Redução de ruído em ECG com deep learning

Carregando...
Imagem de Miniatura
Citações na Scopus
Tipo de produção
Trabalho de Conclusão de Curso
Data
2023-08-12
Autores
Nascimento, Carolina Lima
Orientador
Pereira, Cleiton Fidelix
Periódico
Título da Revista
ISSN da Revista
Título de Volume
Citação
Texto completo (DOI)
Palavras-chave
IA,ECG,Autoencoder
Resumo
O processamento de sinais e a leitura eficiente dos dados de eletrocardiogramas (ECG) são importantes para aplicações diversas na área da saúde, desempenhando um papel vital na determinação de diagnósticos de patologias cardíacas. No entanto, devido às limitações na coleta e nos recursos de hardware, a transmissão destes dados de forma efetiva e fidedigna representam desafios significativos. Como solução, este trabalho propõe a aplicação de um método de compressão de dados ECG usando Autoencoder Convolucional, uma forma de estrutura de rede neural, onde a arquitetura deste foi projetada para extrair uma representação selecionada dos dados, fortemente comprimida, mas a partir da qual as informações relevantes para a classificação podem ser efetivamente reconstruídas. O método proposto alcançou uma qualidade próxima aos códigos mais complexos, alguns com multi-abordagens, tornando-se promissor, por exemplo, para aplicações práticas e de tempo definido como em procedimentos médicos de sinal cardíaco vistos em tempo real.
The signal process and the efficient reading of electrocardiogram (ECG) data are important for several applications in the health area, playing a vital role in the determination of diagnoses of cardiac pathologies. However, due to limitations in collection and hardware resources, transmitting this data effectively and reliably poses significant challenges. As a solution, this work proposes the application of an ECG data compression method using Convolutional Autoencoder, a form of neural network structure, where its architecture was designed to extract a selected representation of the data, strongly compressed, but from which information relevant to classification can be effectively reconstructed. The proposed method reached a quality close to more complex codes, some with multi-approaches, making it promising, for example, for practical and time-defined applications such as in medical procedures of cardiac signal seen in real time.