DESENVOLVIMENTO DE PLATAFORMA PARA ANÁLISE DE ECG E CLASSIFICAÇÃO DE BATIMENTOS COM APRENDIZADO DE MÁQUINA
Palavras-chave:
Eletrocardiograma, Classificação de batimentos, Aprendizado de máquina, Processamento de sinaisResumo
A análise computacional de eletrocardiogramas (ECG) pode auxiliar o estudo de padrões de batimentos cardíacos, mas requer processamento adequado dos sinais e avaliação cuidadosa dos modelos de classificação. Este trabalho teve como objetivo desenvolver um protótipo computacional para visualizar registros de ECG, extrair informações dos batimentos e classificá-los por aprendizado de máquina. Como etapa complementar, foi criada uma aplicação educativa em Python para o reconhecimento interativo das ondas P, Q, R, S e T em traçados simulados, com marcação pelo usuário, retorno sobre as respostas e sistema de pontuação. A plataforma principal foi implementada em Python com interface Streamlit e utilizou registros da MIT-BIH Arrhythmia Database, disponibilizados pelo PhysioNet. As bibliotecas WFDB e NeuroKit2 foram empregadas na obtenção dos registros e anotações e no processamento dos sinais. O usuário pode selecionar um registro e definir o início e a duração do segmento analisado. A aplicação identifica picos R, estima a frequência cardíaca e apresenta um indicador de variabilidade dos intervalos entre batimentos (SDNN). Para a classificação, foram extraídas de janelas do sinal centradas nos batimentos cinco características estatísticas: média, desvio padrão, máximo, mínimo e amplitude pico a pico. Esses atributos alimentam um classificador Random Forest treinado para distinguir batimentos normais (N), extrassístoles ventriculares (V) e batimentos atriais prematuros (A). O protótipo permite visualizar o traçado e os picos identificados, apresentar a distribuição das classes atribuídas e gerar um relatório em PDF com informações da análise. A implementação integrou, em uma mesma interface, a seleção dos dados, o processamento do ECG, a extração de características e a classificação de batimentos. A avaliação quantitativa independente do desempenho do classificador e a validação da ferramenta educativa com usuários permanecem como etapas futuras. Assim, os resultados demonstram o funcionamento do protótipo, sem estabelecer sua acurácia de classificação ou sua efetividade pedagógica. Como continuidade, propõe-se avaliar o modelo em registros separados dos utilizados no treinamento, comparar métricas por classe e investigar atributos morfológicos e temporais adicionais. A plataforma destina-se à pesquisa e ao ensino e não constitui instrumento de diagnóstico clínico.
Downloads
Downloads
Publicado
Métricas
Visualizações do artigo: 5 PDF downloads: 2