Aplicação de aprendizado de máquina em exames de ECG - Holter para a detecção de dispositivos cardíacos implantáveis e arritmias.

Página do item simplificado
dc.contributor.advisorBerton, Lilian [UNIFESP]
dc.contributor.advisorLatteshttp://lattes.cnpq.br/9064767888093340pt_BR
dc.contributor.authorSantos, Paulo Henrique Marques de Souza Correia dos [UNIFESP]
dc.date.accessioned2023-01-18T12:54:43Z
dc.date.available2023-01-18T12:54:43Z
dc.date.issued2023-01-05
dc.description.abstractCardiac arrhythmias affect a large portion of the world’s population, causing more than 300,000 deaths a year in Brazil. Several arrhythmias can be detected by electrocardiogram, making its application very important nowadays. This work applied the Support Vector Machine (SVM), Naive Bayes, k-Nearest Neighbors (kNN), Decision Tree and Multilayer Perceptron (MLP) methods to detect cardiac arrhythmias and use of implantable cardiac devices, such as pacemakers and internal cardioverter defibrillators. the dataset was obtained from tables with information about the electrocardiogram. The evaluation metrics were accuracy, precision, sensitivity, specificity and F-Score. For the detection of diseases, the decision tree and multilayer Perceptron classifiers obtained better results, with F-scores of 67.7% and 74.2%, while for the detection of implantable devices the best evaluated were the decision tree and kNN, with F-scores of 91.8% and 92.8%, respectively.pt_BR
dc.description.abstractAs arritmias cardíacas atingem uma grande parcela da população mundial, ocasionando mais de 300 mil mortes ao ano no Brasil. Varias arritmias podem ser detectadas por eletrocardiograma, tornando a sua aplicação muito importante para os dias atuais. Este trabalho aplicou os métodos de Support Vector Machine (SVM), Naive Bayes, k-Nearest Neighbors (kNN), árvore de decisão e Multilayer Perceptron (MLP) para detectar arritmias cardíacas e uso de dispositivos cardíacos implantáveis, como marcapasso e cardiodesfibriladores internos. O dataset foi obtido de tabelas com informações sobre o eletrocardiograma. As métricas de avaliação foram a acurácia, precisão, sensibilidade, especificidade e F-Score. Para a detecção das doenças, os classificadores árvore de decisão e multilayer Perceptron obtiveram melhores resultados, com F-score de 67.7% e 74.2%, respectivamente, enquanto para a detecção de dispositivos implantáveis os mais bem avaliados foram a árvore de decisão e o kNN, com F-score de 91.8% e 92.8%, respectivamente.pt_BR
dc.description.sponsorshipNão recebi financiamentopt_BR
dc.emailadvisor.customlberton@unifesp.brpt_BR
dc.format.extent63 f.pt_BR
dc.identifier.urihttps://repositorio.unifesp.br/handle/11600/66406
dc.languageporpt_BR
dc.publisherUniversidade Federal de São Paulopt_BR
dc.rightsinfo:eu-repo/semantics/openAccesspt_BR
dc.subjectEletrocardiogramapt_BR
dc.subjectMarcapassopt_BR
dc.subjectHolterpt_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectArritmia cardíacapt_BR
dc.titleAplicação de aprendizado de máquina em exames de ECG - Holter para a detecção de dispositivos cardíacos implantáveis e arritmias.pt_BR
dc.typeinfo:eu-repo/semantics/bachelorThesispt_BR
unifesp.campusInstituto de Ciência e Tecnologia (ICT)pt_BR
unifesp.graduacaoEngenharia Biomédicapt_BR
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Paulo Santos TCC - repositório final (1).pdf
Tamanho:
3.42 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
5.75 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar
Coleções
Engenharia Biomédica