Classificação Automática de ECG em Dispositivos Móveis

Jose Vigno Moura Sousa, Vilson Rosa de Almeida, Aratã Andrade Saraiva, Pedro Mateus Cunha Pimentel, Luciano Lopes de Sousa

Abstract


Neste trabalho é proposto um novo método para classificar sinais de eletrocardiograma em dispositivos móveis que pode classificar diferentes arritmias de acordo com o padrão EC57 da Association for the Advancement of Medical Instrumentation. Uma rede neural convolucional foi construída, treinada e validada com o conjunto de dados de arritmia MIT-BIH, em que essa base de dados possui 5 classes diferentes: batimento normal, batimento supraventricular prematuro, contração ventricular prematura, fusão de batimento ventricular, normal e batimento inclassificável. Depois de treinado e validado, o modelo é submetido a um estágio de quantização pós-treinamento usando o método de conversão TensorFlow Lite. Os resultados obtidos foram satisfatórios, antes e após a quantização, a rede neural convolucional obteve uma acurácia de 98,5 %. Com a técnica de quantização foi possível obter uma redução significativa no tamanho do modelo, possibilitando assim o desenvolvimento do aplicativo móvel, essa redução foi de aproximadamente 90 % em relação ao tamanho do modelo original.

Palavras-chave: ECG, Quantização, CNN, Móvel.

Automatic ECG Classification on Mobile Devices

In this work, a new method is proposed to classify electrocardiogram signals in mobile devices that can classify different arrhythmias according to the EC57 standard of the Association for the Advancement of Medical Instrumentation. A convolutional neural network was built, trained and validated with the MIT-BIH arrhythmia data set, in which this database has 5 different classes: normal beat, premature supraventricular beat, premature ventricular contraction, ventricular beat fusion, normal and unclassifiable beat. After being trained and validated, the model is submitted to a post-training quantization stage using the TensorFlow Lite conversion method. The results obtained were satisfactory, before and after quantization, the convolutional neural network obtained an accuracy of 98.5%. With the quantization technique it was possible to obtain a reduction in the size of the model, thus enabling the development of the mobile application, this reduction was approximately 90% in relation to the size of the original model.

 

Keywords: ECG, Quantization, CNN,  Mobile.


Full Text: PDF

Refbacks

  • There are currently no refbacks.