Dissertação
Classificação automática de cardiopatias baseada em eletrocardiograma
Registro en:
BUENO, Nina Maria. Classificação automática de cardiopatias baseada em eletrocardiograma. 2006. 122 f. Dissertação (Mestrado em Engenharias) - Universidade Federal de Uberlândia, Uberlândia, 2006.
Autor
Bueno, Nina Maria
Institución
Resumen
This work is dedicated to study of the recognition and classification of cardiac
disease, diagnosised through the electrocardiogram ECG. This examination is
normally used in heart medical center, emergency, intensive therapy, and with
complement diagnosis in heart disease as: acute myocardium infarction, bundle
block branches, hypertrophy and others. The software was developed for support to
the model, with focus on extraction of ECG signal characteristics, and an artificial
neural network for recognition of diseases. For extraction these characteristics, we
have used a auto-regressive model, AR, with the algorithm least mean square LMS,
to minimize the minimum error. The neural network, with architecture multilayer
perceptron and back propagation algorithm of training, was chosen for the
recognition of the standards. The method was showed efficient. Mestre em Ciências Este trabalho dedica-se ao estudo do reconhecimento e classificação de
cardiopatias, diagnosticadas através do exame de eletrocardiografia, ECG. Esse
exame é comumente utilizado em visitas a cardiologistas, centros de emergência,
centros de terapia intensiva e exames eletivos para auxílio de diagnóstico de
cardiopatias como: infarto agudo do miocárdio, bloqueios de ramos, hipertrofia e
outros. O aplicativo desenvolvido para apoio ao trabalho focaliza a extração de
características do sinal ECG, representado por ciclos e a aplicação destas
características a uma rede neural artificial para reconhecimento das cardiopatias.
Para extração das características do sinal, utilizamos o modelo matemático de
previsão de comportamento de curvas, chamado de auto-regressivo, AR, onde
utilizamos o passado histórico recente da curva para determinar o próximo ponto;
em nosso caso, utilizamos o algoritmo dos mínimos quadrados para adequação do
erro, conhecido como LMS. A rede neural de topologia perceptron multicamadas e
com algoritmo de treinamento backpropagation foi escolhida para o reconhecimento
dos padrões, pela sua capacidade de generalização. O método se mostrou
adequado e eficiente ao objetivo proposto.