| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 1.89 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
As arritmias cardíacas são uma condição referente à atividade elétrica anormal no coração e, consoante o nível patológico, poderá ter implicações graves para o indivíduo podendo, em última instância, constituir uma ameaça. A aprendizagem profunda tem sido uma técnica importante no auxílio à classificação de eletrocardiogramas, permitindo que a deteção e o diagnóstico sejam alcançados com uma maior precisão, mesmo para as diferentes anomalias elétricas do coração. Utilizando a onduleta discreta é possível extrair as características pretendidas do sinal de eletrocardiograma para, em seguida, treinar um método de aprendizagem profunda. A onduleta discreta ´e uma técnica capaz de decompor o sinal em diferentes frequências, detetando informação relativa ao tempo e à frequência do sinal. Com a combinação destas duas técnicas, é possível extrair características importantes do sinal de eletrocardiograma, em diferentes escalas, que permitem a identificação precisa de doenças cardiovasculares, mais concretamente de diferentes arritmias. A combinação da aprendizagem profunda e da onduleta discreta tem um grande potencial para expandir e avançar o campo de análise de eletrocardiogramas e permitir um diagnóstico mais eficiente e preciso de doenças cardiovasculares. Este trabalho apresenta uma visão geral dos métodos de classificação de sinais de eletrocardiogramas utilizando um método de aprendizagem profunda com a contribuição da onduleta discreta.
ABSTRACT - Cardiac arrhythmias are a condition referring to abnormal electrical activity in the heart and, depending on the pathological level, can have serious implications for the individual and ultimately can be posing as a threat. Deep learning has been an important technique in helping to classify electrocardiograms, allowing detection and diagnosis to be achieved with greater precision, even for the different electrical anomalies of the heart. Using the discrete wavelet, it is possible to extract the desired characteristics from the electrocardiogram signal and then train a deep learning method. The discrete wavelet is a technique capable of breaking down the signal into different frequencies, detecting information relating to the time and frequency of the signal. By combining these two techniques, it is possible to extract important characteristics from the electrocardiogram signal, at different scales, which allows for the precise identification of cardiovascular diseases, specifically different arrhythmias. The combination of deep learning and the discrete wavelet has great potential to expand and advance the field of electrocardiogram analysis and enable more efficient and accurate diagnosis of cardiovascular diseases. This paper presents an overview of methods for classifying electrocardiogram signals using a deep learning method with the contribution of the discrete wavelet.
ABSTRACT - Cardiac arrhythmias are a condition referring to abnormal electrical activity in the heart and, depending on the pathological level, can have serious implications for the individual and ultimately can be posing as a threat. Deep learning has been an important technique in helping to classify electrocardiograms, allowing detection and diagnosis to be achieved with greater precision, even for the different electrical anomalies of the heart. Using the discrete wavelet, it is possible to extract the desired characteristics from the electrocardiogram signal and then train a deep learning method. The discrete wavelet is a technique capable of breaking down the signal into different frequencies, detecting information relating to the time and frequency of the signal. By combining these two techniques, it is possible to extract important characteristics from the electrocardiogram signal, at different scales, which allows for the precise identification of cardiovascular diseases, specifically different arrhythmias. The combination of deep learning and the discrete wavelet has great potential to expand and advance the field of electrocardiogram analysis and enable more efficient and accurate diagnosis of cardiovascular diseases. This paper presents an overview of methods for classifying electrocardiogram signals using a deep learning method with the contribution of the discrete wavelet.
Description
Mestrado em Engenharia Biomédica
Keywords
Cardiologia Arritmia Aprendizagem profunda Onduleta discreta Cardiology Arrhythmia Deep learning Discrete wavelet
Citation
Godinho BB. Identificação de padrões geométricos e numéricos anómalos em eletrocardiogramas [dissertation]. Lisboa: Escola Superior de Tecnologia da Saúde de Lisboa – Instituto Superior de Engenharia de Lisboa/Instituto Politécnico de Lisboa; 2023.
Publisher
Instituto Politécnico de Lisboa, Escola Superior de Tecnologia da Saúde de Lisboa