Implementação de algoritmos de TensorFlow™ para detetar patologias cardíacas

Abstract

As doenças cardiovasculares são umas das principais doenças que prejudicam a saúde humana, atraindo cada vez mais atenção da comunidade medica. É portanto necessário que os pacientes possam fazer um exame cardiovascular em qualquer instante, sítio e com um resultado preciso no momento. É notar que muitos pacientes com estas doenças são vítimas de ataque cardíaco quando dormem e acabam por morrer por não serem resgatadas a tempo. Baseando este assunto como ponto de partida, esta dissertação foca-se no estudo do sinal do dispositivo SCG (“Seismocardiogram”), o dispositivo registra informações em tempo real do coração através de sensores sem fazer contacto com o corpo, depois utiliza tecnologia de inteligência artificial para analisar as informações registadas e alerta sobre a possível ocorrência de problemas cardíacos. O sinal da SCG é imperfeição, apesar de ser inicialmente processado por um circuito de hardware, ainda pode conter ruído, com valores incorretos e inconsistentes. Portanto, antes de trabalhar com o sinal, deve-se utilizar a técnica de pré-processamento de sinais para melhorar a qualidade dos sinais por via da eliminação e filtragem. “Wavelet transform” ou Passa banda é um método que pode efetivamente eliminar o ruído. Outro problema da atualidade, é conseguir identificar os tipos dos problemas cardíacos de forma atempada e eficiente. Devido à necessidade de analisar uma grande quantidade de dados, torna-se difícil conseguir obter estas métricas (identificação e eficiência) e consequentemente ajudar resolver este problema que abrange em grande escala a população mundial. Contudo nos últimos anos, o surgimento de métodos como “Machine Learning” permite fazer uma melhor prevenção sobre a possível ocorrência de problemas cardíacos, tendo-se tornado um das melhores métodos desenvolvidos para tal. Nesta dissertação pretende-se desenvolver um sistema que recolha dados de uma SCG “Seismocardiogram”, que integre um acelerómetro MEMS baseado na medição de tempos de “pull-in”, tais como batimentos cardíacos e respiração. Também se pretende desenvolver uma aplicação que utilize “Machine Learning” para reconhecer sinal de SCG. Outro objetivo é utilizar a biblioteca “Open Source”de “TensorFlow” para implementar um algoritmo, que seja capaz de analisar e prever a evolução de cada doente. Desta forma, é possível ter um sistema que, através do histórico de saúde e dos dados recolhidos do doente, possibilite aos médicos detetarem mais facilmente um problema cardíaco que o paciente tenha.

Cardiovascular diseases are one of the major threats to human health, attracting more and more attention from the medical community. It is therefore necessary that patients are able to take a cardiovascular examination at any time, place and with a precise result immediatley. It is noteworthy that many patients with these diseases are victims of heart attacks when they sleep and end up dying for not being rescued in time. Based on this subject as a starting point, this dissertation focuses on the study of the signal of a SCG device (Seismocardiogram), a device that registers real-time information from the heart through sensors without making contact with the body, after use artificial intelligence technology to analyze the information recorded and warns about the possible occurrence of heart problems. The SCG is imperfections, and although it is initially processed by an hardware circuit, it may still contain noise, with incorrect and inconsistent values. Therefore, prior to working with the signal, a signal preprocessing technique should be used to improve signal quality through elimination and filtering. Wavelet transform or Passband are methods that can be effectively used to eliminate noise. Another problem today, is the abiliyt to identify the types of diseases in a timely and efficient manner. Due to the need of analyzing a large amount of data, it is difficult to obtain these metrics (forecasting and efficiency) and consequently to solve this problem that covers the world population on a large scale. However, in recent years, the emergence of methods such as Machine Learning allow for better prevention of the possible occurrence of cardiac problems and has become one of the best methods developed for this. This thesis intends to develop a system that collects data from an SCG Seismocardiogram which integrates a MEMS accelerometer based on the measurement of pull-in times such as heart rate and respiration. It also intends to develop an application using Machine Learning to recognize an SCG signal. Another goal is to use the TensorFlow Open Text library to implement an algorithm capable of analyzing and predicting the evolution of each patient. In this way, it is possible to have a system that, through the history of health and data collected from the patient, enables physicians to easily detect a cardiac problem that the patient might have.