AUTOMATIC ANALISYS OF ELECTROCARDIOGRAPHIC SIGNALS USING ARTIFICIAL NEURAL NETWORKS

Autor: ALEXANDRE STURMER WOLF
Jazyk: portugalština
Rok vydání: 2004
Zdroj: Repositório Institucional da PUC_RIOPontifícia Universidade Católica do Rio de JaneiroPUC_RIO.
Druh dokumentu: masterThesis
Popis: COORDENAÇÃO DE APERFEIÇOAMENTO DO PESSOAL DE ENSINO SUPERIOR
O objetivo dessa dissertação é o desenvolvimento de um algoritmo para a análise automática de sinais eletrocardiográficos, baseado em Redes Neurais Artificiais. O sistema é dividido em vários sub- programas utilizados para extrair informações do registro eletrocardiográfico de pacientes, informando a existência de anormalidades a partir da comparação dos valores obtidos com os valores de normalidade disponíveis na literatura biomédica. O programa utiliza 4 segundos do sinal de eletrocardiograma para uma análise classificatória inicial, verificando a viabilidade da extração de informações. Sendo possível esta extração, são obtidos os ciclos cardíacos existentes nesse sinal, e deles são extraídas informações quantitativas dos componentes de suas ondas, que posteriormente serão comparadas com faixas de normalidade por meio de um conjunto de regras heurísticas, indicando assim a possível presença de alterações morfológicas do registro. Esse programa pode ser utilizado em comunidades carentes para orientar a necessidade de encaminhamento a um especialista, cuja presença é rara na maior parte dos postos de atendimento generalista. Também pode auxiliar ao médico especialista, indicando de forma objetiva as possíveis alterações do registro eletrocardiográfico. Os resultados obtidos podem ser considerados satisfatórios, sendo que os valores são compatíveis com a sua natureza, principalmente no que diz respeito aos problemas de baixa razão sinal/ruído existente nos sinais analisados. Para verificação dos resultados de localização dos pontos inicial e final de cada componente do ECG, uma das métricas utilizadas foi o MAPE, obtendo-se, 19,44 por cento para onda P,4,85 por cento para o complexo QRS, 8,93 por cento para o início da onda T e 7,76 por cento para o final da onda T. Outra métrica utilizada para comparar os resultados obtidos com outro artigo, foi a Média Aritmética/Desvio Padrão, onde se obteve mi=-0,8264 ms e sigma=3,7037 ms para o início da onda P, mi=-1,5082 ms e sigma=2,2890 ms para o fim da onda P, mi=-0,2104 ms e sigma=3,2486 ms para o início do complexo QRS, mi=-0,4309 ms e sigma=3,9542 ms para o fim do complexo QRS, mi=-0,1926 ms e sigma=5,7413 ms para o início da onda T, mi=-0,3346 ms e sigma=6,3991 ms para o fim da onda T.
The objective of this dissertation is implementing an algorithm for automatic analysis of electrocardiographic signals, using Artificial Neural Networks. The system is divided into several subprograms that extract relevant information about the cardiac signal measured from patients, and points out possible abnormalities by comparison with normal values found in biomedical bibliography. The algorithm uses 4 seconds of the electrocardiogram signal for an initial classification, verifying the feasibility of information extraction. If the extraction is possible, the separate cardiac cycles are collected from the signal and quantitative values for the various components are determined. Finally, these values are compared with the normal values, indicating alterations of wave morphology. This algorithm has a clear relevance in low-income communities, being useful for an initial classification of the patients, being then forwarded to a cardiologist when ECG abnormalities are identified. Another potential use is in helping the cardiologist to automatically determine accurate values from the electrocardiographic register. The results can by considered satistactory, because the values are being compatible with their nature, mainly due to problems of low signal-to-noise ratio in analysed signals. For verification of the results, one metric used was the MAPE, obtaining 19,44 percent for the P wave, 4,85 percent for the QRS complex, 8,93 percent for the begining of the T wave and 7,76 percent for the end of T wave. Another metric used for comparing results with another article, was the Arithmetic Mean/Standard Deviation, obtaining u=-0,8264 ms and ó=3,7037 ms for the onset of the P wave, u=-1,5082 ms and ó=2,2890 ms for the offset of P wave, u=-0,2104 ms and ó=3,2486 ms for the onset of the QRS complex, u=-0,4309 ms and ó=3,9542 ms for the offset of the QRS complex, u=-0,1926 ms and ó=5,7413 ms for the onset of the T wave, u=-0,3346 ms and ó=6,3991 ms for the offset of the T wave.
Databáze: Networked Digital Library of Theses & Dissertations