Classificação de arritmias no tempo e tempo-frequência
uma abordagem baseada em subproblemas
DOI:
https://doi.org/10.5540/03.2025.011.01.0360Palabras clave:
Reconhecimento de Padrões, Aprendizado de Máquina, Transformada de Fourier JaneladaResumen
As arritmias cardíacas são um problema comum que requer detecção precoce para um tratamento eficaz. No entanto, a identificação precisa dessas arritmias pode ser desafiadora devido às sutis diferenças na morfologia dos sinais cardíacos. O uso de algoritmos de aprendizado de máquina tem sido explorado para aprimorar essa detecção, mas enfrenta um desafio devido ao desequilíbrio na distribuição dos dados entre as diferentes classes. Desta forma, neste estudo a proposta é dividir o problema principal em dois subproblemas, com o objetivo de reduzir o impacto do desequilíbrio das classes. Além disso, foi utilizado um ponto de corte adaptativo extraído do treinamento. Simulações foram realizadas nos domínios do tempo e do tempo-frequência, revelando melhorias na sensibilidade com essa abordagem.
Descargas
Citas
U. R. Acharya et al. “Automated detection of arrhythmias using different intervals of tachycardia ECG segments with convolutional neural network”. Em: Information Sciences 405 (2017), pp. 81–90. doi: 10.1016/j.ins.2017.04.012.
A. A. Ahmed et al. “Classifying Cardiac Arrhythmia from ECG Signal Using 1D CNN Deep Learning Model”. Em: Mathematics 11.3 (2023). doi: 10.3390/math11030562.
ANSI/AAMI EC57. Testing and Reporting Performance Resultsof Cardiac Rhythm and ST Segment Measurement Algorithms. Ed. por American National Standards Institute (ANSI). Association for the Advancement of Medical Instrumentation (AAMI), 1998.
Y. Han et al. “Novel Transformation Deep Learning Model for Electrocardiogram Classification and Arrhythmia Detection using Edge Computing”. Em: Journal of Grid Computing 22.1 (2023), p. 7. doi: 10.1007/s10723-023-09717-3.
S. P. Karunathilake e G. U. Ganegoda. “Secondary Prevention of Cardiovascular Diseases and Application of Technology for Early Diagnosis”. Em: BioMed Research International 2018 (2018), p. 5767864. doi: 10.1155/2018/5767864.
V. López et al. “An insight into classification with imbalanced data: Empirical results and current trends on using data intrinsic characteristics”. Em: Information Sciences 250 (2013), pp. 113–141. doi: 10.1016/j.ins.2013.07.007.
A. Lorga et al. “Diretrizes para Avaliação e Tratamento de Pacientes com Arritmias Cardíacas”. Em: Arquivos Brasileiros de Cardiologia 79 (2002), pp. 1–50. doi: 10.1590/S0066-782X2002001900001.
S. Ma et al. “An effective data enhancement method for classification of ECG arrhythmia”. Em: Measurement 203 (2022), p. 111978. doi: 10.1016/j.measurement.2022.111978.
B. N. Madhukar e R. Narendra. “Lanczos Resampling for the Digital Processing of Remotely Sensed Images”. Em: Proceedings of International Conference on VLSI, Communication, Advanced Devices, Signals & Systems and Networking. 2013, pp. 403–411.
V. Mondéjar-Guerra et al. “Heartbeat classification fusing temporal and morphological information of ECGs via ensemble of classifiers”. Em: Biomedical Signal Processing and Control 47 (2019), pp. 41–48. doi: 10.1016/j.bspc.2018.08.007.
G. B. Moody e R. G. Mark. “The impact of the MIT-BIH Arrhythmia Database”. Em: IEEE Engineering in Medicine and Biology Magazine 20.3 (2001), pp. 45–50. doi: 10.1109/51.932724.
K. A. K. Niazi et al. “Identifying best feature subset for cardiac arrhythmia classification”. Em: Science and Information Conference. 2015, pp. 494–499. doi: 10.1109/SAI.2015.7237188.
A. V. Oppenheim e R. W. Schafer. Discrete-Time Signal Processing. Pearson Education, 2011.
G. K. Panicker et al. “Z-Score for Benchmarking Reader Competence in a Central ECG Laboratory”. Em: Annals of Noninvasive Electrocardiology 14.1 (2009), pp. 19–25. doi: 10.1111/j.1542-474X.2008.00269.x.
G. Sivapalan et al. “ANNet: A Lightweight Neural Network for ECG Anomaly Detection in IoT Edge Sensors”. Em: IEEE Transactions on Biomedical Circuits and Systems 16.1 (2022), pp. 24–35. doi: 10.1109/TBCAS.2021.3137646.
SOBRAC. Arritmias cardíacas: 10 informações úteis para seu coração bater no ritmo certo. Online. Acessado em 07/02/2024, https://sobrac.org/publico-geral/?p=4463.
United Nations - UN. World Population Aging 2017. Online. Acessado em 08/02/2024, https://www.un.org/en/development/desa/population/publications/pdf/ageing/WPA2017_Highlights.pdf. 2017.
Y. Xia, Y. Xiong e K. Wang. “A transformer model blended with CNN and denoising autoencoder for inter-patient ECG arrhythmia classification”. Em: Biomedical Signal Processing and Control 86 (2023), p. 105271.
C. Xie et al. Waveform Database Software Package (WFDB) for Python. Online. Acessado em 22/02/2024, https://doi.org/10.13026/9njx-6322.
