Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/29230
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2019_YuriCastroDoAmaral_tcc.pdf1,61 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorBerger, Pedro de Azevedo-
dc.contributor.authorAmaral, Yuri Castro do-
dc.identifier.citationAMARAL, Yuri Castro do. Diagnóstico semiautomático de arritmias cardíacas utilizando técnicas de aprendizado de máquina e transformadas Wavelet. 2019. 68 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia da Computação)—Universidade de Brasília, Brasília, 2019.pt_BR
dc.descriptionTrabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2019.pt_BR
dc.description.abstractNormalmente, o diagnóstico de arritmias cardíacas é realizado de forma manual pelos médicos através da análise das ondas do eletrocardiograma (ECG). Desta forma, surgiu a necessidade da implementação de sistemas que automatizem a detecção para agilizar e melhorar a precisão do processo. Este trabalho propõe uma ferramenta computacional, utilizando técnicas de aprendizado de máquina, para classificação de batimentos cardíacos dentre quatro categorias propostas pela Association for the Advancement of Medical In- strumentation (AAMI): batimentos normais, ectópicos ventriculares, ectópicos supraven- triculares e fusão. Os classificadores utilizados (redes neurais, máquina de vetores de suporte e análise do discriminante linear) foram treinados utilizando sinais do Arrhytmia database (MIT-BIH) Ferramentas para detecção de doenças em sinais biológicos costumam lidar com con- juntos de dados desbalanceados, pois os eventos de interesse ocorrem raramente. Este trabalho propõe a geração de dados sintéticos utilizando o algoritmo Adaptive Synthetic Sampling Approach (ADASYN) para equilibrar as quantidades de exemplos de treino dos modelos preditivos. Além disso, utilizou-se o algoritmo Sequential Forward Floating Se- lection (SFFS) para a seleção automática das características que mais contribuíram na construção dos mesmos. O modelo proposto obteve 89% de sensibilidade para a classe dos batimentos de fusão e 94% para os ectópicos supraventriculares, as quais são as classes com menos amostras nos conjuntos de treino e teste. A aplicação da técnica de reamostragem se mostrou eficaz e possibilita que trabalhos semelhantes a utilizem para contornar o desbalanceamento.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordAprendizado de máquinapt_BR
dc.subject.keywordAprendizado do computadorpt_BR
dc.subject.keywordProcessamento de sinais - técnicas digitaispt_BR
dc.subject.keywordEletrocardiogramapt_BR
dc.titleDiagnóstico semiautomático de arritmias cardíacas utilizando técnicas de aprendizado de máquina e transformadas Waveletpt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2021-11-22T19:46:21Z-
dc.date.available2021-11-22T19:46:21Z-
dc.date.submitted2019-11-27-
dc.identifier.urihttps://bdm.unb.br/handle/10483/29230-
dc.language.isoPortuguêspt_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.pt_BR
dc.description.abstract1Usually, the diagnosis of cardiac arrhythmias is performed manually by doctors through the analysis of electrocardiogram waves. Thus, it came up the need to develop systems that automate the detection for improve process speed and accuracy. This work proposes a computational tool, using machine learning techniques, to classify heartbeat in four cate- gories developed by Association for the Advancement of Medical Instrumentation (AAMI): normal beats, ventricular ectopic beats, supra-ventricular ectopic beats and fusion beats. The classifiers used (neural networks, support vector machine and linear discriminant analysis) were trained using signals from the Arrhytmia database (MIT-BIH) Tools for disease detection using biological signals often deal with imbalanced datasets, because events of interest are rare. This work applies synthetic data generation using the Adaptive Synthetic Sampling Approach (ADASYN) algorithm to balance the samples quantities used for training the predictive models. In addition, the Sequential Forward Floating Selection (SFFS) algorithm was used to automatically select the most important features for building those models. The proposed model achieved sensitivity of 89% for the fusion beats class and 94% for the supra-ventricular ectopic beats class, which correspond to the ones with the smallest sample quantities on the training and test sets. The application of the resampling technique is effective and allows similar works to use it for deal with imbalacing problem.pt_BR
Aparece na Coleção:Engenharia da Computação



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.