Redes Neurais Convolucionais Profundas e Aprendendo Características de ECG para Triagem de Pacientes com Fibrilação Atrial Paroxística

Neste artigo, é desenvolvida uma nova metodologia de classificação de sinais de eletrocardiograma (ECG) baseada em inteligência computacional usando uma máquina de aprendizado profundo (DL). O foco está na triagem de pacientes e na identificação de pacientes com fibrilação atrial paroxística (PAF), que representa uma arritmia cardíaca potencialmente fatal. A abordagem proposta opera com um grande volume de dados brutos de séries temporais de ECG como entradas para redes neurais convolucionais profundas (CNN). Ela aprende autonomamente características representativas e essenciais da PAF que serão utilizadas por um módulo de classificação. As características são, portanto, aprendidas diretamente dos grandes sinais de ECG em domínio de tempo usando uma CNN com uma camada totalmente conectada. As características aprendidas podem substituir efetivamente as tradicionais características artesanais feitas pelo usuário, que são demoradas. Nossos resultados experimentais verificam e validam a eficácia e as capacidades das características aprendidas para triagem de pacientes com PAF. As principais vantagens da nossa abordagem proposta são simplificar o processo de extração de características correspondentes a diferentes arritmias cardíacas e eliminar a necessidade de um especialista humano para definir características apropriadas e críticas ao trabalhar com um grande conjunto de dados de séries temporais. As extensas simulações e estudos de caso realizados indicam que combinar as características aprendidas com outros classificadores melhorará significativamente o desempenho do sistema de triagem de pacientes em comparação a um classificador CNN de ponta a ponta. A eficácia e as capacidades da nossa máquina de classificação de ECG DL são demonstradas e comparações quantitativas com vários classificadores convencionais de aprendizado de máquina também são fornecidas.