Detecção de problemas cardíacos usando sinais de electrocardiograma(ECG)

Abstract

Recentemente, devido ao aumento do número de mortes por doenças cardiovasculares, o diagnóstico de doenças cardíacas tem sido um foco de bastante interesse no mundo computacional. Isto porque, a deteção de doenças cardíacas num estágio inicial pode prolongar a vida através de um tratamento adequado.Inúmeros métodos para fazer a monitorização das condições cardíacas foram introduzidos no mercado, sendo que o mais utilizado é a eletrocardiograma (ECG). O ECG é o registo da variação da atividade bioelétrica do coração, que representa as contrações e relaxamentos cíclicos do músculo cardíaco humano. Este fornece informações importantes sobre os aspetos funcionais do coração e do sistema cardiovascular. No entanto, ler grandes quantidades de sinais de ECGs é um processo demorado. Por isso, a deteção automática de anomalias nos sinais do eletrocardiograma atua como um assistente para os médicos diagnosticarem uma condição cardíaca.As irregularidades presentes no batimento cardíaco no formato do ECG são geralmente chamada de arritmia. Arritmia é um termo comum para qualquer distúrbio cardíaco que difere do ritmo normal. A análise automática do sinal de ECG para deteção de batimentos cardíacos é difícil devido à grande variação nas características morfológicas e temporais das formas de onda do ECG entre pacientes diferentes, bem como nos mesmos pacientes.Esta dissertação tem como objetivo desenvolver um método de deteção da fibrilhação auricular, que é um tipo de arritmia, através do sinal do eletrocardiograma. Deste modo, a metodologia proposta baseia-se na extração de um conjunto de características ("features'') dos ECG, e na sua classificação através de diferentes tipos de classificadores baseados em "machine learning", que consiste na execução de algoritmos que criam de modo automático modelos com base num conjunto de dados.O método desenvolvido foi utilizado em 2000 ECG de maneira a determinar a eficácia de cada um dos classificadores na deteção da doença cardíaca. Deste modo o presente documento inclui um estudo sobre os parâmetros do modelo escolhido e os resultados de classificação correspondestes. Não só, apresenta uma análise sobre a influência de certos fatores no desempenho do sistema, nomeadamente o tamanho do conjunto de dados e o conjunto de "features" utilizado na representação.Por sua vez, os resultados obtidos apoiam o uso de classificadores baseados em "machine learning" como ferramenta de classificação, na área de deteção de doenças cardíacas. O sistema desenvolvido classifica 2000 ECG, provenientes de duas classes, normal e fibrilhação auricular, com uma taxa de eficácia global de 93%, para o conjunto de teste. Na deteção particular da fibrilhação auricular, registou-se uma eficácia de 97% para o conjunto de teste.

Recently, due to the increase in the number of deaths from cardiovascular diseases, the diagnosis of heart disease has been a focus of great interest in the computational world. This is because the detection of heart disease at an early stage can prolong life through proper treatment. Numerous methods for monitoring cardiac conditions have been introduced in the market, the most used being the electrocardiogram (ECG). The ECG is the recording of the variation in the bioelectric activity of the heart, which represents the contractions and cyclical relaxations of the human cardiac muscle. It provides important information about the functional aspects of the heart and the cardiovascular system. However, processing large amounts of raw electrocardiogram signals from sensors is time consuming. Therefore, the automatic detection of abnormalities in the electrocardiogram signals acts as an assistant for doctors to diagnose a heart condition.The irregularities present in the heartbeat in the ECG format are generally called arrhythmia. Arrhythmia is a common term for any heart disorder that differs from the normal rhythm. The automatic analysis of the ECG signal to detect heartbeat is difficult due to the great variation in the morphological and temporal characteristics of the ECG waveforms between different patients, as well as in the same patients. This dissertation aims to develop a method of detecting atrial fibrillation, which is a type of arrhythmia, using the electrocardiogram signal. The proposed methodology is based on the extraction of a set of characteristics (features) from ECG, and on their classification through different types of classifiers based on machine learning. These classifiers consists of the execution of algorithms that automatically create representation models based on a set of data.The method developed was used on 2000 ECG in order to determine the effectiveness of each of the classifiers in detecting heart disease. Thus, this document includes a study on the parameters of the chosen model and the corresponding classification results. Not only, it presents an analysis of the influence of certain factors on the performance of the system, namely the size of the data set and the set of features used in the representation.In turn, the results obtained support the use of classifiers based on machine learning as a classification tool, in the area of heart disease detection. Therefore, the developed system classifies 2000 ECG, as two classes: normal and atrial fibrillation, with an overall effectiveness rate of 93%, on the test set. In the particular detection of atrial fibrillation, there was an efficiency of 97% for the test set.