de se usar a janela de hanning com um comprimento correspondente a 6 períodos glotais. Através da comparação dos resultados chegou-se à conclusão que este algoritmo permite extrair os parâmetros HNR, NHR e Autocorrelação com valores suficientemente próximos dos valores de referência. Foi ainda desenvolvido um algoritmo para selecionar apenas a parte do sinal onde ocorre fala, eliminando as zonas de silêncio iniciais e finais, para, posteriormente, se extrair os Mel Frequency Cepstral Coefficientes (MFCCs), os Linear Prediction Coefficientes (LPC) e os Line Spectral Frequency (LSF). Ao longo do trabalho foi possível, embora não fosse o objetivo primordial, complementar uma base de dados curada, iniciada numa investigação anteriormente realizada, adicionando mais parâmetros e mais doenças. Esta base de dados ficou agora com os parâmetros MFCC com 13 coeficientes cepstrais, HNR, NHR, Autocorrelação, jitter absoluto, jitter relativo, shimmer absoluto, shimmer relativo, extraídos de 9 locuções correspondentes a 3 vogais em 3 tons e a uma frase, para sujeitos com 19 patologias, mais os sujeitos de controlo. Esta base de dados curada disponibiliza um conjunto de parâmetros sobre estes sinais de fala para a investigação sobre estas 19 patologias.

Vocal acoustic analysis is becoming a useful tool for the classification and recognition of laryngological pathologies. This technique enables a non-invasive and low-cost assessment of voice disorders, allowing a more efficient, fast, and objective diagnosis. In this work, ANN and SVM were experimented on to classify between dysphonic/control and vocal cord paralysis/control. A vector was made up of 4 jitter parameters, 4 shimmer parameters, and a harmonic to noise ratio (HNR), determined from 3 different vowels at 3 different tones, with a total of 81 features. Variable selection and dimension reduction techniques such as hierarchical clustering, multilinear regression analysis and principal component analysis (PCA) was applied. The classification between dysphonic and control was made with an accuracy of 100% for female and male groups with ANN and SVM. For the classification between vocal cords paralysis and control an accuracy of 78,9% was achieved for female group with SVM, and 81,8% for the male group with ANN.

Voice acoustic analysis is becoming more and more usefúl in diagnosis of voice disorders or laryngological pathologies. The facility to record a voice sigiial is an advantage over other invasive techniques. This paper presents the statistical analyzes ofa set of voice parameters like jitter, shimmer and HNR over a 4 groups of subjects vvith dysphonia, fünctional dysphonia, hyperfünctional dysphonia, and psychogenic dysphonia and a control group. No statistical signifícance differences over pathologic groups were found but clear tendencies can be seen between pathologic and control group. The tendencies indicates this parameters as a good features to be used in an intelligent diagnosis system, moreover the jitter and shimmer parameters measured over different tones and vowels.

The growth of the smartphones market share has driven the entry of a large number of new opportunities to launch new applications/mobile tools both by companies but also by individuals’ entities. The prototype solution presented here fits in the increasing emerging of smartphones applications for the health sector. This dissertation presents a solution to prevent a sudden infant death syndrome. It includes biofeedback monitoring of babies, using body sensors to collect data that will be presented in two different mobile applications: the Main Application and the Client Application. Breathing, temperature, position, and heart rate are used, and placed to the baby’s body. The Main Application will receive the data collected by the sensors via Bluetooth. This contains a monitoring tool, which parses and transforms raw data to be readable and understandable for users. This application will send the data to a Web service to be stored in a database that supports the entire created solution. The Client Application will consume the data stored in the database every previous second. Both applications have an important functionality that allows the trigger of alert notifications when an error occurs with the data collected by the sensors and the caregiver is informed with an alert in a short time. This document describes in detail the whole process done to deploy a prototype that demonstrates and validates the proposed solution and is ready for use.