Classificação de sinais de ECG digitalizados utilizando técnicas de aprendizado profundo

Resumo

O objetivo deste trabalho é classificar sinais digitais de ECG utilizando técnicas de aprendizado profundo (deep learning). Inicialmente, serão utilizadas bases de dados públicas, como a Physionet (https://physionet.org/) e, posteriormente, a base de dados do InCor (Instituto do Coração - HC-FMUSP). As etapas a serem desenvolvidas são: Etapa 1: classificação de imagens de traçados de ECG, como "normal" ou "com alteração"; Etapa 2: classificação do ECG unidimensional completo (12 derivações) nas classes "normal"/"com alteração"; Etapa 3: classificação do ECG utilizando características manuais (features) nas classes "normal"/"com alteração"; Etapa 4: a) classificação do ECG completo em múltiplas classes (a serem definidas). Por exemplo, "Normal" / "Fibrilação Atrial", "Bloqueio atrioventricular", "Bloqueio de ramo", etc. b) classificação do ECG a partir de características manuais (features) em múltiplas classes (a serem definidas). Por exemplo: "Normal" / "Fibrilação Atrial", "Bloqueio atrioventricular", "Bloqueio de ramo", entre outros. (AU)