Redução de ruído em ECG com deep learning

Nascimento, Carolina Lima

Redução de ruído em ECG com deep learning

dc.contributor.advisor	Pereira, Cleiton Fidelix
dc.contributor.advisorLattes	https://lattes.cnpq.br/9357379497007013
dc.contributor.advisorOrcid	https://orcid.org/0000-0002-8815-5474
dc.contributor.author	Nascimento, Carolina Lima
dc.date.accessioned	2023-12-21T13:35:37Z
dc.date.available	2023-12-21T13:35:37Z
dc.date.issued	2023-08-12
dc.description.abstract	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.	pt_BR
dc.description.abstract	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.	en
dc.format.extent	62
dc.identifier.uri	https://repositorio.fei.edu.br/handle/FEI/5199
dc.language.iso	pt_BR
dc.rights	restrito
dc.subject	IA
dc.subject	ECG
dc.subject	Autoencoder
dc.title	Redução de ruído em ECG com deep learning
dc.type	Trabalho de Conclusão de Curso
fei.date.entrega	2023