Publicação
Detecção de insuficiência cardíaca congestiva em sinais de ECG utilizando redes neurais profundas LSTM e CNN
| Resumo: | A Insuficiência Cardíaca Congestiva (ICC) é uma condição crônica em que o coração não bombeia sangue eficientemente. Esta patologia causa fadiga, dispneia, edemas, náuseas e problemas de memória, afetando a qualidade de vida dos pacientes. As causas incluem doenças das artérias coronárias, cardiomiopatia, hipertensão arterial e miocardites. O diagnóstico é realizado com base no histórico do paciente, exames físicos, ecocardiograma, eletrocardiograma e outros métodos. Com a finalidade de aprimorar as ferramentas de diagnóstico, o presente trabalho propõe um modelo de inteligência artificial baseado em deep learning para classificar sinais de ECG patológicos positivos para ICC. Os modelos selecionados foram LSTM e CNN. O treinamento foi realizado com um dataset personalizado criado a partir das bases de dados públicas BIDMC Congestive Heart Failure e PTB Diagnostic ECG da Physionet. Foram selecionados dados de ECG de 28 pessoas, entre 22 e 71 anos, das quais 14 possuem ICC severa (classe NYHA 3 e 4) e 14 amostras de controle, que não apresentam anormalidades no ECG. A arquitetura da base de dados foi projetada para que o input das redes neurais fossem sinais de ECG puros, sem qualquer tipo de filtragem ou extração de características. Os resultados obtidos demonstraram uma precisão de 98,21% para o modelo CNN e 92,26% para o modelo LSTM. |
|---|---|
| Autores principais: | Ribeiro, Luiz Otávio |
| Assunto: | Inteligência artificial Insuficiência cardíaca congestiva Deep learning Eletrocardiograma (ECG) |
| Ano: | 2024 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Instituto Politécnico de Bragança |
| Idioma: | português |
| Origem: | Biblioteca Digital do IPB |
| Resumo: | A Insuficiência Cardíaca Congestiva (ICC) é uma condição crônica em que o coração não bombeia sangue eficientemente. Esta patologia causa fadiga, dispneia, edemas, náuseas e problemas de memória, afetando a qualidade de vida dos pacientes. As causas incluem doenças das artérias coronárias, cardiomiopatia, hipertensão arterial e miocardites. O diagnóstico é realizado com base no histórico do paciente, exames físicos, ecocardiograma, eletrocardiograma e outros métodos. Com a finalidade de aprimorar as ferramentas de diagnóstico, o presente trabalho propõe um modelo de inteligência artificial baseado em deep learning para classificar sinais de ECG patológicos positivos para ICC. Os modelos selecionados foram LSTM e CNN. O treinamento foi realizado com um dataset personalizado criado a partir das bases de dados públicas BIDMC Congestive Heart Failure e PTB Diagnostic ECG da Physionet. Foram selecionados dados de ECG de 28 pessoas, entre 22 e 71 anos, das quais 14 possuem ICC severa (classe NYHA 3 e 4) e 14 amostras de controle, que não apresentam anormalidades no ECG. A arquitetura da base de dados foi projetada para que o input das redes neurais fossem sinais de ECG puros, sem qualquer tipo de filtragem ou extração de características. Os resultados obtidos demonstraram uma precisão de 98,21% para o modelo CNN e 92,26% para o modelo LSTM. |
|---|