Prepare-se para as provas
Obter pontos
Guias e Dicas

Prepare-se para as provas

Estude fácil! Tem muito documento disponível na Docsity

Ganhe pontos para baixar

Ganhe pontos ajudando outros esrudantes ou compre um plano Premium

Guias e Dicas

Venda na Docsity

Entrar Cadastre-se

Prepare-se para as provas

Estude fácil! Tem muito documento disponível na Docsity

Encontrar documentos

Prepare-se para as provas com trabalhos de outros alunos como você, aqui na Docsity

Pesquisar documentos Store

Os melhores documentos à venda: Trabalhos de alunos formados

Videoaulas

Prepare-se com as videoaulas e exercícios resolvidos criados a partir da grade da sua Universidade

Quiz

Responda perguntas de provas passadas e avalie sua preparação.

Pesquise entre todos os recursos de estudo

Docsity AINEW

Resuma seus documentos, faça perguntas, converta-os em questionários e mapas conceituais

TCC e ENEM 2025

Estude com provas passadas, TCCs e dicas úteis

Explorar perguntas

Tire suas dúvidas lendo as respostas dadas por outros alunos como você.

Ganhe pontos para baixar

Ganhe pontos ajudando outros esrudantes ou compre um plano Premium

Compartilhe documentos

20 Pontos

Por cada documento compartilhado

Responda às perguntas

5 Pontos

por cada resposta enviada (máx. 1 por dia)

Todas as maneiras de obter pontos grátis

Ganhe pontos imediatamente

Escolha um Plano Premium com todos os pontos que precisa

Oportunidades de estudo

Escolha seu próximo programa de estudos

Entre em contato direto com as melhores Universidades do mundo. Pesquise entre milhares de Universidades e parceiros oficiais

Comunidade

Pergunte à comunidade

Peça ajuda à comunidade e tire suas dúvidas relacionadas ao estudo

Ranking universidades

Descubra as melhores universidades em seu país de acordo com os usuários da Docsity

Guias grátis

Os eBooks que salvam estudantes!

Baixe gratuitamente nossos guias de estudo, métodos para diminuir a ansiedade, dicas de TCC preparadas pelos professores da Docsity

Do blog

Vá para o blog

Classificação Automatizada de Exames ECG usando Redes Neurais, Notas de estudo de Arquitetura

Centro de Educação Superior de Blumenau (CESBLU)Arquitetura

O desenvolvimento de uma rede neural para classificar sinais ecg em normal e anormal, utilizando uma ferramenta customizada e redes neurais treinadas. O objetivo é automatizar a classificação de exames ecg e gerar conjuntos de treinamento e validação para um sistema de classificação. O documento aborda a utilização de redes neurais para classificação de problemas diversos e aplicativos em processamento de texto.

Tipologia: Notas de estudo

2022

Compartilhado em 07/11/2022

Jose92 🇧🇷

4.6

(178)

223 documentos

1 / 108

Esta página não é visível na pré-visualização

Não perca as partes importantes!

Classificação de Laudos e Traçados de

Exames de Eletrocardiogama

Utilizando Redes Neurais

Relatório submetido à Universidade Federal de Santa Catarina

como requisito para a aprovação da disciplina:

DAS 5511: Projeto de Fim de Curso

Nathaniel Salvador de Oliveira

Florianópolis, novembro de 2018

Documentos relacionados

Classificação de Diagnóstico de Motores Usando Redes Neurais: Um Estudo de Caso

Classificação de movimentos com redes neurais em próteses

Análise de Algoritmos de Classificação em Redes Neurais Artificiais

Projeto de Autenticação com Biometria de Palma usando Redes Neurais

Análise de Algoritmos de Classificação: Árvores de Decisão e Redes Neurais

Quantificação de Glicemia usando Redes Neurais e Análises de Imagens da Iris Humana

Redes Neurais Artificiais para Classificação de Distúrbios de Energia Elétrica

Análise de Algoritmos: Aplicação em Redes Neurais

Análise de Redes Neurais: Aplicações e Desafios

Redes Neurais Implementadas em Hardware: Arquiteturas e Aplicações

Análise de Redes Neurais: Aplicações e Desafios

Redes Neurais Convolucionais: Características para Detecção e Reconhecimento de Imagens

Pré-visualização parcial do texto

Baixe Classificação Automatizada de Exames ECG usando Redes Neurais e outras Notas de estudo em PDF para Arquitetura, somente na Docsity!

Classificação de Laudos e Traçados de

Exames de Eletrocardiogama

Utilizando Redes Neurais

Relatório submetido à Universidade Federal de Santa Catarina

como requisito para a aprovação da disciplina:

DAS 5511: Projeto de Fim de Curso

Nathaniel Salvador de Oliveira

Florianópolis, novembro de 2018

Banca Examinadora:

Gabriel Paim

Orientador na Empresa

Prof. Eduardo Camponogara

Orientador no Curso

Prof. Hector Bessa Silveira

Responsável pela disciplina

Alexandre Reeberg de Melo, Avaliador

Débora Gardinal de Sousa, Debatedor

Volnei Fontana Junior, Debatedor

Agradecimentos

Gostaria de primeiramente agradecer Gabriel Paim, Lucas Neves e Jonatas Pavei pela oportunidade de trabalhar no problema proposto e por receberem-me de braços abertos na InPulse Animal Health.

Presto meus agradecimentos ao professor Eduardo Camponogara pela suas orienta- ção fundamental para o encaminhamento, desenvolvimento e finalização do trabalho.

Gostaria também de agradecer ao médico veterinário Luis Felipe dos Santos pela sua prestatividade e ajuda na confecção da lista de cardiopatias utilizada no trabalho.

Agradeço também a Paulo Curado pela sua ajuda com o ponta-pé inicial na implementação do sistema web de classificação de frases.

Por último, mas não menos importante, agradeço aos meus pais, amigos e namorada, por estarem sempre presentes prestando o apoio moral necessário para uma boa saúde mental nessa etapa.

Resumo

A InPulse Animal Health fornece um sistema de telemedicina juntamente com software e dispositivos voltados para a área veterinária. Utilizando o sistema e dispositivos InCardio, é possível capturar um exame de ECG de um paciente e enviá-lo, através da internet, para realização de um laudo por um médico cardiologista. Até o presente momento existem mais de 100 mil exames e laudos no banco de dados da empresa. O trabalho proposto consiste em criar uma ferramenta, que, utilizando os dados de exames capturados, juntamente com os laudos emitidos pelos médicos veterinários especializados em cardiologia, seja capaz de determinar a probabilidade de certas cardiopatias estarem presentes no exame sem intervenção humana. Utilizando uma ferramenta desenvolvida customizada para auxiliar na classificação das conclusões de laudos de exame ECG, juntamente com redes neurais treinadas para classificar novos exames automaticamente, foi desenvolvida uma rede neural com objetivo de, recebendo como entrada apenas os sinais ECG extraídos utilizando aparelho eletrocardiógrafo, tentar classificar estes sinais de forma tal que sejam selecionados entre as categorias Normal (não há cardiopatia presente) e Anormal (há cardiopatia presente).

Palavras-chave: aprendizado de máquina, redes neurais, doc2vec, embeddings, ecg, classificação, patologias, cardiopatias.

Lista de ilustrações

Lista de abreviaturas e siglas

MVC Model-View-Controller

PCA Principal components analysis

ECG Eletrocardiograma

NLTK Natural Language Toolkit

HTTP HyperText Transfer Protocol

API Application Programming Interface

REST Representational State Transfer

JPA Java Persistence API

SGBD Sistema Gerenciador de Banco de Dados

Sumário

Figura 1 – InCardio sendo utilizado na captura de exame ECG em gato mourisco.
Figura 2 – InCardio Agile, eletrodos e maleta para transporte
Figura 3 – Fluxo de Telemedicina
Figura 4 – Câmaras, válvulas e músculos do coração
Figura 5 – Ciclo cardíaco
Figura 6 – Posicionamento dos eletrodos
Figura 7 – Derivações Bipolares
Figura 8 – Derivações Aumentadas
Figura 9 – Exemplo de exame eletrocardiográfico
Figura 10 – Espectro de um sinal de ECG típico com ritmo de 150 bpm
Figura 11 – Neurônio biológico simplificado
Figura 12 – Neurônio artificial
Figura 13 – Função Logística
Figura 14 – Função Linear
Figura 15 – Função Hiperbólica
Figura 16 – Função Degrau
Figura 17 – Função ReLU
Figura 18 – Função LeakyReLU
Figura 19 – Rede Feed-Forward de múltiplas camadas
Figura 20 – Operação de convolução 2D utilizando único filtro de dimensões 3x3
- Stride 2 e Padding Figura 21 – Operação de convolução 1D utilizando único filtro de dimensões 5x5,
- Padding em entrada de múltiplos canais Figura 22 – Operação de convolução 1D com único filtro de dimensão 3 x m e
Figura 23 – Rede Neural Recorrente
Figura 24 – Operação de MaxPooling
Figura 25 – Modelos CBOW e Skip-gram
Figura 26 – Visão Geral dos Objetivos do Trabalho
Figura 27 – Processo de classificação de exame
Figura 28 – Processo de Classificação de Traçado
Figura 29 – Visão Geral do Treinamento do modelo Doc2Vec
- modelo Doc2Vec Figura 30 – Processo de Treinamento da Rede Neural com Embeddings obtidos via
Figura 31 – Arquitetura da Rede Utilizando Word2Vec
Figura 32 – Arquitetura da Rede Utilizando Embeddings Treináveis
Figura 33 – Arquitetura da Rede Neural de Classificação de Traçados
Figura 34 – Processo de Geração do Conjunto de Dados de Treinamento
Figura 35 – Processo de Treinamento Da Rede Neural de Traçados
Figura 36 – Interface de Usuário do Cliente Web
Figura 37 – Visualização dos embeddings após PCA
Figura 38 – Acurácia de validação dos modelos ao longo do treinamento
Figura 39 – Acurácia de validação dos modelos para classificação de traçado
Figura 40 – Acurácia de treinamento dos modelos para classificação de traçado
Figura 41 – Saída dos filtros da primeira camada de convolução
Figura 42 – Entrada que maximiza a categoria Anormal
4.1 Lista de Classificações de Frases Lista de Listas
4.2 Lista de Métodos da API REST
5.1 Lista de Palavras-chave para Geração de Erros Gramaticais
A.1 Definição de Entry
A.2 Definição de Project
A.3 Definição de Dataset
1 INTRODUÇÃO
2 A INPULSE ANIMAL HEALTH
2.1 Eletrocardiógrafos InCardio
2.1.1 InCardio
2.1.2 InCardio CS
2.1.3 InCardio Agile
2.2 Sistema de Telemedicina
3 PROBLEMA E FERRAMENTAS
3.1 Eletrocardiograma
3.1.1 Eventos do Ciclo Cardíaco
3.1.1.1 Contração Ventricular Isovolumétrica
3.1.1.2 Ejeção Ventricular
3.1.1.3 Relaxamento Isovolumétrico
3.1.1.4 Preenchimento dos Ventrículos
3.1.1.5 Sístole Atrial
3.1.2 Ritmo do Coração
3.1.3 Transmissão de impulsos elétricos
3.1.4 Obtenção do ECG
3.1.4.1 Posicionamento dos Eletrodos
3.1.4.2 Derivações
3.1.5 Sinal do ECG
3.2 Classificação de Frases
3.3 Classificação de Traçado
3.4 Redes Neurais
3.4.1 Neurônio Biológico
3.4.2 Neurônio Artificial
3.4.2.1 Funções de Ativação
3.4.3 Algumas Arquiteturas
3.4.3.1 Redes Feed-Forward (dense)
3.4.3.2 Redes Convolucionais (CNNs, conv-nets)
3.4.3.3 Redes Recorrentes (RNNs)
3.4.4 Treinamento
3.4.4.1 Treinamento Supervisionado
3.4.4.2 Treinamento Não-Supervisionado
3.4.4.3 Funções de Perda
3.4.4.4 Algoritmos de treinamento
3.4.5 Outros tipos de camadas e operações
3.4.5.1 Dropout
3.4.5.2 MaxPooling
3.4.5.3 Softmax
3.4.6 NLP (Natural Language Processing) utilizando redes neurais
3.4.7 Embeddings
3.4.7.1 Word2vec
3.4.7.1.1 Continuous Bag of Words - CBOW
3.4.7.1.2 Skip-gram
3.4.7.2 Doc2vec
3.5 Bibliotecas
3.5.1 NLTK
3.5.2 TensorFlow
3.5.3 Keras
3.5.4 TensorBoard
4 DESENVOLVIMENTO
4.1 Sistema Web de Classificação de Frases
4.1.1 Modelagem do Banco de Dados
4.1.2 Backend
4.1.3 Cliente Web
4.2 Sistema de Classificação de Exames
4.2.1 Objetivos
4.2.2 Entrada e Saída
4.2.3 Pré-Processamento da Conclusão de Laudos
4.3 Rede Neural para Classificação de Traçados
4.3.1 Objetivos
4.3.2 Entrada e Saída
5 IMPLEMENTAÇÃO
5.1 Sistema Web para Classificação de Frases
5.1.1 Linguagens, Bibliotecas e Frameworks Utilizados
5.1.2 Banco de Dados
5.1.3 Backend
5.1.4 Frontend
5.2 Redes Neurais para Classificação de Frases
5.2.1 Linguagens, Bibliotecas e Frameworks Utilizados
5.2.2 Utilizando Doc2Vec