Classificação automática de arritmias cardíacas : uma análise das variações de desempenho entre diferentes arquiteturas CNN's e configurações do dataset.

Abstract

Doenças cardiovasculares são males que afetam a anatomia ou o funcionamento do coração, veias e artérias, sendo a principal causa de morte no mundo nos últimos 20 anos. Dentre essas doenças destacam-se as arritmias cardíacas, que são alterações dos estímulos elétricos do coração. Um dos principais exames para a detecção de arritmias cardíacas é o eletrocardiograma que mesmo atualmente ainda representa um método de perícia defasada e geralmente suscetível a erros humanos. Considerando esse contexto, o presente trabalho propõe uma investigação de desempenho das arquiteturas de redes neurais convolucionais (CNN’s) comumente empregadas na literatura (CNN-1D, CNN-2D), juntamente com uma abordagem alternativa, fundamentada na estratégia de atenção de dois níveis, (CNN Híbrida) para a classificação automática de arritmias cardíacas baseadas em três classes: batimento normal (Classe N), batimento ectópico ventricular (Classe V) e batimento ectópico supraventricular (Classe S). No estudo dos modelos CNN, também é ressaltada a importância da utilização de conjuntos de dados de sinais de ECG devidamente parametrizados. Outro ponto relevante deste estudo é o impacto que a utilização de conjuntos de dados balanceados e desbalanceados pode resultar no desempenho da rede neural. Dentre as arquiteturas propostas sob a perspectiva de um conjunto de dados desbalanceado, a CNN Híbrida se destacou como o modelo de melhor desempenho na classificação entre as classes de arritmias, obtendo as seguintes pontuações no F1-Score: 75% para a classe N, 29% para a classe S e 71% para a classe V. Contudo, se apenas a acurácia for levada em consideração, a arquitetura CNN-1D se destaca por alcançar uma taxa de 68%. Sob a outra perspectiva do treinamento ser realizado a partir de um conjunto de dados balanceado, a CNN Híbrida novamente se sobressai ao alcançar o melhor desempenho, obtendo uma pontuação no F1-Score de 53% para a classe N, 60% para a classe S, 77% para a classe V e uma acurácia total de 63%, a maior dentre os três modelos apresentados. As arquiteturas CNN’s 1D e 2D também mostraram-se eficazes, com um desempenho muito próximo a CNN Híbrida, principalmente sob a perspectiva da quantidade de parâmetros utilizados em cada modelo. Tanto a CNN-1D quando a 2D apresentam cerca de 1/3 da quantidade de parâmetros encontrados na CNN Híbrida.