Classificação automática de arritmias cardíacas através de redes neurais convolucionais multimodais com mecanismo de atenção

Abstract

O eletrocardiograma (ECG) é uma tecnologia não invasiva capaz de registrar os batimentos cardíacos, sendo a técnica mais utilizada para o diagnóstico de doenças do coração. Dentre as doenças que podem ser diagnosticadas, a arritmia cardíaca é uma das cardiopatias mais comuns, sendo caracterizada pela ocorrência de batimentos cardíacos irregulares. Entretanto, a interpretação de longos registros de sinais de ECG é uma tarefa cansativa e desafiadora, quando feita de forma visual, que pode demandar tempo por parte dos médicos especialistas. A evolução da tecnologia e da inteligência artificial tem permitido avanços para o estudo e desenvolvimento de sistemas automáticos para auxílio ao diagnóstico médico. Dentro desse contexto, esta tese visa apresentar a proposta de uma estrutura para classificação de arritmias cardíacas baseada em uma Rede Neural Convolucional (CNN) multimodal com mecanismo de atenção. A estrutura recebe como entrada segmentos de sinal ECG transformados em imagens a partir das técnicas Hilbert Space Filling Curve (HSFC) e Recurrence Plot (RP) e foi desenvolvida e avaliada a partir do banco de dados público MIT-BIH e PTB, seguindo as diretrizes da AAMI (ANSI/AAMI EC57) e considerando os paradigmas interpaciente e intrapaciente. Devido ao alto desbalanceamento de classes nos bancos de dados, técnicas complementares de aumento de dados foram avaliadas durante a fase de experimentos, destacando-se duas: SMOTE e WGAN-GP. Os resultados alcançados, considerando variações na entrada da estrutura relacionadas ao número de derivações do ECG (derivação MLII e V + MLII), podem ser considerados competitivos com trabalhos apresentados no estado da arte, com destaque para os resultados da estrutura para duas derivações do ECG, tendo obtido, para a base MIT-BIH, no paradigma intrapaciente, 99,72%, 98,19%, 97,26%, 99,34% e 97,72% de acurácia global, precisão, sensibilidade, especificidade e F1-Score, respectivamente. No paradigma interpaciente, os resultados atingidos foram de 98,48%, 94,15%, 80,23%, 96,34% e 81,91%, respectivamente.