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

Resumo

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.