Reconhecimento de Contração Prematura Ventricular utilizando separação cega de fontes e comitê de máquinas bayesianas

Página do item simplificado
dc.contributor.advisorVieira Filho, Jozue [UNESP]
dc.contributor.authorOliveira, Bruno Rodrigues de [UNESP]
dc.contributor.institutionUniversidade Estadual Paulista (Unesp)
dc.date.accessioned2020-10-16T17:58:57Z
dc.date.available2020-10-16T17:58:57Z
dc.date.issued2020-09-17
dc.description.abstractAs Contrações Prematuras Ventriculares (CPV) estão entre as arritmias que podem desenca- dear doenças cardíacas fatais. Seu diagnóstico é mais acurado quando utilizado monitoramento ambulatorial de 24 ou 48 horas. Estes exames geram muitos dados para serem analisados pelo especialista, logo, ferramentas computacionais são imprescindíveis para auxiliarem o diagnós- tico. Neste trabalho é proposta uma nova abordagem para reconhecimento das CPVs, por meio da análise de segmentos dos sinais de Eletrocardiograma (ECG), baseada na utilização do método de separação cega de fontes AMUSE para extração dos atributos característicos, se- guido da Análise Discriminante Linear para redução da dimensionalidade, e o algoritmo Naive Bayes para indução das máquinas de aprendizado, as quais são ponderadas em um comitê de máquinas cujas importâncias são obtidas pelo método Análise Hierárquica de Processos (AHP) empregando uma função de conversão adequada, também proposta. Vários experimentos são implementados a m de veri car a performance das abordagens propostas, incluindo: dados balanceados e desbalanceados, performances individuais por registros ECG, variações dos pa- râmetros das máquinas de aprendizado, ambiente ruidoso e diversas composições de comitês. No melhor dos casos, obteve-se medidas de acurácia, sensibilidade e especi cidade nos valo- res de 99,57%, 98,64% e 99,65%, respectivamente. A pesquisa apresentada traz contribuições relevantes para a área de aprendizado de máquina de sinais biomédicos, ao apresentar uma me- todologia simples, de baixo custo computacional e e ciente para o reconhecimento de arritmias CPV.pt
dc.description.abstractPremature Ventricular Contractions (PVC) are among the arrhythmias that can trigger fatal heart disease. Their diagnose are more accurate when 24- or 48-hour ambulatory monitoring are used. These exams generate a lot of data to be analyzed by the specialist, therefore com- putational tools are essential to helping the diagnosis. This work proposes a new approach for PVC recognition, analyzing ECG signal segments, using the AMUSE blind source separation method for attributes extraction, Linear Discriminant Analysis for dimensionality reduction and the Naive Bayes algorithm to induce learning machines which are weighted in a machine committee whose importances are obtained by the Analytic Hierarchy Process method through an appropriate conversion function. Several experiments are implemented, such as: balan- ced and unbalanced data, individual ECG record performances, variations in learning machine parameters, noisy environment, various committee compositions; in order to verify the perfor- mance of the proposed approaches. In the best of the cases, accuracy, sensitivity and speci city measures were 99,57%, 98,64% e 99,65%, respectively. The presented survey brings out relevant contributions to the biomedical signal machine learning area, presenting a simple, low compu- tational and e cient methodology for PVC arrhythmias recognition.en
dc.identifier.capes33004099080P0
dc.identifier.urihttp://hdl.handle.net/11449/194111
dc.language.isopor
dc.publisherUniversidade Estadual Paulista (Unesp)
dc.rights.accessRightsAcesso aberto
dc.subjectContrações Prematuras Ventricularespt
dc.subjectReconhecimento de arritmiaspt
dc.subjectAprendizado de máquinapt
dc.subjectSeparação cega de fontespt
dc.subjectAnálise Hierárquica de Processospt
dc.subjectPremature Ventricular Contractionsen
dc.subjectArrhythmia recognitionen
dc.subjectMachine learningen
dc.subjectBlind source separationen
dc.subjectAnalytic Hierarchy Processpt
dc.titleReconhecimento de Contração Prematura Ventricular utilizando separação cega de fontes e comitê de máquinas bayesianaspt
dc.title.alternativeRecognition of Ventricular Premature Contraction using blind source separation and Bayesian machine committeeen
dc.title.alternativeReconocimiento de la contracción ventricular prematura mediante la separación de fuente ciega y el comité de máquinas bayesianases
dc.title.alternativeReconnaissance de la contraction ventriculaire prématurée en utilisant la séparation aveugle de la source et le comité de la machine bayésiennees
dc.typeTese de doutorado
unesp.campusUniversidade Estadual Paulista (Unesp), Faculdade de Engenharia, Ilha Solteirapt
unesp.embargoOnlinept
unesp.examinationboard.typeBanca públicapt
unesp.graduateProgramEngenharia Elétrica - FEISpt
unesp.knowledgeAreaAutomaçãopt
unesp.researchAreaInteligência Artificialpt

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
oliveira_br_dr_ilha.pdf
Tamanho:
5.99 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
3.02 KB
Formato:
Item-specific license agreed upon to submission
Descrição:

Coleções

Teses - Engenharia Elétrica - FEIS