Classificação de sinais de ECG digitalizados utilizando técnicas de aprendizado profundo

• Processo: 21/12935-0
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de dezembro de 2021
• Data de Término da vigência: 31 de outubro de 2023
• Área de conhecimento: Engenharias - Engenharia Biomédica - Bioengenharia
• Acordo de Cooperação: CONFAP - Conselho Nacional das Fundações Estaduais de Amparo à Pesquisa
• Pesquisador responsável: Marco Antonio Gutierrez
• Beneficiário: Estela Ribeiro
• Instituição Sede: Instituto do Coração Professor Euryclides de Jesus Zerbini (INCOR). Hospital das Clínicas da Faculdade de Medicina da USP (HCFMUSP). Secretaria da Saúde (São Paulo - Estado). São Paulo , SP, Brasil
• Vinculado ao auxílio: 19/25153-0 - Algoritmos de aprendizado profundo para classificação de eletrocardiogramas, AP.R
• Assunto(s): Aprendizado computacional Aprendizagem profunda Processamento de sinais Redes neurais convolucionais Eletrocardiografia
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Processamento de Sinais | Redes Neurais convolucionais | Processamento de Sinais

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)