Classificação da área infartada do coração utilizando Deep Learning e parâmetros extraídos do Espaço de Fases e Planos da Representação Vectorcardiográfica do ECG

Abstract

O uso de técnicas de aprendizado de máquina está sendo cada vez mais explorado em aplicações voltadas para auxiliar no diagnóstico de patologias cardíacas. Por meio de recursos como Redes Neurais Artificiais, é possível identificar padrões que podem ser imperceptíveis para o ser humano ou reduzir consideravelmente o tempo na tomada de decisões (Sethi et al., 2006; Arrieta et al., 2019; Jiang et al., 2017; Zhang et al., 2017). Os diversos parâmetros extraídos do ECG proporcionam um cenário convidativo para o desenvolvimento de estratégias que utilizam Rede Neurais Artificiais convencionais ou variações como Redes Neurais Profundas (Jiang et al., 2017; Parvaneh et al., 2019). Porém as aplicações presentes na literatura, em sua maioria, se limitam ao uso de conjuntos isolados de parâmetros, ignorando a possibilidade de correlação entre parâmetros extraídos de fontes diferentes, o que abriria a oportunidade para explorar arquiteturas de redes que abrangem mais entradas e mais possibilidades de classificações. O desenvolvimento de uma abordagem que avalia técnicas distintas de extração de parâmetros de ECG como entrada de uma Deep Neural Network, possibilitara o desenvolvimento de um modelo capaz de auxiliar na etapa de diagnostico, além de verificar o potencial entre os parâmetros para a identificação de patologias cardíacas.