Modelos de aprendizado profundo de baixo custo computacional para classificação de ritmo cardíaco (2024)
- Authors:
- Autor USP: SOARES, QUENAZ BEZERRA - EP
- Unidade: EP
- Sigla do Departamento: PTC
- Subjects: FIBRILAÇÃO ATRIAL; ARRITMIA; APRENDIZAGEM PROFUNDA
- Agências de fomento:
- Language: Português
- Abstract: A Fibrilação Atrial (FA) é a arritmia cardíaca mais comum no mundo, com prevalência superior a 5% na população acima de 70 anos. Possíveis consequências da FA incluem eventos tromboembólicos e insuficiência cardíaca. O monitoramento contínuo de pacientes de risco, como os pós-operatórios de cirurgia cardíaca, é uma importante ferramenta para detectar essa arritmia, que pode se apresentar de forma intermitente. Tal monitoramento pode ser realizado com eletrocardiógrafos vestíveis, associados a detectores automáticos de eventos de FA. Esse monitoramento é limitado pela complexidade dos detectores utilizados, sendo que os mais robustos são baseados em aprendizado profundo e geralmente requerem alto poder computacional. Este trabalho visa o desenvolvimento de arquiteturas de aprendizado profundo, com requisitos computacionais compatíveis com plataformas móveis, ou mesmo microcontroladores, mantendo desempenho de classificação comparável a modelos tradicionais mais complexos. Com base nas arquiteturas de redes neurais convolucionais VGGNet e ResNet, foi proposto o uso de convoluções separáveis, menos filtros, poolings globais e menos unidades nas camadas densas, dando origem às arquiteturas LiteVGG e LiteResNet. Uma arquitetura ainda mais leve também foi proposta, usando convoluções em profundidade (depthwise) e menos camadas, chamada DWNet. As arquiteturas originais VGGNet, ResNet e um conjunto de arquiteturas encontradas na literatura foram utilizadas para comparação com as arquiteturas propostas. A base de dados publicada para o PhysioNet Challenge 2021 foi utilizada para esta comparação, reestratificando os diagnósticos para classificação binária (FA e não FA), multiclasse (FA, ritmo sinusal e outros) e multilabel (FA, ritmo sinusal normal, taquicardia sinusal e bradicardia sinusal). A comparação das métricas de classificação foi realizada por meio de validação cruzada Monte Carlo, e uma comparação de custocomparação das métricas de classificação foi realizada por meio de validação cruzada Monte Carlo, e uma comparação de custo computacional foi realizada em termos de número de operações de ponto flutuante (FLOP), número de parâmetros, tempo de inferência e memória utilizada. Os modelos propostos apresentaram redução no número de FLOPs e parâmetros em cerca de 2 a 4 ordens de grandeza quando comparados aos modelos utilizados como base, além de uma redução de 1 a 2 ordens de grandeza no tempo de inferência. Para a arquitetura VGGNet, essa redução na complexidade resultou em um modelo LiteVGG-11 mais leve e superior em termos de métricas que seu equivalente VGG-11. Este foi o melhor modelo encontrado para reduzir falsos positivos em todas as estratégias de classificação de FA testadas. A arquitetura LiteResNet apresentou métricas de classificação, por vezes, sem diferença estatística em relação ao ResNet. O modelo DWNet possui a menor complexidade computacional, mas com a desvantagem de pior acurácia. A estratégia adotada para reduzir o custo computacional resultou em modelos mais leves e com desempenhos de classificação semelhantes ou melhores que os modelos tradicionais mais robustos. Com esses modelos, seria possível implementar sistemas de monitoramento de ritmo cardíaco que poderiam ser embarcados em dispositivos móveis ou até mesmo em microcontroladores.
- Imprenta:
- Data da defesa: 26.04.2024
-
ABNT
SOARES, Quenaz Bezerra. Modelos de aprendizado profundo de baixo custo computacional para classificação de ritmo cardíaco. 2024. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2024. Disponível em: https://www.teses.usp.br/teses/disponiveis/3/3154/tde-12072024-083227/pt-br.php. Acesso em: 16 ago. 2024. -
APA
Soares, Q. B. (2024). Modelos de aprendizado profundo de baixo custo computacional para classificação de ritmo cardíaco (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/3/3154/tde-12072024-083227/pt-br.php -
NLM
Soares QB. Modelos de aprendizado profundo de baixo custo computacional para classificação de ritmo cardíaco [Internet]. 2024 ;[citado 2024 ago. 16 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3154/tde-12072024-083227/pt-br.php -
Vancouver
Soares QB. Modelos de aprendizado profundo de baixo custo computacional para classificação de ritmo cardíaco [Internet]. 2024 ;[citado 2024 ago. 16 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3154/tde-12072024-083227/pt-br.php
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
