MÉTODOS DE APRENDIZAGEM DE MÁQUINA APLICADOS NA CLASSIFICAÇÃO DE NÍVEIS DE APNEIA UTILIZANDO SINAIS DE ELETROCARDIOGRAMA
Na medicina existe um vasto número de exames que tem o diagnóstico obtido por meio da interpretação de imagens, dentre eles o eletrocardiograma (ECG). As informações extraídas não se limitam à atividade do músculo cardíaco, colocando em perspectiva a facilidade para realizar o diagnóstico de diversos problemas de saúde. A síndrome da apneia obstrutiva do sono (SAOS), caracterizada pela obstrução parcial ou total das vias respiratórias, passa a ter uma possibilidade de identificação ao se isolar o sinal proveniente da respiração no ECG. Verifica-se, na literatura, que a utilização do ECG para identificação da SAOS pode impactar diretamente na redução do número de casos não diagnosticados dessa síndrome. A contribuição deste capítulo é de descrever a classificação de níveis de SAOS utilizando sinais de ECG, bem como apresentar técnicas de inteligência artificial e, consequentemente, evidenciar um comparativo das técnicas de aprendizagem de máquina (machine learning) mais eficientes utilizadas na literatura.
MÉTODOS DE APRENDIZAGEM DE MÁQUINA APLICADOS NA CLASSIFICAÇÃO DE NÍVEIS DE APNEIA UTILIZANDO SINAIS DE ELETROCARDIOGRAMA
-
DOI: 10.22533/at.ed.69721110213
-
Palavras-chave: Apneia do Sono, Aprendizado de Máquina, Complexo QRS, Eletrocardiograma.
-
Keywords: Electrocardiogram, Machine Learning, Obstructive Sleep Apnea, QRS Complex.
-
Abstract:
In the medical field there is a wide number of exams that have their diagnosis obtained by interpretation of images, including the electrocardiogram (ECG). The health information extracted is not limited to cardiac activity, suggesting a simpler way to diagnose several health problems. The obstructive sleep apnea (OSA), typified by partial or total airway obstruction, becomes possible to identify by isolating the signal from ECG breathing. It is verified in the literature that the use of ECG for OSA identification can directly impact the reduction on the number of the syndrome’s undiagnosed cases. The contribution of this chapter is to describe the classification of OSA levels using ECG signals, as well as to present artificial intelligence techniques and, consequently, to show a comparison of the most efficient machine learning techniques used in the literature.
-
Número de páginas: 13
- João Pedro dos Santos Silva
- Pedro Henrique dos Santos Almeida
- Letícia Chaves Lima Cananéa
- Helder Alves Pereira
