Identificação do infarto do miocárdio em sinais eletrocardiográficos a partir de métodos de análise não linear e redes neurais convolucionais

Abstract

Em 2019, o infarto do miocárdio (IM) com acidentes vasculares cerebrais representaram cerca de 85% das mortes por doenças cardiovasculares, a maior causa de mortes globalmente nesse ano. Dentre os sinais obtidos por meio de exames para a classificação do IM está o eletrocardiograma (ECG), sinal elétrico que registra a atividade elétrica cardíaca, onde sua modalidade mais comum possui 12 derivações. Além dele, o sinal de vetocardiografia, o vetocardiograma (VCG), que representa a atividade elétrica do coração em três dimensões por meio de três derivações ortogonais, também pode ser utilizado para a identificação de infartos, sendo possível reconstruí-lo a partir do ECG de 12 derivações. Para cada derivação desses sinais é possível extrair características não lineares, as quais podem detectar padrões que não estão evidenciados no domínio do tempo e que são sensíveis a alterações nos sinais. Uma forma de fazer essa extração é por meio da reconstrução do espaço de fase (EF) desse sinal. Apesar dos EF poderem contar com um alto número de dimensões, sua visualização é limitada pela visão humana. Por isso, os gráficos de recorrência (RP, Recurrence Plot), uma representação bidimensional independente do seu número de dimensões e baseada na quantidade de recorrências na trajetória do EF, foram propostos. Parâmetros podem ser extraídos de imagens dessa representação e de EF bidimensionais, sendo eles já utilizados para a identificação de arritmias e infartos. Apesar do EF bidimensional não ter necessariamente a dimensão ideal para representar adequadamente as características do sinal, eles possuem menor custo computacional associado em comparação com os RP, já que não é necessário determinar a dimensão de imersão ideal. Em razão desses dois tipos de representação serem bidimensionais, eles podem ser tratados como imagens e serem classificados por redes neurais convolucionais (CNN, Convolutional Neural Network). Com base nisso, o presente trabalho propõe a utilização de EFs bidimensionais e RPs, obtidos a partir de derivações vetocardiográficas reconstruídas com base em sinais de ECG, como entradas para CNNs com as arquiteturas MobileNetV2, ResNet-50, ResNet-101 e DenseNet201. Com isso, pretende-se avaliar qual tipo de imagem, entre EF e RP, e qual dessas arquiteturas têm uma melhor desempenho para a identificação do IM, além de analisar as diferenças de desempenho entre os dois tipos de imagem e ponderar seu custo computacional. Essa avaliação mostrou que a combinação de imagens de gráficos de recorrência com a arquitetura DenseNet201 levou ao melhor desempenho, sendo obtidas métricas de classificação para o conjunto de teste de 0,8833 (acurácia), 0,7851 (sensibilidade), 0,9317 (especificidade), 0,8502 (precisão), 0,8164 (escore F1) e 0,9397 (área abaixo da curva ROC, AUC). Comparando as métricas obtidas para o conjunto de validação para essa combinação com as obtidas para a arquitetura DenseNet201 e EF, foi observado que a diferença entre valores das métricas foi inferior a 0,025 para todas elas, ao mesmo tempo, em que a diferença de tempo de processamento foi de, em média para cada sinal, de 6,52 ms.