Análise comparativa de arquiteturas de redes neurais na detecção dos intervalos de ondas no eletrocardiograma

Folli, Maylon Pereira (2022)

trabalho de conclusão de curso

RESUMO: O emprego cada vez mais frequente de métodos computacionais no processamento de exames de registros de eletrocardiograma (ECG) tem como vantagem a análise de grandes volumes de exames em um curto período e a identificação de situações de risco possibilitando a priorização de atendimento além de gerar alertas de urgências cardiológicas. O método baseado em redes neurais profundas ganhou destaque nas últimas décadas na aplicação de processamento de ECG impulsionado pelo aumento significativo das capacidades de processamento computacional e a disponibilidade de banco de dados para pesquisa. Porém, a qualidade da análise deve ser comparável ao trabalho manual realizado por um cardiologista experiente. Neste contexto este trabalho propõe avaliar a eficiência das redes neurais na detecção de ondas presentes nos ECG, tendo como foco a avaliação das redes long short-term memory (LSTM), gated recurrent unit (GRU) e simple recurrent neural network (SimpleRNN). Os dados utilizados são extraídos do banco de dados QT Database (qtdb). Os registros passam por um pré-processamento de dados antes da etapa de aprendizagem com a finalidade de retirada de ruídos. Os dados foram divididos em intervalos de tempo distintos e submetidos à rede para treinamento de forma aleatória. O método utiliza os mesmos dados para todas as redes apresentadas, sendo que as redes foram submetidas a somente um vetor de entrada, verificando a precisão de cada rede em registrar os seguimentos de ondas P, complexo QRS e onda T. À medida que a complexidade das redes construídas aumenta, além do tempo de processamento aumentar consideravelmente, pode-se observar uma queda considerável na eficiência da detecção dos intervalos do ECG. Realizando o treinamento de diferentes tipos de rede torna-se evidente que os melhores modelos possuem camadas bidirecionais e o batch igual a 16 nas redes GRU e LSTM. A rede SimpleRNN não apresentou características satisfatória para o conjunto de dados utilizado. O nível de detecção do modelo LSTM que mais se destaca possui porcentagem de detecção superior à 96,42%.

ABSTRACT: The increasingly frequent use of computational methods in the processing of electrocardiogram (ECG) recordings has the advantage of analyzing large volumes of tests in a short period and identifying risk situations, enabling the prioritization of care and generating alerts of cardiac emergencies. The method based on deep neural networks has gained prominence in recent decades in the application of ECG processing driven by the significant increase in computational processing capabilities and the availability of databases for research. However, the quality of the analysis should be comparable to the manual work performed by an experienced cardiologist. In this context, this work proposes to evaluate the efficiency of neural networks in the detection of waves present in ECG, focusing on the evaluation of long short-term memory (LSTM), gated recurrent unit (GRU) and simple recurrent neural network (SimpleRNN) networks. The data used is extracted from the QT Database (qtdb). The records go through data preprocessing before the learning step for the purpose of noise removal. The data is divided into distinct time intervals and randomly submitted to the network for training. The method uses the same data for all presented networks, and the networks were submitted to only one input vector, verifying the accuracy of each network in registering the P wave, QRS complex and T wave segments. As the complexity of the constructed networks increases, besides the processing time increasing considerably, one can observe a considerable drop in the efficiency of ECG interval detection. By training different types of networks, it becomes evident that the best models have bidirectional layers and batch equal to 16 in the GRU and LSTM networks. The SimpleRNN network did not show satisfactory characteristics for the data set used. The detection level of the LSTM model that stands out the most has a detection percentage greater than 96.42%.


Collections: