Identificação de padrões em sinais de eletrocardiograma via aprendizado profundo e análise de recorrência

• Processo: 24/10715-1
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de janeiro de 2025
• Data de Término da vigência: 30 de abril de 2026
• Área de conhecimento: Engenharias - Engenharia Elétrica - Telecomunicações
• Pesquisador responsável: Levy Boccato
• Beneficiário: João Pedro de Oliveira Pagnan
• Instituição Sede: Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Empresa: Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação (FEEC)
• Vinculado ao auxílio: 20/09838-0 - BI0S - Brazilian Institute of Data Science, AP.PCPE
• Assunto(s): Aprendizado computacional Aprendizagem profunda Processamento de sinais
• Palavra(s)-Chave do Pesquisador: Análise de Recorrência | Aprendizado de Máquina | Aprendizado profundo | Detecção de doenças cardiovasculares | Processamento de Sinais | Sinais de eletrocardiogramas | Aprendizado de Máquina

Resumo

Este projeto de mestrado trata do estudo de técnicas de identificação de padrões no contexto de sinais de eletrocardiograma (ECG), tomando como foco a detecção de doenças cardiovasculares (CVD). CVDs são a principal causa de morte no mundo, e a maior parte dessas mortes ocorrem em países de baixa e média renda.A técnica de identificação de padrões a ser estudada no projeto proposto é o uso de aprendizado profundo (DL) aplicado a gráficos de recorrência (RP), matrizes de distância (DP) e métricas de análise quantitativa de recorrência (RQA) dos sinais de ECG. Direcionamos o projeto a essa técnica pela existência de fatores não abordados em trabalhos que a utilizam para análise de sinais de ECGs.Os objetivos deste projeto envolvem: (i) a implementação das métricas de RP, DP e RQA em um ambiente de código na linguagem Python; (ii) testes de sensibilidade da classificação de sinais de ECG feita por modelos de DL aos parâmetros das referidas métricas; (iii) análise da interpretabilidade da classificação realizada pelo modelo com base no RP, DP e RQA; (iv) análise comparativa da classificação utilizando o DP em relação ao uso de RP e RQA.Tal conjunto de objetivos estabelece um arcabouço sólido para o mestrado, tanto pelo significativo potencial de suscitar contribuições originais quanto por seu caráter formativo e interdisciplinar, que abre um amplo leque de possibilidades para um subsequente projeto de doutorado.