Please use this identifier to cite or link to this item: http://www.repositorio.ufop.br/jspui/handle/123456789/17479
Title: Classificação automática de arritmias utilizando mapeamento de sinais de ECG em grafos e redes neurais convolucionais de grafos.
Authors: Oliveira, Rafael Francisco de
metadata.dc.contributor.advisor: Luz, Eduardo José da Silva
Freitas, Vander Luis de Souza
Keywords: Arritmia
Eletrocardiograma
Redes Neurais
Classificação
Issue Date: 2023
metadata.dc.contributor.referee: Luz, Eduardo José da Silva
Freitas, Vander Luis de Souza
Bianchi, Andrea Gomes Campos
Gertrudes, Jadson Castro
Quiles, Marcos Gonçalves
Citation: OLIVEIRA, Rafael Francisco de. Classificação automática de arritmias utilizando mapeamento de sinais de ECG em grafos e redes neurais convolucionais de grafos. 2023. 91 f. Dissertação (Mestrado em Ciência da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2023.
Abstract: Conforme a Organização Mundial da Saúde (OMS), as doenças cardíacas figuram como a principal causa de morte em âmbito global. Embora muitas dessas condições possam ser diagnosticadas antecipadamente, a incidência de casos segue em ascensão. Estimativas indi- cam que mais de 75% dos casos ocorrem em países de baixa renda ou em desenvolvimento, e 17,9 milhões de pessoas morreram de doenças cardíacas apenas em 2019, totalizando 32% das mortes globais. A persistência desse aumento de casos realça a necessidade de novas abordagens que automatizem a detecção de arritmias em sinais de eletrocardiograma (ECG). Na literatura, inúmeras técnicas de extração de características são utilizadas para representar o ECG como séries temporais unidimensionais, com o intuito de classificar pa- drões associados à arritmias. Notavelmente, abordagens baseadas em aprendizado profundo (redes de convolução) têm obtido resultados impressionantes para tal tarefa. Entretanto, abordagens baseadas em grafos e redes complexas foram recentemente investigadas como alternativas para aprimorar o desempenho na detecção de arritmias, porém, ainda se apresenta como um desafio mapear ou representar adequadamente sinais de ECG na forma de grafos. Assim, este estudo explora a representação dos sinais de ECG em grafos por meio do Visibility Graph (VG) e Vector Visibility Graph (VVG). Adicionalmente, utilizamos a estrutura de grafo para a classificação de arritmias com Redes Neurais Convolucionais de Grafos (Graph Convolutional Networks - GCNs). Experimentos envolvendo diferen- tes arquiteturas de GCNs foram avaliados no conjunto de dados MIT-BIH, seguindo os paradigmas inter-patient e intra-patient. Os resultados indicam que a representação dos sinais de ECG por meio de VG e VVG é promissora, e que o VG provou ser mais eficiente em comparação ao método VVG para as arquiteturas de GCNs exploradas. Em relação à classe de batimentos ectópicos supraventriculares (S), os resultados evidenciam que no paradigma inter-patient ainda há um grande desafio a ser superado. Arquiteturas mais simples de GCNs tiveram melhores resultados do que as complexas, indicando que sua simplicidade melhora a captura das características essenciais dos dados e evita ruídos. Essas arquiteturas também são mais eficientes computacionalmente, o que é importante em cenários de recursos limitados.
metadata.dc.description.abstracten: According to the World Health Organization (WHO), cardiovascular diseases are the leading cause of death globally. Although many of these conditions can be diagnosed in advance, the incidence of cases continues to rise. Estimates indicate that over 75% of cases occur in low-income or developing countries, and 17.9 million people died from cardiovascular diseases in 2019 alone, accounting for 32% of global deaths. The persistence of this increasing trend highlights the needs for new approaches that automate the detection of arrhythmias in electrocardiogram (ECG) signals. In the literature, numerous feature extraction techniques are used to represent the ECG as one-dimensional time series, with the aim of classifying patterns associated with arrhythmias. Notably, deep learning-based approaches (convolutional networks) have achieved impressive results for this task. However, graph-based and complex network approaches have recently been investigated as alternatives to improve performance in arrhythmia detection. Nonetheless, mapping or appropriately representing ECG signals in the form of graphs still presents a challenge. Thus, this study explores the representation of ECG signals as graphs through the Visibility Graph (VG) and Vector Visibility Graph (VVG). Additionally, we explore the graph structure for arrhythmia classification with Graph Convolutional Networks (GCNs). Experiments involving different GCN architectures are evaluated on the MIT-BIH dataset, following the inter-patient and intra-patient paradigms. The results indicate that the representation of ECG signals through VG and VVG is promising, and VG has proven to be more efficient compared to the VVG method for the explored GCN architectures. Regarding supraventricular ectopic class beats (S), the results demonstrate that there is still a significant challenge to overcome in the inter-patient paradigm. Simpler GCN architectures yielded better results than complex ones, indicating that their simplicity enhances capturing essential data features and avoids noise. These architectures are also computationally more efficient, which is important in scenarios with limited resources.
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.
URI: http://www.repositorio.ufop.br/jspui/handle/123456789/17479
metadata.dc.rights.license: Autorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 15/09/2023 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. Não permite o uso para fins comerciais nem a adaptação.
Appears in Collections:PPGCC - Mestrado (Dissertações)

Files in This Item:
File Description SizeFormat 
DISSERTAÇÃO_ClassificaçãoAutomáticaArritmias.pdf5,49 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons