Neste trabalho, foram propostos m´etodos de baixa complexidade computacional para processamento e extra¸c˜ao de caracter´ısticas do sinal de eletrocardiograma, visando a clas- sifica¸c˜ao autom´atica de batidas card´ıacas. A partir desses m´etodos, as batidas passam a ser representadas por um conjunto de propriedades composto por valores de intervalos entre batidas, medidas de amplitude e, especialmente, parˆametros de Hjorth. Parˆame- tros de Hjorth possuem como vantagem o fato de agregarem informa¸c˜ao sobre o sinal nos dom´ınios de tempo e frequˆencia em apenas trˆes valores, que podem ser calculados com simplicidade. Al´em disso, uma nova abordagem foi proposta para o problema de segmen- ta¸c˜ao de batidas, mais dinˆamica e acurada, cuja finalidade ´e o aumento da eficiˆencia das caracter´ısticas extra´ıdas do sinal, tornando-as mais puras com rela¸c˜ao `a batida de que foram extra´ıdas.
Os resultados dos testes conduzidos para o modelo proposto foram comparados a ou- tros cinco trabalhos de metodologia semelhante, e apresentaram ´ındices de desempenho similares aos deles, ainda que sua implementa¸c˜ao tenha custo computacional mais baixo e demande apenas c´alculos simples. Os resultados indicam que a t´ecnica utilizada neste trabalho pode ser aplicada com sucesso ao problema de classifica¸c˜ao autom´atica de ba- tidas, al´em de permitir sua implementa¸c˜ao posterior em dispositivos de hardware com recursos limitados, como FPGA, sistemas embarcados e circuitos integrados.
O modelo com duas deriva¸c˜oes sem a utiliza¸c˜ao da t´ecnica de subamostragem apre- sentou bons resultados, com uma melhora significativa nos ´ındices de sensibilidade para classes S (34.0% para 50.8%) e F (0.3% para 85.1%) com rela¸c˜ao ao melhor modelo de deriva¸c˜ao ´unica, mantendo valores altos para ´ındices de acur´acia global, sensibilidade das classes N e V e preditividade positiva para N, S e V. A utiliza¸c˜ao de dois canais proporcionou uma melhoria especial com rela¸c˜ao `a classe de batidas supraventriculares.
A t´ecnica de subamostragem mostrou vantagens e desvantagens, ao mesmo tempo aumentando valores de sensibilidade e diminuindo valores de preditividade positiva. O
modelo reconhece a grande maioria das instˆancias de batidas ect´opicas, com aumento significativo para batidas supraventriculares (de 50,8% no modelo anterior para 73,8%), o que ´e bom para o paciente, diminuindo a chance de que uma poss´ıvel condi¸c˜ao card´ıaca n˜ao seja tratada. No entanto, em um grande n´umero de casos, o sistema classifica batidas normais como ect´opicas, o que gera falsos alarmes e pode gerar preocupa¸c˜ao desnecess´aria no paciente e na equipe m´edica.
A fim de aproveitar as potencialidades de cada um desses m´etodos, foi proposto um modelo de classifica¸c˜ao em dois passos, onde existem duas SVM, treinadas a partir de conjuntos de dados diferentes: uma delas ´e treinada com o conjunto de dados completo, desbalanceado, e outra com um conjunto de dados subamostrado, com menor quanti- dade de batidas normais. O modelo treinado com dados subamostrados ´e respons´avel pelo primeiro passo, onde ´e identificada a maior parte das batidas do tipo S. As batidas restantes s˜ao, no passo seguinte, classificadas em um dos tipos restantes pelo segundo modelo, treinado com dados completos.
Essa nova t´ecnica apresentou os resultados mais equilibrados entre todos os testes, mantendo altos n´ıveis de acur´acia global (89,3%), sensibilidade e preditividade positiva para a classe de batidas normais (90% e 97,0%, respectivamente), e ´ındices muito pr´oximos dos outros trabalhos com rela¸c˜ao `as batidas ect´opicas – S, V e F. Esses resultados confir- mam a viabilidade da t´ecnica proposta e apresentam um novo caminho para a pesquisa de sistemas autom´aticos de classifica¸c˜ao de batidas card´ıacas.
6.1 Trabalhos Futuros
O pr´oximo passo para a sequˆencia deste estudo ´e sua implementa¸c˜ao em um dispositivo de hardware com limita¸c˜oes de recursos. Essa fase englobar´a a adapta¸c˜ao do c´odigo escrito em MATLAB e C++ para uma linguagem de programa¸c˜R ao compat´ıvel com a plataforma
escolhida, e sua otimiza¸c˜ao, de acordo com os recursos providos pela linguagem. Al´em disso, durante este novo estudo, testes dever˜ao ser realizados, relacionados ao consumo de tempo, mem´oria e energia, visando a compara¸c˜ao com outras t´ecnicas.
Com rela¸c˜ao ao algoritmo para classifica¸c˜ao de batidas desenvolvido, estudos podem ser realizados no sentido de sua valida¸c˜ao a partir de outros bancos de dados dispon´ıveis online, como o INCART (GOLDBERGER et al., 2000), utilizado por Llamedo e Mart´ınez (2011). O aumento da base de dados aumenta, tamb´em, a quantidade de amostras de bati- das ect´opicas, especialmente supraventriculares, o que pode ser ben´efico para o algoritmo.
Ainda, podem ser exploradas algumas informa¸c˜oes de natureza pessoal dos pacientes pre- sentes nos bancos de dados, como sexo, idade e medicamentos utilizados. Medicamentos como a digoxina, indicada para o tratamento de insuficiˆencia card´ıaca e taquicardia, po- dem mudar a aparˆencia das batidas nos exames de ECG (LIFE IN THE FAST LANE, 2017), afetando o desempenho dos classificadores.
Finalmente, h´a uma diversidade de sinais biol´ogicos nos quais os parˆametros de Hjorth foram pouco ou nada utilizados. H´a uma demanda, por exemplo, relacionada ao desen- volvimento de sistemas capazes de realizar a interpreta¸c˜ao de sinais de EEG, de maneira a captar inten¸c˜oes de movimento em pacientes com dificuldades motoras (MCFARLAND; WOLPAW, 2011). Uma t´ecnica de extra¸c˜ao de caracter´ısticas inovadora pode ser ´util na cri- a¸c˜ao de pr´oteses e melhoria da qualidade de vida de indiv´ıduos imobilizados por doen¸cas, como a esclorose lateral amiotr´ofica (ALS, de Amyotrophic Lateral Sclerosis).