ads:
DIOGO SCOLARI
ESTUDO E DESENVOLVIMENTO DE ALGORITMOS PARA O
RECONHECIMENTO DE ARRITMIAS CARDÍACAS
Dissertação submetida ao Programa de Pós-Graduação em
Engenharia Elétrica como parte dos requisitos para
obtenção do grau de Mestre em Engenharia Elétrica
Orientador: Doutor Rubem Dutra Ribeiro Fagundes
Porto Alegre
2007
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
2
Dedicatória
Dedico este trabalho a todas as pessoas que amo.
ads:
3
Agradecimentos
Aos meus pais Luiz Marcos Scolari e Ana Maria Seibel Scolari, e irmãs Juliana
Scolari e Natali Scolari por terem muito se dedicado a mim nestes vinte e sete anos.
À minha namorada Daniela Ramos Ferreira, por sua simpatia e alegria.
À Lia, por seu esforço constante.
Ao Professor Dr. Fernando Comparsi de Castro e à Professora Dra. Maria Cristina
Fellipeto de Castro, por sua contribuição em redes neurais.
Ao excelente médico cardiologista Luciano Beylouni Annerl, por
muito me auxiliar nesta área.
Ao meu orientador, Professor Dr. Rubem Dutra Ribeiro Fagundes, por ter retirado
a venda de meus olhos no que se diz Processamento
Digital de Sinais e também ótimo conselheiro pessoal e profissional.
Aos meus amigos e colegas de trabalho.
À Instramed, seus funcionários e seu diretor Dealmo Marckmann, por sua ajuda
financeira e excelente profissionalismo.
A Deus, pois sem Ele nada disso seria possível.
Diogo Scolari
4
“O número é de todas as coisas que há no mundo a menos
exacta, diz-se quinhentos tijolos, diz-se quinhentos homens,
e a diferença que há entre tijolo e homem é a
diferença que se julga não haver entre
quinhentos e quinhentos.”
José Saramago (Memorial do Convento)
“É mais fácil desintegrar um átomo
do que um preconceito.”
Albert Einstein
5
RESUMO
O presente trabalho tem por objetivo o estudo de algoritmos para o reconhecimento
de arritmias cardíacas. Para tanto, fez-se uma análise detalhada de dois algoritmos: HMM
(Hidden Markov Model) e rede neural artificial do tipo RBF (Radial Basis Function), com a
finalidade de reconhecer três arritmias e o ritmo normal.
As arritmias que foram utilizadas na pesquisa são: a Fibrilação Atrial, a Taquicardia
Ventricular e a Fibrilação Ventricular. Tais arritmias foram selecionadas pela necessidade de
desfibrilação elétrica imediata na Taquicardia Ventricular e na Fibrilação Ventricular e pelo
fato da Fibrilação Atrial ser a arritmia de maior incidência na população mundial.
A necessidade de reconhecimento de arritmias pode ser vista em equipamentos DEA
(Desfibriladores Externos Automáticos), utilizados para reconhecer e reverter a parada
cardíaca em locais fora de ambientes hospitalares. Estes equipamentos estão sendo cada vez
mais utilizados em vários países, como uma tentativa de diminuir o índice de mortalidade.
Primeiramente, foi feito um estudo teórico sobre o coração, analisando as
características de cada tipo de arritmia, a fim de poder identificá-las. Os pacientes foram
selecionados no banco de dados de sinais biológicos, PhysioNet, para coleta de dados. Após
isso, foi feita uma análise teórica detalhada dos sistemas de reconhecimento e em seguida,
passou-se a gerar resultados a partir da comparação entre os algoritmos e suas precisões. Para
atingir tais resultados, foi elaborada uma metodologia específica de pesquisa. Ao final, foi
possível constatar que ambos algoritmos apresentam bom desempenho no reconhecimento das
arritmias cardíacas, bem como também foi possível expor as características de desempenho de
cada um dos sistemas.
Palavras Chave: Reconhecimento – Arritmias Cardíacas - Eletrocardiograma (ECG) - Redes
Neurais Artificiais (RNA) - Radial Basis Function (RBF) - Hidden Markov Models (HMM) -
Fibrilação Atrial - Taquicardia Ventricular - Fibrilação Ventricular.
6
ABSTRACT
The purpose of this work is studying the algorithms that can recognize cardiac
arrhythmias. In this sense, a detailed analysis of two algorithms was made: HMM (Hidden
Markov Model) and RBF (Radial Basis Function) artificial neural network, with the aim of
recognizing three arrhythmias and the regular rhythm.
The arrhythmias used for this research are: Atrial Fibrillation, Ventricular Tachycardia
and Ventricular Fibrillation. They were selected by the following reasons: due to the need for
immediate eletric defibrillation in Ventricular Tachycardia and Ventricular Fibrillation, and to
the fact that the Atrial Fibrillation is the most incident in the world's population.
The need for recognition of arrhythmias can be seen in AED (Automatic External
Defibrillator) equipments, which is utilized to recognize and reverse the cardiac arrest in areas
outside the hospitals environments. These pieces of equipment are being increasingly utilized
by many countries, as an atempt to diminish mortality rates.
Firstly, the heart was studied theoretically and the characteristics of each arrhythmia
were analysed, in order to identify them. Secondly, pacients were selected in the biological
signal database, PhsysioNet, for collecting data. After that, the results were generated by the
comparison between the algorithms and their precisions. Finally, it was possible to confirm
that both algorithms present good performance in the recognition of cardiac arrhythmias and
was possible to reveal performance characteristics of both systems that corroborate the
purpose of this work.
Keywords: Recognition – Cardiac Arrhythmias – Electrocardiogram (ECG) – Artificial
Neural Networks (ANN) – Radial Basis Function (RBF) – Hidden Markov Models (HMM) –
Atrial Fibrillation – Ventricular Tachycardia – Ventricular Fibrillation.
7
SUMÁRIO
INTRODUÇÃO................................................................................................................ 15
Objetivos............................................................................................................................ 16
Justificativas....................................................................................................................... 16
1 SISTEMA CARDIOVASCULAR............................................................................... 17
1.1 Nodo Sinusal................................................................................................................ 19
1.2 Sinal Cardíaco e Complexo QRS ................................................................................. 19
1.3 Derivações..................................................................................................................... 20
1.4 Arritmias Cardíacas...................................................................................................... 23
1.4.1 Taquicardia Sinusal....................................................................................... 23
1.4.2 Bradicardia Sinusal....................................................................................... 23
1.4.3 Extrassístoles................................................................................................. 24
1.4.3.1 Extrassístole Atrial..................................................................................... 24
1.4.3.2 Extrassístole Juncional ou Nodal............................................................... 24
1.4.3.1 Extrassístole Ventricular............................................................................ 25
1.4.4 Taquicardia Atrial......................................................................................... 25
1.4.5 Taquicardia Supraventricular........................................................................ 25
1.4.6 Fibrilação Atrial............................................................................................ 26
1.4.7 Flutter Atrial.................................................................................................. 26
1.4.8 Taquicardia Ventricular................................................................................. 27
1.4.9 Fibrilação Ventricular.................................................................................... 28
1.4.10 Assistolia...................................................................................................... 28
2 DESFIBRILACAO ELÉTRICA................................................................................. 29
2.1 Conceito....................................................................................................................... 29
2.2 Consequências da Desfibrilação.................................................................................. 30
2.3 Arritmias onde Desfibrilação é Adequada.................................................................... 30
3 PROCESSAMENTO DE SINAIS............................................................................... 31
3.1 Aquisição de sinais...................................................................................................... 32
3.1.1 Tensões.......................................................................................................... 32
3.1.2 Faixa de Freqüências..................................................................................... 32
3.1.3 Frequência de Amostragem........................................................................... 32
3.1.4 Filtros Digitais............................................................................................... 33
3.1.5 Distorção de Forma de Onda causada pelos Filtros FIR e IIR...................... 35
3.2 Extração de Parâmetros................................................................................................ 36
3.2.1 Quantizacao Vetorial..................................................................................... 36
3.2.2 Algoritmo K-Means...................................................................................... 37
8
3.2.3 Algoritmo LBG............................................................................................. 38
3.2.4 Método de Busca da Quantização Vetorial................................................... 39
3.3 Reconhecimento de Padrões........................................................................................ 40
3.4 Cadeias de Markov de Tempo Discreto....................................................................... 40
3.5 Modelos de Markov Ocultos........................................................................................ 43
3.5.1 Parâmetros de um modelo HMM discreto.................................................... 43
3.5.2 Os três problemas básicos de HMM............................................................. 45
3.6 Redes Neurais Artificiais............................................................................................. 53
3.6.1 Formas de Treinamento................................................................................. 53
3.6.2 O Neurônio Biológico e o Perceptron........................................................... 55
3.6.3 Lei de Aprendizado do Perceptron................................................................ 60
3.6.4 Curva de Erro e Razão de Aprendizado........................................................ 63
3.6.5 Redes RBF.................................................................................................... 63
3.6.6 Padronização................................................................................................. 69
4 PROPOSTA DE TRABALHO.................................................................................... 70
5 METODOLOGIA......................................................................................................... 73
5.1 Base de Dados.............................................................................................................. 73
5.2 Reconhecimento Automático de Arritmias Cardíacas................................................. 74
5.3 Preparação do banco de dados..................................................................................... 74
5.4 Preparação dos Codebooks para HMM Discreto......................................................... 75
5.5 Preparação do Treino de HMM Discreto..................................................................... 76
5.6 Preparação do Treino da RBF...................................................................................... 77
6 RESULTADOS.............................................................................................................. 80
6.1 Resultados com HMM.................................................................................................. 88
6.2 Resultados com Redes Neurais RBF ............................................................................ 85
7 CONCLUSÕES............................................................................................................. 88
8 TRABALHOS FUTUROS............................................................................................ 92
9 REFERÊNCIAS............................................................................................................. 93
9
Lista de Figuras
Figura 1: Fisiologia do Coração......................................................................................... 18
Figura 2: Sinal Cardíaco e Complexo QRS....................................................................... 19
Figura 3: Triângulo de Einthoven...................................................................................... 20
Figura 4: Derivada I – Capta o diferencial de potencial elétrico entre os eletrodos BD –
BE...................................................................................................................................... 20
Figura 5: Derivada II – Capta o diferencial de potencial elétrico entre os eletrodos BD –
PE....................................................................................................................................... 21
Figura 6: Derivada III – Capta o diferencial de potencial elétrico entre os eletrodos BE –
PE....................................................................................................................................... 21
Figura 7: Derivações AVR, AVL e AVF........................................................................... 21
Figura 8: Derivações precordiais....................................................................................... 22
Figura 9: Taquicardia Sinusal............................................................................................ 23
Figura 10: Bradicardia Sinusal........................................................................................... 23
Figura 11: Extrassístole Atrial........................................................................................... 24
Figura 12: Extrassístole Juncional ou Nodal..................................................................... 24
Figura 13: Extrassístole Ventricular.................................................................................. 25
Figura 14: Taquicardia Atrial............................................................................................ 25
Figura 15: Taquicardia Supraventricular........................................................................... 26
Figura 16: Fibrilação Atrial............................................................................................... 26
Figura 17: Flutter Atrial..................................................................................................... 27
Figura 18: Taquicardia Ventricular.................................................................................... 27
Figura 19: Fibrilação Ventricular....................................................................................... 28
Figura 20: Assistolia.......................................................................................................... 28
Figura 21: Diagrama de Blocos de um Sistema de Processamento de Sinais e
Reconhecimento de Padrões.............................................................................................. 31
Figura 22: Estrutura de um Filtro FIR na forma direta...................................................... 33
Figura 23: Ganho e Fase de um filtro FIR passabanda de 2 Hz a 40 Hz........................... 34
Figura 24: FFT (Fast Fourier Transform) de sinais de ECG sem filtro e com filtro FIR
passabanda de 2 Hz a 40 Hz.............................................................................................. 34
Figura 25: Distorção de forma de onda de um filtro IIR butterworth passa-banda de ordem
4 de 2 Hz a 40 Hz comparada com um filtro FIR passa-banda de ordem 100 de 2Hz a 40
Hz....................................................................................................................................... 35
10
Figura 26: Exemplo de Quantização Vetorial em duas dimensões.................................... 36
Figura 27: Modelo Ergódico de HMM.............................................................................. 40
Figura 28: Modelo Ergódico de um HMM para Chuva, Nublado e Sol............................ 41
Figura 29: Exemplo de estrutura de HMM......................................................................... 43
Figura 30: Algoritmo Forward........................................................................................... 47
Figura 31: Algoritmo de Viterbi........................................................................................ 50
Figura 32: Estrutura de Treinamento e Teste de HMM..................................................... 52
Figura 33: Diagrama de Blocos de um sistema de rede neural.......................................... 53
Figura 34: Neurônio Biológico.......................................................................................... 55
Figura 35: Potencial de ação representado pelo potencial de membrana no axônio de um
neurônio típico.
n
T é a duração do impulso nervoso,
a
T é o período de refração absoluta e
r
T
o período de refração relativa........................................................................................ 57
Figura 36: Relação entre a freqüência de pulsos de um neurônio e a intensidade do estímulo
de longa duração................................................................................................................ 58
Figura 37: Neurônio artificial ou Perceptron..................................................................... 58
Figura 38: Funções de Ativação........................................................................................ 59
Figura 39: Grafo de fluxo de sinal do Perceptron.............................................................. 61
Figura 40: Curva de erro.................................................................................................... 63
Figura 41: Mapeamento do domínio X para o intervalo Y................................................ 64
Figura 42: Funções de Base Radial.................................................................................... 66
Figura 43: Estrutura de uma rede RBF.............................................................................. 66
Figura 44: Estrutura de Reconhecimento de Padrões do HMM........................................ 71
Figura 45: Estrutura de Reconhecimento de Padrões da RBF........................................... 71
Figura 46: Gráfico de Ocupação de um codebook de 32 centróides.................................. 75
Figura 47: 80 iteracões de um HMM de 5 estados e VQ de 32, que mostram um ponto
ótimo em 5 iterações........................................................................................................... 76
Figura 48: Figura com três Gaussianas como exemplo ilustrativo.................................... 78
Figura 49: VMSE por número de iterações de uma RBF treinada para Ritmo Normal com 4
curvas gaussianas............................................................................................................... 79
Figura 50: Gráfico em colunas dos resultados dos HMMs com VQ de 32 centróides...... 82
Figura 51: Gráfico em colunas dos resultados dos HMMs com VQ de 64 centróides....... 83
Figura 52: Gráfico em colunas dos resultados dos HMMs com VQ de 128 centróides..... 84
Figura 53: Gráfico em colunas dos resultados dos modelos RBF...................................... 85
11
Figura 54: Comparação em gráfico em colunas dos melhores resultados de HMM e dos
melhores resultados de RBF.............................................................................................. 86
Figura 55: Comparação em gráfico em colunas dos piores resultados de HMM e dos piores
resultados de RBF............................................................................................................ 86
Figura 56: Comparação entre HMM de 5 estados e VQ de 64 centróides com a RBF de 4
Gaussianas na Fibrilação Atrial........................................................................................ 89
Figura 57: Resultados da RBF para Fibrilação Ventricular.............................................. 90
Figura 58 A: Fibrilação Atrial............................................................................................ 90
Figura 58 B: Fibrilação Ventricular.................................................................................... 90
12
Lista de Tabelas
Tabela 1: Definição de TP, FN, FP, TN............................................................................ 80
Tabela 2: Resultados de HMM com VQ de 32 centróides e 5, 6 e 7 estados.................... 81
Tabela 3: Resultados de HMM com VQ de 64 centróides e 5, 6 e 7 estados.................... 83
Tabela 4: Resultados de HMM com VQ de 128 centróides e 5, 6 e 7 estados.................. 84
Tabela 5: Resultados da Rede Neural RBF com 4, 6, 8 e 10 gaussianas........................... 85
13
Lista de Acrônimos
A/D – Conversor Analógico Digital.
AAMI –
Association for the Advancement of Medical Instrumentation
.
AED –
Automatic External Defibrillator
.
AHA –
American Heart Association
.
ANN –
Artificial Neural Network
.
AV – Nodo Átrio – Ventricular.
AVF –
Augmented Vector Foot
.
AVL –
Augmented Vector Left
.
AVR –
Augmented Vector Right
BD – Braço Direito.
BE – Braço Esquerdo.
BPM – Batimentos por Minuto.
DEA – Desfibrilador Externo Automático.
DF-38 e DF-39 – Padrões desenvolvidos pela AAMI para desfibriladores.
ECG – Eletrocardiograma.
FFT –
Fast Fourier Transform
.
FIR –
Finite Impulse Response
.
FN – Falso Negativo.
FP – Falso Positivo.
FV – Fibrilação Ventricular.
HMM –
Hidden Markov Models
.
IA – Inteligência Artificial.
IIR –
Infinite Impulse Response
.
LBG –
Linde Buzo Gray
.
LMS –
Least Mean Square
.
MIT –
Massachusetts Institute of Technology
.
PD – Perna Direita.
PE – Perna Esquerda.
QRS – Complexo formado pelas ondas eletrocardiográficas Q, R e S.
RBF –
Radial Basis Function
.
RCP – Ressuscitação cardio pulmonar.
RNA – Rede Neural Artificial.
14
TV – Taquicardia Ventricular.
VMSE –
Validation Mean Square Error
.
VN – Verdadeiro Negativo.
VP – Verdadeiro Positivo.
VQ –
Vector Quantization
.
15
INTRODUÇÃO
Hoje em dia, a realidade nos mostra que a população vem sofrendo sérios danos à
saúde em razão de vários fatores. Ocorre que o estresse, o sedentarismo, a má alimentação,
entre outros, contribuem para o alto índice de problemas cardíacos. Em razão disso, as
pesquisas médica e farmacêutica vêm sendo alvos constantes de enormes investimentos
financeiros por parte de grandes indústrias e governos. Todas essas grandes pesquisas visam
proporcionar uma melhor qualidade de vida às pessoas, minimizando os danos gerados pelos
fatores acima referidos.
Cabe ressaltar que, em função de todos os aspectos mencionados, as pesquisas
médicas e de engenharia na área de cardiologia estão continuamente em desenvolvimento.
Destaca-se a área de diagnósticos que visa, principalmente, a rapidez na detecção de doenças
cardíacas e em muitas vezes sem a necessidade imediata do médico ou enfermeiro em
ambientes hospitalares ou até fora deles.
Os meios para o auxílio ao diagnóstico são muitos, entre eles podem ser citados os
sistemas de I. A. (Inteligência Artificial), uma vez que possuem alta capacidade de
aprendizagem e são poderosas ferramentas utilizadas como reconhecedores de padrões,
preditores de sinais, etc.
No 1º capítulo, o trabalho aborda o sistema cardiovascular, explicando o
eletrocardiograma, apresentando as principais arritmias e suas diferenças. No 2º capítulo é
apresentado o conceito de desfibrilação elétrica, e quando ela é necessária. Por seguinte, no 3º
capítulo, é feita uma abordagem teórica em processamento de sinais incluindo os
reconhecedores utilizados, no caso HMM e RBF. No 4º capítulo é explanada a proposta deste
trabalho, para que fique claro os objetivos. No 5º capítulo é abordada a metodologia, junto
com a base de dados, arritmias utilizadas, preparação dos reconhecedores, etc. Finalmente, no
6º capítulo, são apresentados os resultados, medidas e diferenças entre os sistemas
reconhecedores, etc.
16
Objetivos
Este trabalho tem como objetivo principal um estudo e desenvolvimento de sistemas
de reconhecimento automático de arritmias cardíacas utilizando-se dos algoritmos
reconhecedores de padrões HMM (
Hidden Markov Model
) e RBF (
Radial Basis Functions
).
No que tange aos objetivos específicos, destacam-se: analisar teoricamente o coração no
intuito de identificar os tipos de arritmias (Fibrilação Atrial, Taquicardia Ventricular e
Fibrilação Ventricular) e suas características principais; selecionar os pacientes para coleta de
dados, que foram adquiridos do banco de dados de sinais biológicos, PhysioNet [1] e gerar e
analisar os resultados obtidos pela metodologia empregada nesta pesquisa.
Justificativas
A AHA (American Heart Association) estima que somente nos Estados Unidos cerca
de 250.000 pessoas morrem por ano devido a ataques cardíacos. Destes, cerca de 10.000
pessoas poderiam ser salvas se tivessem recebido imediatamente tratamento de desfibrilação
elétrica [2]. Destaca-se que os equipamentos DEA (Desfibriladores Externos Automáticos)
são projetados para serem utilizados por pessoas com pouco treinamento em ressuscitação
cardio pulmonar, podendo os DEAs serem encontrados em locais de grande população, como
por exemplo, ao lado de extintores de incêndio [2]. Estes equipamentos analisam o ritmo
cardíaco para identificar se existem arritmias que necessitam de desfibrilação imediata
(Taquicardia Ventricular e Fibrilação Ventricular) [3], estes, portanto, justificam a relevância
de um reconhecedor de padrões [4, 5, 6, 7].
Além disso, existem outros equipamentos comerciais para diagnóstico de arritmias
cardíacas capazes de reconhecer não somente aquelas que necessitam de desfibrilação elétrica
imediata, mas também outras arritmias, expandindo o leque de diagnósticos e auxiliando
profissionais de ambientes hospitalares a tomarem decisões com uma maior agilidade.
Em virtude de tais aspectos, conclui-se que a presente pesquisa apresenta sua
relevância teórica e prática, uma vez que, cada vez mais, estes equipamentos são necessários,
principalmente para a redução da taxa de mortalidade e agilidade nos diagnósticos.
17
1 SISTEMA CARDIOVASCULAR
O coração, também chamado de miocárdio é um órgão muscular oco que se localiza
sob o osso esterno, ligeiramente deslocado para a esquerda. Em uma pessoa adulta, tem o
tamanho aproximado de um punho fechado e pesa cerca de 400 gramas. É constituído de três
músculos cardíacos principais: Músculo Atrial, Músculo Ventricular e Fibras Musculares
excitatórias/condutoras [8].
Existe no coração quatro câmaras: dois átrios e dois ventrículos. Os átrios são
divididos em átrio direito e esquerdo e tem a função de receber o sangue proveniente das
veias cavas e da veia pulmonar e enviá-los ao ventrículo. Os ventrículos que também são
divididos em direito e esquerdo tem a função de receber sangue dos átrios e enviá-los ao que
chamamos de pequena circulação (sistema pulmonar) e grande circulação (sistema
circulatório), onde acontecerão as trocas através dos capilares [8].
Entre o átrio direito e o ventrículo direito encontra-se a válvula tricúspide e entre o
átrio esquerdo e o ventrículo esquerdo tem-se a válvula bicúspide ou mitral. Entre o átrio
esquerdo e a veia pulmonar encontra-se a válvula pulmonar e entre o ventrículo esquerdo e a
artéria aorta encontra-se a válvula aórtica Estas válvulas têm a função de reter sangue,
produzir pressão e evitar refluxo de sangue [8, 9].
18
Figura 1: Fisiologia do coração [10]
O ciclo cardíaco começa com um impulso elétrico no nodo sinusal (fibra muscular)
que se propaga através dos átrios até o nodo Átrio-Ventricular (Nodo AV). Neste meio tempo
o átrio esquerdo recebe sangue oxigenado através das veias pulmonares e passa o fluxo para o
ventrículo esquerdo. O átrio direito recebe sangue venoso através da veia cava superior e
inferior repassando o fluxo para o ventrículo direito. As válvulas tricúspide e mitral estão
abertas e as válvulas pulmonar e arterial estão fechadas [10].
Para que ocorra tempo suficiente dos átrios se contraírem antes dos ventrículos (existe
uma contração final dos átrios, pois o enchimento de sangue nos ventrículos faz com que a
pressão aumente forçando o átrio a uma contração para conseguir fechar as válvulas tricúspide
e mitral), ocorre um atraso de um décimo de segundo no nodo AV. O sinal elétrico propaga-se
pelas fibras de Purkinje que excitam todas as partes dos ventrículos. Após a contração dos
átrios, as válvulas pulmonar e aórtica se abrem devido ao aumento de pressão nos ventrículos.
Os ventrículos então se contraem enviando sangue para o sistema pulmonar e circulatório [8,
10, 11, 12].
19
A contração do miocárdio é chamada de sístole e o relaxamento do mesmo é chamado
de diástole
1.1 Nodo Sinusal
O nodo sinusal encontra-se no átrio direito e é responsável pelo ritmo do coração,
também considerado como um marcapasso natural. É o que da início a cadeia de estimulação
elétrica do coração com um potencial de ativação [10, 11, 12, 13].
1.2 Sinal Cardíaco e Complexo QRS
O eletrocardiograma mostrado na figura 2 é formado por um conjunto de ondas: onda
P, Q, R, S, T. A onda P corresponde à despolarização dos átrios (contração) com
aproximadamente 0.1 segundos e com uma tensão de 0.1 a 0.3 mV. As ondas QRS também
chamadas de Complexo QRS correspondem a despolarização dos ventrículos (contração) com
uma duração de 0.1 segundos e uma tensão em torno de 1mV. Também no complexo QRS se
encontra a repolarização dos átrios (relaxamento), mas com uma intensidade muito menor,
ficando assim invisível. A onda T corresponde a repolarização dos ventrículos com
aproximadamente 0.2 segundos e uma tensão em torno de 0.2 mV [8, 10, 13].
Raramente se encontra um onda U que representa uma repolarização lenta dos
músculos papilares dos ventrículos (músculos que se contraem impedindo a retorno de sangue
aos átrios) [13].
Figura 2: Sinal Cardíaco e Complexo QRS [11]
20
1.3 Derivações
Na eletrocardiografia prática, aceita-se como verdadeiras as seguintes proporções:
- O tronco humano é uma esfera homogênea, de tamanho infinito.
- O coração está no centro, ocupando o tamanho de um ponto.
Figura 3: Triângulo de Einthoven [11]
Assim, o conceito de Triângulo de Einthoven mostrado na figura 3 pressupõe que a
união das extremidades (braços e pernas) forma um triângulo, e que o coração, considerado
um ponto, ocupe o centro do triângulo e da esfera (tronco) [11]. Nas derivações I, II e III
mostradas na figura 4, 5 e 6 respectivamente, mostram as ondas cardíacas captadas por meio
de eletrodos colocados no braço direito (BD), no braço esquerdo (BE) e na perna esquerda
(PE). Há ainda um quarto eletrodo, que é colocado na perna direita (PD) para funcionar como
terra, e não captar o fluxo elétrico das ondas cardíacas [11].
Figura 4: Derivada I– Capta o diferencial de potencial elétrico entre os eletrodos BD–BE[11]
21
Figura 5: Derivada II–Capta o diferencial de potencial elétrico entre os eletrodos BD–PE[11].
Figura 6:Derivada III–Capta o diferencial de potencial elétrico entre os eletrodos BE–PE[11].
As derivações AVR (
Augmented Vector Right
), AVL (
Augmented Vector Left
) e AVF
(
Augmented Vector Foot
) mostradas na figura 7, também são periféricas, só que modificadas
(amplificadas). Nelas permanecem colocados os eletrodos no BD (AVR), no BE (AVL) e na
PE (AVF), porém com tensão amplificada.
Figura 7: Derivações AVR, AVL e AVF [11]
22
Existem também as derivações precordiais mostradas na figura 8, registradas a partir
de seis diferentes pontos do tórax, próximos da localização do coração. Apesar de muito
próximas, cada uma dessas derivações também apresentam um padrão eletrocardiográfico
próprio, que decorre da variação da posição dos eletrodos, colocados em sucessão da direita
para a esquerda (de V1 a V6) [11].
Figura 8: Derivações precordiais [11]
A derivação mais utilizada é a Derivada II, ou D2, que está praticamente em todos os
eletrocardiogramas do nosso banco de dados e que por esta razão foi escolhida neste trabalho.
23
1.4 Arritmias Cardíacas
Arritmias cardíacas são aquelas formas de onda diferentes da forma original de um
ECG. Mostraremos aqui as arritmias cardíacas mais usuais.
1.4.1 Taquicardia Sinusal
É a freqüência cardíaca normal com um ritmo elevado, acima de 120 bpm (Batimentos
por Minuto). O ECG é normal com todas as ondas aparecendo. Crianças podem ter
taquicardia sinusal, pessoas fazendo exercício, ansiedade, emoções [10, 11, 14].
Figura 9: Taquicardia Sinusal [11]
1.4.2 Bradicardia
É a frequência cardíaca normal em um ritmo muito baixo, abaixo de 60 bpm. O ECG é
normal com todas as ondas aparecendo. Atletas geralmente têm bradicardia e qualquer pessoa
durante o sono. Quando acentuada pode causar tonturas [10, 11, 13, 14].
Figura 10: Bradicardia Sinusal [11]
24
1.4.3 Extrassístoles
Batimentos precoces que se originam fora do marcapasso sinusal. Será mostrado a
seguir os tipos de extrassístoles.
1.4.3.1 Extrassístole Atrial
Onda P’ de morfologia diferente da onda P sinusal ocorrendo antes do batimento
esperado. O complexo QRS geralmente é normal. Comum em pessoas normais, desencadeada
por tensão emocional, excesso de cafeína, bebidas alcoólicas [11, 13].
Figura 11: Extrassístole Atrial [11]
1.4.3.2 Extrassístole Juncional ou Nodal
Ritmo irregular, aparecendo onda P’ negativa, pois ocorre despolarização atrial
retrógrada. Bem menos comum que a extrassístole atrial, também desencadeada por tensão
emocional, café, fumo, álcool [11, 13].
Figura 12: Extrassístole Juncional ou Nodal [11]
25
1.4.3.3 Extrassístole Ventricular
Batimento precoce que se origina nos ventrículos, tendo ritmo irregular, onda P sinusal
geralmente está oculta pelo QRS alargado da extrassístole. Muito comum em pessoas normais
e não tem prognóstico [11, 13].
Figura 13: Extrassístole Ventricular [11]
1.4.4 Taquicardia Atrial
Ritmo com seqüência cardíaca acima de 100 bpm, precedido por onda P’ com
morfologia e polaridade diferentes da onda P sinusal e seguidos de complexos QRS. Ocorre
em pessoas normais [10, 11].
Figura 14: Começo de Taquicardia Atrial [14]
1.4.5 Taquicardia Supraventricular
Taquicardia com QRS estreito, regular, sem ondas P precedendo o QRS e com
freqüência cardíaca entre 120 bpm e 220 bpm. Ocorre em pessoas normais e em cardiopatias
diversas [10, 11].
26
Figura 15: Taquicardia Supraventricular [14]
1.4.6 Fibrilação Atrial
É a arritmia clinicamente significante mais comum, com prevalência em 0,4% da
população geral. Os átrios despolarizam-se 400 a 700 vezes por minuto. Temos ausência da
onda P e oscilação, ou também serrilhado, na linha base, assim como também variação de
tempo nos intervalos R-R [11, 13].
Figura 16: Fibrilação Atrial [14]
1.4.7 Flutter Atrial
O flutter é uma arritmia restrita ao átrio direito. As ondas P’ são iguais pois têm
origem no mesmo foco ectópico, mas não são ondas P verdadeiras. Assemelha-se a dentes de
serra, sua principal característica.
27
Figura 17: Flutter Atrial [14]
1.4.8 Taquicardia Ventricular
É a ocorrência de 3 ou mais batimentos de origem ventricular com freqüência acima
de 120 bpm. Está associado a cardiopatias graves. Pode levar a uma fibrilação ventricular. A
Taquicardia Ventricular com instabilidade hemodinâmica ou a Taquicardia Ventricular sem
pulso aparente, deve ser tratada imediatamente, caracterizando parada cardíaca [10, 11, 12,
13, 14].
Figura 18: Taquicardia Ventricular [11]
28
1.4.9 Fibrilação Ventricular
Parada cardíaca. Atividade contrátil cessa e o coração apenas tremula. Não há pulso
nem batimento cardíaco. Presente em 85% dos ECGs de parada cardíaca [13]. Tem um ritmo
irregular sem ondas P, QRS ou T. Cada minuto de demora para desfibrilar equivale a perda de
10% de chance de reverter a situação [10, 11, 13, 14].
Figura 19: Fibrilação Ventricular [14]
1.4.10 Assistolia
É a ausência de ritmo sinusal e atividade elétrica [10, 11, 13, 14].
Figura 20: Assistolia [14]
29
2 DESFIBRILAÇÃO ELÉTRICA
2.1 Conceito
As referências históricas das manobras de reanimação datam da Antigüidade. O
primeiro relato de sucesso em RCP (Reanimação Cardiopulmonar) encontra-se na Bíblia,
quando o profeta Elias reanimou o filho da viúva de Sarepta, no primeiro livro dos Reis
17:17-22. Esta descrição antecede a reanimação que Eliseu, discípulo de Elias, realiza no filho
da mulher Sunamita, narrada no segundo Livro dos Reis 4:34-35 [16].
Outros relatos esporádicos ocorreram através da história, entre os quais o uso da
flagelação com o açoite, trotar sobre um cavalo com a vítima debruçada sobre este, rolar a
vítima sobre um barril e outros, todos sem qualquer base científica, porém com alguns relatos
de sucesso [16].
No século anterior surgiram vários métodos de ventilação e relatos na literatura, Hake
em 1874 e Keen em 1904, de sucesso, utilizando-se a massagem cardíaca interna. Crile e
Dolley em 1906 descreveram o método experimental de reanimação usando compressão
seqüêncial, ventilação artificial e o uso de adrenalina parenteral. Zoll em 1956 reverteu a
fibrilação ventricular através da desfibrilação elétrica, sem toracotomia (abertura do tórax).
Safar em 1958 publicou estudos sobre o controle das vias aéreas e ventilação boca a boca
[16].
A primeira reunião de consenso sobre RCP realizou-se com a participação da National
Academy of Sciences e da National Research Council dos Estados Unidos da América (EUA)
em 1966; a esta, outras sucederam-se. Apesar da diferença de infraestrutura entre os países
adotaram-se, quase que mundialmente, como referência para RCP, as recomendações da
American Heart Association (AHA) na conferência de 1992 [16, 17].
30
2.2 Consequências da Desfibrilação
A desfibrilação elétrica despolariza a maioria das células do coração, que
reestabilizam as contrações sincronizadas e o ritmo normal.
É comprovado hoje que, a cada descarga elétrica no músculo cardíaco, este tem seu
tempo de vida reduzido. E se ocorrer descarga elétrica na onda T, pode fortemente induzir a
uma fibrilação ventricular [9]. Por isso as descargas elétricas são dadas apenas quando
necessário. Outras conseqüências são:
- Aumento da Creatina Kinase (derivada da musculatura esquelética) – que em geral não
mascara o diagnóstico de infarto cardíaco[9].
- Alteração no nível de potássio intracelular após trauma elétrico, podendo contribuir
para a intratabilidade da fibrilação ventricular[9].
- Hipercalcemia após choques intensos repetitivos[9].
- Arritmias pós-desfibrilação[9].
- Assistolia ou parada cardíaca são raros mas podem ocorrer em distúrbios severos do
sistema de condução [9].
2.3 Arritmias onde Desfibrilação é Adequada
A desfibrilação elétrica é adequada em apenas duas arritmias: Taquicardia Ventricular
do tipo com instabilidade hemodinâmica ou do tipo sem pulso e Fibrilação Ventricular.
Outras arritmias não oferecem risco de vida imediato [9, 10, 11, 13, 14].
31
3 PROCESSAMENTO DE SINAIS
Figura 21: Diagrama de Blocos de um Sistema de Processamento de Sinais e
Reconhecimento de Padrões
Na figura 21 é mostrado um sistema de reconhecimento de padrões, onde pode-se ver
os seguintes blocos:
- Aquisição: Aquisição de sinais bioelétricos, digitalizados. Tendo em vista que é
necessário a amplificação do sinal, a existência de filtros analógicos
anti-aliasing
e
conversores A/D (Analógico Digital).
- Extração de Parâmetros: Técnicas de redução de dimensionalidade. No caso do
HMM, é utilizado a Quantização Vetorial. No caso da RBF, não é utilizado nenhuma técnica
de extração de parâmetros.
- Reconhecedor de Padrões: O algoritmo reconhecedor, composto de um modelo
para cada padrão a ser reconhecido. Neste projeto são quatro modelos: Ritmo Normal,
Fibrilação Atrial, Taquicardia Ventricular e Fibrilação Ventricular.
- Decisão: Sistema decisor. Tendo em vista que no bloco anterior existem quatro
modelos reconhecedores, um para cada padrão, cada um tendo um escore de saída, o bloco
decisor compara os escores de acordo com uma métrica, podendo ser a menor, e indica o
modelo vencedor. Este bloco será visto junto com o bloco reconhecedor de padrões.
32
3.1 Aquisição de sinais
Nesta seção são detalhados os componentes que fazem parte do bloco de aquisição de
sinais bioelétricos, mostrado na figura 21.
3.1.1 Tensões
A tensão medida diretamente nos eletrodos do paciente fica geralmente em torno de
1mV pico a pico, um sinal muito baixo, sendo necessário um circuito amplificador de boa
sensibilidade [11, 18, 19]. No PhysioNet, na digitalização, pode haver diferentes níveis de
quantização, de 12 bits, 14 bits, etc e diferentes níveis de amplificação. Para evitar esse
problema, utilizamos a normalização em amplitudes de 0 a 1.
3.1.2 Faixa de Freqüências
De acordo com a norma DF-39 e DF-80, disponibilizadas pela AAMI (Association for
the Advancement of Medical Instrumentation) para monitoramento do ECG do paciente, as
componentes principais são mostrados na faixa de 0.67Hz a 40Hz, enquanto monitoramento
para diagnóstico em várias derivações a faixa de freqüência vai de 0.05Hz até 150Hz, sempre
eliminando a freqüência de 50/60 Hz [20, 21].
3.1.3 Frequência de Amostragem
De acordo com o Teorema de Nyquist mostrada em 3.1-1, onde
S
F
é a freqüência de
amostragem e
MAX
F
é a freqüência máxima do sinal, e sabendo que a freqüência máxima do
sinal que queremos amostrar é 40Hz, então por conseqüência delimitamos nossa freqüência de
amostragem acima de 80Hz, escolhendo 250Hz, sabendo que no PhysioNet temos
eletrocardiogramas com diferentes freqüências de amostragem, como 125 Hz, 250 Hz e 360
Hz, sendo a mais comum 250 Hz [22].
MAXS
FF
2
>
(3.1 – 1)
33
3.1.4 Filtros Digitais
Foi utilizado um filtro do tipo FIR (Finite Impulse Response) passa-faixa nas
freqüências de corte de 2 Hz a 40 Hz com ordem 100 com a freqüência de amostragem de
250Hz.
Abaixo está a equação de diferenças de um filtro FIR:
∑
−
=
−=
1
0
)()(
M
k
k
knxbny
(3.1 – 2)
Ou sua equivalente na transformada z:
∑
−
=
−
=
1
0
)(
M
k
k
k
zbzH
(3.1 – 3)
Onde
k
b representa os coeficientes do filtro calculado,
k
z
−
representa o atraso de
k
amostras,
M
representa a ordem do filtro e
)(ny a saída do filtro, representado na forma
direta pela figura 22 [23]:
Figura 22:
Estrutura de um Filtro FIR na forma direta [24]
A estrutura do filtro FIR de M = 5, onde x(n) representa o sinal de entrada, y(n)
representa o sinal de saída, b0 até b4 os coeficientes do filtro e
1−
z
o atraso de 1 amostra [24].
A figura 23 mostra as características de ganho e fase de um filtro digital, no caso um
filtro FIR passabanda com as freqüências de corte de 2Hz a 40Hz; características essas que
determinam o uso de um filtro para a aplicação correspondente. A figura 24 mostra a FFT
(Fast Fourier Transform) de um sinal cardíaco normal não filtrado, e filtrado com o mesmo
filtro da figura 23, onde podemos perceber a atenuação a partir de 40 Hz.
34
0 20 40 60 80 100 120
-3000
-2500
-2000
-1500
-1000
-500
0
500
Frequency (Hz)
Phase (degrees)
0 20 40 60 80 100 120
-150
-100
-50
0
50
Frequency (Hz)
Magnitude (dB)
Figura 23:
Ganho e Fase de um filtro FIR passabanda de 2 Hz a 40 Hz.
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58 60 62 64 66 68 70
0
10
20
30
40
50
60
70
80
Sem Filtro
Frequencia (Hz)
Magnitude (dB)
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58 60 62 64 66 68 70
0
10
20
30
40
50
60
70
80
Com Filtros
Frequencia (Hz)
Magnitude (dB)
Figura 24:
FFT (Fast Fourier Transform) de sinais de ECG sem filtro e com filtro FIR
passabanda de 2Hz a 40 Hz.
35
3.1.5 Distorção de Forma de Onda causada pelos Filtros FIR e IIR
A escolha do filtro é muito importante, pois dependendo do filtro utilizado, temos
distorção de forma de onda, e devemos equilibrar a mesma com a atenuação do filtro. A
figura 25 mostra a distorção de forma de onda causada por um filtro FIR passabanda com
freqüências de corte de 2Hz a 40Hz com 100 coeficientes, comparada com um filtro do tipo
IIR butterworth de ordem 4 e freqüências de corte de 2Hz a 40Hz.
0 0.5 1 1.5 2 2.5 3
-6
-4
-2
0
2
4
6
8
10
x 10
-4
Filtro do tipo FIR
Tempo (s)
Amplitude (V)
0 0.5 1 1.5 2 2.5 3
-1
-0.5
0
0.5
1
x 10
-3
Filtro do tipo IIR
Tempo (s)
Amplitude (V)
Figura 25:
Distorção de forma de onda de um filtro IIR (Infinite Impulse Response)
butterworth passa-banda de ordem 4 de 2 Hz a 40 Hz comparada com um filtro FIR passa-
banda de ordem 100 de 2 Hz a 40 Hz.
36
3.2 Extração de Parâmetros
Este capítulo visa o estudo detalhado do bloco de extração de parâmetros, usado
exclusivamente neste trabalho para o HMM discreto.
3.2.1 Quantização Vetorial
Neste capítulo será analisada a técnica de extração de parâmetros para o algoritmo
reconhecedor HMM. A quantização vetorial, também chamada de Quantização de Blocos,
atua em vetores de N dimensões que se encontram em um determinado espaço vetorial
delimitado por células ou clusters. Essa limitação em células é feita a partir das
magnitudes
das distâncias euclidianas entre os vetores. Cada célula tem um vetor (code-vector) de N
dimensões representante, também chamado de centróide, e cada centróide é representado por
um código numérico de 1 a M, onde M é o número máximo de células que subdivide o nosso
espaço. Para treinar os M centróides N-dimensionais, ou seja, para poder dividir o espaço
vetorial em uma maneira ótima, podem ser aplicados 2 tipos de algoritmos de treinamento
baseados em distâncias euclidianas, o algoritmo K-means e o algoritmo LBG (Linde-Buzo-
Gray) que serão explicados adiante. Estes algoritmos fornecem uma tabela-código (codebook)
que contém todos os M centróides [25, 26].
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Figura 26:
Exemplo de Quantização Vetorial em duas dimensões
37
3.2.2 Algoritmo K-MEANS
Este algoritmo utiliza o critério da distorção média global, e se utiliza da seguinte
regra de Nearest Neighbor, chamando de
)(
•
q
a operação de quantização,
i
y
o i-ésimo
centróide do codebook e x o vetor a ser quantizado:
i
yxq
=
)(
, se e somente se
),(),(
ji
yxdyxd ≤
(3.2 – 1)
Onde a distância euclidiana num espaço p-dimensional é mostrada abaixo:
∑
=
−=
p
i
ii
yxyxd
1
2
)(),(
, para todo
i
j
≠
(3.2 – 2)
O algoritmo de k-means tem os seguintes passos [25]:
I. Inicialização
É escolhido um método para gerar os M centróides, podendo ser um método
randômico.
II. Recursão
1.
Classificar cada um dos vetores de treinamento em alguma célula usando a
regra de Nearest Neighbor, ou seja, o vetor que for mais próximo de um
centróide em termos de distância, pertencerá aquela célula correspondente.
2.
Computar a distorção média global por:
∑
=
=
T
n
nn
yxd
T
D
1
],[
1
(3.2 – 3)
Onde
n
y
é o code-vector representante de cada vetor
n
x
, e
T
é o número de
vetores de treino. A distorção média global pode ser considerada a média das distorções locais
de cada célula.
A atualização dos centróides é a média dos vetores de cada célula, ou seja:
∑
=
m
mi
x
m
y
1
1
(3.2 – 4)
Onde
m
é o número de vetores existentes em uma célula.
38
III. Término
Determinar a diferença entre a distorção média global obtida na iteração atual e a
obtida na iteração anterior e comparar a um limiar pré-estabelecido, ou quando atingir o
número de iterações estabelecido.
3.2.3 Algoritmo LBG
O algoritmo de Yoseph Linde, Andrés Buzo e Robert Gray é uma extensão do
algoritmo K-MEANS, gerando vários codebooks. O codebook inicial é formado por apenas
dois centróides correspondentes a duas células, então o algoritmo procede de forma similar ao
K-means. Em seguida, o algoritmo executa uma “divisão” de cada um dos centróides, gerando
um codebook de quatro centróides, que deverão ser atualizados e assim por diante [25].
O algoritmo procede, sendo que o número
M
de centróides deve ser escolhido com
base em
m
M
2
=
, onde
m
é um valor pré-definido.
I. Inicialização
É escolhido um método para gerar os
B=2
centróides iniciais, podendo ser um método
randômico.
II. Recursão
1. Classificar os vetores em células usando o método Nearest Neighbor.
2. Atualizar os centróides das células computando a distorção local de cada centróide e
a distorção média global.
3.Determinar a diferença entre a distorção média global, obtida na iteração atual com a
obtida na iteração anterior e compará-la a um limiar pré-estabelecido.
III.Término
4. Se
B
for menor que
M
: Acrescentar
B
novos centróides ao codebook, duplicando o
número de centróides e o número de células e retornar ao passo 2. Caso contrário: Termine.
39
A divisão do codebook se faz com um fator
γ
chamado de fator de perturbação (de
um valor típico de
2
10
−
), que determina uma pequena alteração nos centróides de todos os
agrupamentos a serem divididos, de acordo com o algoritmo abaixo [25]:
)1(
γ
−
=
+
nBn
yy
Bn
≤
≤
0
(3.2 – 5)
Onde
B
é o número de centróides da iteração.
3.2.4 Método de Busca da Quantização Vetorial
O método de busca exaustiva se faz por meio do cálculo da distância euclidiana do
vetor a cada centróide do codebook, determinando assim o centróide correspondente ao vetor,
visto que este deve ter a menor distância calculada entre todos os centróides do codebook.
40
3.3 Reconhecimento de Padrões
Nesta seção são descritos os sistemas de reconhecimento de padrões HMM discreto e
rede neural artificial do tipo RBF. Estes sistemas são usualmente utilizados na pesquisa e na
indústria com vários objetivos, entre eles o reconhecimento de padrões.
3.4 Cadeias de Markov de Tempo Discreto
Considere um sistema que pode ser descrito em qualquer tempo estando em um dos
N
estados indexados por {1,2,...,
N
}, conforme Figura 27 (onde
N
= 5). Em tempos discretos
regulares, o sistema sofre uma troca de estados (sendo possível permanecer no mesmo estado)
de acordo com um conjunto de probabilidades associadas ao estado. Os instantes de tempo
associados à troca de estados são denotados por
t
= 1,2,..., e é denotado o tempo
t
do estado
atual como
t
q
. Note que a expressão de probabilidade condicional
)|(
YXP
pode ser lida da
seguinte forma: “A probabilidade de ocorrer X, dado que ocorreu Y”. Para a descrição de
probabilidades totais do sistema, seria necessário a especificação do estado atual, assim como
de seus predecessores. Para o caso especial das Cadeias de Markov de primeira ordem, onde a
probabilidade em
t+1
depende somente do estado em
t
[25, 27], a dependência probabilística
é truncada, ficando apenas com os estados predecessores, ou seja:
Figura 27:
Modelo Ergódico de HMM [27]
]|[,...],|[
121
iqjqPkqiqjqP
ttttt
=
=
=
=
=
=
−−−
(3.4 – 1)
41
A equação (3.4-1) é também chamada de probabilidade de transição de estados, e é
denotada por
],|[
1
iqjqPa
ttij
=
=
=
−
Nji
≤
≤
,1
, (3.4 – 2)
com as seguintes propriedades,
∑
=
=
≥
N
j
ij
ij
a
a
1
1
0
, (3.4 – 3)
Tendo a forma matricial
=
iji
j
aa
aa
A
...
.........
...
1
111
,
Nji
≤
≤
,1
. (3.4 – 4)
O estado inicial do sistema é definido por
],[
1
iqP
i
=
=
π
Ni
≤
≤
1
. (3.4 – 5)
e a sequência de observações até o tempo t é denotada por
t
O .
Dada a cadeia de Markov acima, a probabilidade de ocorrer uma seqüência de
observações qualquer
,...,,
kji
xxxO
=
é dada por [27]:
...,...},,{)(
jkijikji
aaxxxPOP
π
=
=
(3.4 – 6)
Esse processo estocástico descrito acima, é chamado de Modelo de Markov
Observável, pois as saídas dos processos é o próprio conjunto de estados a cada instante de
tempo t, onde cada estado corresponde a um evento observável. Consideramos um simples
Modelo de Markov do clima visto na figura 28, onde assumimos que uma vez por dia, o clima
é observado em Chuva, Nublado e Sol, tendo os respectivos estados 1, 2 e 3.
Figura 28: Modelo Ergódico de um HMM para Chuva, Nublado e Sol [27].
42
As probabilidades de transição de estados, são definidas pela matriz A
==
8.01.01.0
2.06.02.0
3.03.04.0
}{
ij
aA
Então a probabilidade de que o clima de oito dias consecutivos seja “sol-sol-sol-
chuva-chuva-sol-nublado-sol”[27], é calculada pelo vetor de observações O , definido como
),,,,,,,( solnubladosolchuvachuvasolsolsolO
=
ou ainda
)3,2,3,1,1,3,3,3(
=
O
, calculado
como:
4
233213113133333
10536.1
]2|3[]3|2[]1|3[]1|1[]3|1[]3|3[]3|3[]3[
]|3,2,3,1,1,3,3,3[)|(
−
×=
=
=
=
aaaaaaa
PPPPPPPP
ModeloPModeloOP
π
43
3.5 Modelos de Markov Ocultos
Vimos até agora que as Cadeias de Markov têm em cada estado correspondente, um
evento observável. Nesta seção, nós estendemos este conceito para o caso onde cada estado
tem uma função de distribuição de probabilidades e onde as saídas de alguns estados
não
são
diretamente observáveis, mas podem ser observáveis apenas através de um conjunto de
processos estocásticos que produzem uma seqüência de observações.
Para visualizarmos o HMM, assumiremos o seguinte cenário. Duas pessoas separadas
por uma sala com paredes, onde uma pessoa não enxerga a outra. Em uma das salas a pessoa
faz experimentos de “cara-coroa” usando uma ou mais moedas. Esta pessoa
não
contará à
outra que moeda ela usou a cada vez, apenas contará o resultado de cada movimento de
moeda. Está então um experimento de “cara-coroa”
oculto
sendo realizado [27]. Dado este
cenário, como construir um HMM para explicar as seqüências de observações de caras e
coroas? É o que explicaremos adiante.
3.5.1 Parâmetros de um modelo HMM discreto
Para se definir um modelo HMM, vamos utilizar a estrutura de primeira ordem abaixo:
Figura 29:
Exemplo de estrutura de HMM
Onde os estados estão representados de 1 a 4 e
)(kb
j
é a probabilidade de observar o
símbolo k dado que estamos no estado
j
, ou seja, a distribuição de probabilidade dos
44
resultados k no estado
j
, que formará a matriz B vista mais adiante. Os coeficientes
11
a
...
44
a
são as probabilidades de transição de estados, que formam a matriz A representada abaixo
junto com a matriz B:
=
44
3433
2322
1211
000
00
00
00
a
aa
aa
aa
A
=
)(...)1(
.........
)(...)1(
11
Mbb
Mbb
B
NN
Sendo Mk
≤
≤
1 e Nj
≤
≤
1 .
Tendo as seguintes propriedades:
∑
=
=
N
j
ij
a
1
1
e
1)(
1
=
∑
=
M
k
j
kb
Definiremos as notações abaixo para melhor visualizar e entender o sistema [25, 27,
28, 29]:
-
),,(
π
λ
BA
=
:
representação do modelo HMM.
- N : número de estados de um modelo.
-
t
q : estado no tempo t.
-
},...,{
1 M
vvV
=
: conjunto de M resultados esperados (também chamado de conjunto de
símbolos ou alfabeto).
- M : número de símbolos do alfabeto.
- },...,{
1 T
OOO
=
: seqüência de observações, ou de resultados
k
v gerados pelo modelo.
- )(},{
1
iqP
ii
=
=
=
π
π
π
:
π
é a matriz de probabilidades iniciais, onde
i
π
é probabilidade de
estar no estado i no começo t=1
45
-
)|(},{
1
iqjqPaaA
ttijij
====
+
: A é a matriz de probabilidade de transição de estados, onde
ij
a é a probabilidade de estar no estado j no tempo t+1 dado que estamos no estado i e tempo
t.
-
)|()()},({ jqvPkbkbB
tkjj
===
: B é a matriz de probabilidade de observações e
)(kb
j
é a
probabilidade de observação do símbolo (resultado)
k
v
dado que estamos no estado j. A
matriz B define o tipo de distribuição de probabilidade de cada estado.
3.5.2 Os Três problemas básicos de HMM
Problema 1
– Dado o modelo ),,(
π
λ
BA
=
e a seqüência de observações
T
OOO ....
1
=
, como
computar
)|(
λ
OP
, a probabilidade de ocorrer a seqüência de observações, dado o modelo
[27]?
Problema 2
– Dado o modelo
),,(
π
λ
BA
=
, e a seqüência de observações
T
OOO
....
1
=
,
como escolher a seqüência de estados
T
qqq ....
1
=
que é ótima em algum sentido, ou seja, que
melhor “explica” as observações [27]?
Problema 3
– Como ajustar os parâmetros do modelo ),,(
π
λ
BA
=
para maximizar
)|(
λ
OP [27]?
46
Solução para problema 1:
A forma mais direta de calcular
)|(
λ
OP
é enumerar cada
seqüência possível de estados de tamanho T (número de observações). Existem então
T
N
possíveis seqüências de estados. Considere uma seqüência de estados
),...,,(
21 T
qqqq
=
Onde
1
q
é o estado inicial. A probabilidade da seqüência de observações O dado uma
seqüência de estados é:
∏
=
=
T
t
tt
qOPqOP
1
),|(),|(
λλ
(3.5 – 1)
Onde assumimos independência estatística das observações. Então temos:
)()....().(),|(
2211
TqTqq
ObObObqOP
=
λ
(3.5 – 2)
A probabilidade de cada seqüência de estado q pode ser escrita como:
qTqTqqqqq
aaaqP
132211
...)|(
−
=
π
λ
(3.5 – 3)
A probabilidade de O e q ocorrerem simultaneamente é o produto dos dois termos
anteriores:
)|(),|()|,(
λ
λ
λ
qPqOPqOP
=
(3.5 – 4)
A probabilidade
)|(
λ
OP
é então calculada como:
)()...()(
)|(),|()|(
12221
,...2,1
111
,...2,1
TqTqTqTqqq
qTqq
qq
qTqq
ObaObaOb
qPqOPOP
−
∑
∑
=
=
π
λλλ
(3.5 – 5)
A interpretação para a equação é a seguinte: Inicialmente (tempo t = 1) estamos no
estado
1
q
com probabilidade
1
q
π
e é gerado o símbolo
1
O
(neste estado) com probabilidade
)(
11
Ob
q
. A transição de tempo é feita, t = 2 e é feita a transição para o estado
2
q
com
probabilidade
21
qq
a
, é gerado o símbolo
2
O
com probabilidade
)(
22
Ob
q
. Sabendo que a
transição de tempo existem N estados possíveis, e para cada estado deve ser feita
T
2
computações matemáticas, então se considerarmos uma seqüência de observações de 100
amostras e 5 estados, teremos que fazer
72100
1051002 ≅××
computações, o que inviabiliza o
procedimento. Por esta razão está descrito a seguir 2 procedimentos matemáticos que
resolvem o problema, procedimento Forward e o procedimento Backward. Ambos calculam a
probabilidade do modelo
λ
descrever a seqüência de observações
T
OOO ....
1
=
. Mostraremos
ambos algoritmos a seguir [27]:
47
Algoritmo Forward:
É definida uma variável forward )(i
t
α
e utilizado o seguinte algoritmo [25]:
I. Inicialização
)()(
11
Obi
ii
π
α
=
Ni
≤
≤
1 (3.5 – 6)
II. Recursão
)()()(
1
1
1 +
=
+
=
∑
tj
N
i
ijtt
Obaij
αα
Nj
Tt
≤≤
−
≤
≤
1
11
(3.5 – 7)
III.
Término
)()|(
1
iOP
N
i
T
∑
=
=
αλ
(3.5 – 8)
Figura 30:
Algoritmo Forward [25]
48
Na inicialização, o algoritmo calcula as probabilidades iniciais no tempo t = 1 para
cada estado do modelo. Durante a recursão, as probabilidades calculadas na iteração anterior,
serão somadas no cálculo das probabilidades do instante atual. Ao final, no tempo t = T, a
probabilidade total calculada, para a seqüência de observações O dado o modelo
λ
, é a soma
de todas as probabilidade calculadas para todos os estados.
Algoritmo Backward:
De forma similar, agora assumindo o tempo contrário, é definido uma variável
backward
)(
i
T
β
e utilizado o seguinte algoritmo [25]:
I. Inicialização
1)(
=
i
T
β
,
Ni
≤
≤
1
(3.5 – 9)
II. Recursão
∑
=
++
=
N
j
ttijijt
jObai
1
11
)()()(
ββ
Ni
tT
≤≤
≥
≥
−
1
11
(3.5 – 10)
III. Término
∑
=
=
N
i
iOP
1
1
)()|(
βλ
(3.5 – 11)
49
Solução para problema 2:
Para achar a única e melhor seqüência de estados
),...,,(
21
T
qqqq
=
para a seqüência de observações
T
OOO ....
1
=
, ou seja, buscar o caminho
“ótimo” percorrido pelo modelo HMM, isto é, de )]|(max[
λ
OP . Um dos meios consiste em
escolher, durante o cálculo de
)|(
λ
OP
, os estados que apresentam individualmente a máxima
probabilidade acumulada associada a seqüência O, dado o modelo
λ
. Em outras palavras,
pode-se calcular, sucessivamente para cada observação O, a probabilidade do estado que
possuir a maior probabilidade acumulada até a observação atual. O algoritmo de
Viterbi
,
proposto em 1967, realiza a estimação da seqüência de estados
),...,,(
21 T
qqqq
=
de acordo
com o seguinte algoritmo [25, 27]:
1. Inicialização
)()(
11
Obi
ii
π
=Φ
;
Ni
≤
≤
1
(3.5 – 12)
0)(
1
=
i
ψ
2.
Recursão
)(])(max[)(
1 tjijtt
Obaij
−
Φ=Φ
;
Ni
Nj
Tt
≤≤
≤≤
≤
≤
1
1
2
(3.5 – 13)
i
t
j max)(
=
ψ
Onde
i
max é o índice (estado)
i
que maximiza )(
j
t
Φ
.
3.Término
)]([max)]/(max[ iOP
T
Φ=
λ
;
Ni
≤
≤
1
(3.5 – 14)
i
t
q max
=
4. Seqüência de estados percorrida
)(
11
++
=
ttt
qq
ψ
; 11
≥
≥
−
tT
(3.5 – 15)
50
Figura 31:
Algoritmo de Viterbi [25]
Assim, na etapa de inicialização, a probabilidade de cada estado é calculada para
tempo
t
=1. Na etapa de recursão é escolhida a máxima probabilidade obtida no instante
anterior
t
-1, e tal probabilidade é usada para calcular a probabilidade dos estados, no tempo
atual
t
. Pode-se perceber que, em cada iteração, somente os resultados que obtiverem máxima
probabilidade é que propagarão a probabilidade calculada até o instante atual, descrevendo
assim, um caminho, de máxima probabilidade, entre todos os estados. Deste modo, a matriz
)(
i
t
ψ
guarda o estado anterior
t
-1, em que foi obtida a máxima probabilidade.
Ao final, a probabilidade máxima obtida pela seqüência
O
segundo o modelo
λ
é a
probabilidade máxima calculada entre todos os estados do modelo para tempo
t
=
T
. Pode-se
igualmente determinar a seqüência de estados “ótima” percorrida, com o auxílio da matriz
)(
i
t
ψ
.
51
Solução para problema 3:
Para a estimação dos parâmetros
A
,
B
e
π
, deve-se assumir
previamente a topologia para o modelo
),,(
π
λ
BA
, incluindo número de estados e tamanho
das seqüências de observações. Para esta solução é utilizado o estimador de máxima
verossimilhança, ou MLE (
Maximum Likelihood Estimation
) de Baum-Welch, baseado no
clássico trabalho de Baum e seus colegas[27].
Assim, a estimação é obtida pelo emprego de amostras de treinamento que serão
avaliadas pela probabilidade do modelo acompanhar a ocorrência das seqüências de
treinamento, isto é, o cálculo de
)|(
λ
OP
. A probabilidade
)|(
λ
OP
pode ser determinada
pela expressão da probabilidade pelos algoritmos de
forward
e
backward
, como visto
anteriormente, isto é, a determinação da similaridade do modelo com a seqüência de
observações
O
, segundo sua ocorrência com o tempo crescente (iniciando em
t
=1 até
t
=
T
), ou
a avaliação da similaridade do modelo com a seqüência
O
, assumindo tempo decrescente (
t
=
T
até
t
=1).
Uma vez que a matriz
A
é a matriz das probabilidades de transição
ij
a
, a estimação
destas probabilidades de transição serão obtidas a partir das seqüências de treinamento e
levando em conta a probabilidade
forward
)(
i
t
α
e
backward
)(
i
t
β
calculada para um dado
estado do modelo durante uma seqüência de treinamento[25, 27, 28, 30].
Os elementos da matriz
A
e
B
podem ser estimados pela expressão abaixo:
iestadodoesperadastransiçõesdenumero
jestadooparaiestadodoesperadastransiçõesdenumero
a
ij
______
__________
=
jestadonovezesdeesperadonumero
Vsímbolooobservandoiestadonovezesdeesperadonumero
b
k
ij
______
__________
=
E após derivações e outras transformações matemáticas detalhadas em [28], chegamos
ao seguinte algoritmo [25]:
I. Inicialização
Arbitra-se valores iniciais para as matrizes A e B.
52
II. Recursão
∑
=
=
N
j
T
i
j
ii
i
1
00
)(
)()(
)(
α
β
α
π
(3.5 – 16)
)()(
)()()(
1
1
1
1
1
1
1
ii
jObai
a
t
T
t
t
ttjij
T
t
t
ij
−
−
=
−
−
=
−
∑
∑
=
βα
βα
Mk
Nj
Ni
≤≤
≤≤
≤
≤
1
1
1
(3.5 – 17)
∑
∑
=
=
=
T
t
tt
ktt
T
t
tt
j
ii
VOii
kb
1
1
)()(
),()()(
)(
βα
δβα
(3.5 – 18)
Assumir para as matrizes A e B os valores
ij
a
e
)(kb
j
calculados. Onde M é o
número de símbolos, N é o número de estados e onde o coeficiente
),(
ktt
VO
δ
é definido por
[27]:
→
=→
=
outro
VO
VO
kt
ktt
0
1
),(
δ
III. Término
Ajustar a matriz B substituindo cada elemento
0)('
=
kb
j
por
ε
=
)(' kb
j
, onde
ε
é
um limiar escolhido, por exemplo
4
10
−
.
Na figura 32, verificamos todo o sistema reconhecedor de HMM discreto, visto em
diagrama de blocos, onde observa-se o sistema de treinamento e de validação comutado por
chaves [25].
Figura 32:
Estrutura de Treinamento e Teste de HMM
53
3.6 Redes Neurais Artificiais
O cérebro humano é uma massa cinzenta e gelatinosa pesando aproximadamente 1,5
Kg e consome aproximadamente um quinto da energia do corpo humano. É constituído por
aproximadamente 100 bilhões de células nervosas e tem 100 trilhões de pontos de
interconexão, característica que ressalta o seu alto desempenho através do seu alto grau de
processamento paralelo. O cérebro consegue resolver problemas complexos muitas vezes
mais rápido do que os velozes computadores atuais, mesmo que a sua velocidade de
processamento cerebral seja inferior (
3
10
−
segundos) aos processadores digitais (
9
10
−
segundos)[13].
O sistema nervoso pode ser visto de uma forma simplificada em blocos com a seguinte
descrição:
Figura 33:
Diagrama de Blocos de um sistema de rede neural
As RNAs (Redes Neurais Artificiais) são sistemas adaptativos, geralmente não-
lineares, que aprendem a mapear funções a partir de um conjunto de vetores de entrada. O
processo de adaptação ocorre por meio de regras bem definidas que compõem a fase de
treinamento. Essas regras adaptam os parâmetros livres, isto é, pesos sinápticos até o
momento em que a rede alcance os critérios de parada, como por exemplo erro mínimo ou
número de épocas [13, 31].
3.6.1 Formas de Treinamento
A característica de aprendizagem da rede neural é determinada pelo algoritmo de
treinamento. Existem três principais métodos de aprendizagem:
54
Supervisionado:
possui um “tutor” que indica os padrões de saída, sendo que a RNA é
treinada tendo sempre em vista diminuir o erro entra a saída desejada e a que ela mesma
calculou [13, 31].
Não-supervisionado (auto-organizado):
não utiliza de um “supervisor” para indicar os
padrões de saída, mas baseia-se matematicamente nos vetores de treinamento.
Híbrido:
combina os dois métodos anteriores.
A seguir está apresentada algumas das principais regras de aprendizagem para as
RNAs:
Regra de correção de erro:
cada vetor de entrada possui uma saída desejada d. Contudo,
durante o processo de aprendizagem algumas saídas y da RNA não são iguais as desejadas d.
Desta forma, o erro (d – y) deve ser aplicado aos pesos, produzindo então uma adaptação que
busca a minimização do erro [13, 31].
Aprendizagem de Hebb:
Hebb em 1949, concluiu em seus estudos que: se os neurônios
anteriores e posteriores ligados a sinapse são ativados de forma síncrona (ambos positivos ou
negativos), isso faz com que a intensidade da sinapse aumente. No sentido oposto, ou seja, se
a ativação das sinapses ocorre de forma assíncrona (um potencial negativo e outro positivo, ou
vice-versa), então essa sinapse é seletivamente enfraquecida ou eliminada. O ajuste é
realizado de forma local dependendo somente dos neurônios anteriores e posteriores ligados à
sinapse [13, 31].
Aprendizagem competitiva:
a abordagem competitiva tem como principal característica a
unicidade da saída vencedora, mais conhecida como “vencedor leva tudo”. Este método
baseia-se matematicamente nos dados de entrada e faz com que esses sinais sejam agrupados
pela rede e representados por uma unidade vencedora [13, 31].
55
3.6.2 O Neurônio Biológico e o Perceptron
Figura 34:
Neurônio Biológico[32]
A célula nervosa, ou o neurônio, mostrado na figura 34, foi identificado
anatomicamente e descrito com notável detalhe pelo neurologista espanhol Ramón y Cajal no
século 19. A partir do corpo celular, ou soma, (o centro dos processos metabólicos da célula
nervosa), projetam-se extensões filamentares, os dendritos e o axônio [32]. Frequentemente os
dendritos cobrem um volume muitas vezes maior do que o próprio corpo celular e formam
uma árvore dendrital. O axônio serve para conectar a célula nervosa a outras do sistema
nervoso. O neurônio possui geralmente um único axônio, embora esse possa apresentar
algumas ramificações. Alguns tipos de neurônios, a grande maioria dos que constituem o
sistema nervoso central dos vertebrados, possui uma capa segmentada de mielina, que serve
para acelerar a transmissão da informação pelo axônio [32].
As manifestações elétricas de neurônios biológicos foram observadas pela primeira
vez no século 19 por BuBois Reymond com o auxílio de galvanômetros. O funcionamento
dessas células começou a ser melhor entendido com a invenção, no final do século 19 por
Crookes, do tubo de raios catódicos e com a sua aplicação à observação da atividade elétrica
nervosa, principalmente por Erlanger e Gasser, na década de 1920. Essas investigações lhes
renderam o prêmio Nobel de fisiologia em 1944. Nas duas décadas seguintes, como resultado
do trabalho de vários pesquisadores, passou-se a entender o neurônio biológico como sendo
basicamente o dispositivo computacional elementar do sistema nervoso, que possuía entradas
e uma saída. As entradas ocorrem através das conexões sinápticas, que conectam a árvore
dendrital aos axônios de outras células. Os sinais que chegam a esses axônios são pulsos
elétricos conhecidos como impulsos nervosos ou potenciais de ação, que constituem a
56
informação que o neurônio processará, de alguma forma, para produzir como saída um
impulso nervoso no seu axônio [32].
A grosso modo, podemos dizer que as sinapses são regiões eletroquimicamente ativas,
compreendidas entre duas membranas celulares: a membrana pré-sináptica, por onde chega
um estímulo proveniente de uma outra célula, e a membrana pós-sináptica, que é a do
dendrito. Nesta região intersináptica, o estímulo nervoso que chega na sinapse é transferido à
membrana dendrital através de substâncias conhecidas como neurotransmissores. O resultado
dessa transferência é uma alteração no potencial elétrico da membrana pós-sináptica.
Dependendo do tipo de neurotransmissor, a conexão sináptica será excitatória ou inibitória.
Uma conexão excitatória provoca uma alteração no potencial da membrana que contribui para
a formação de um impulso nervoso no axônio de saída enquanto que uma conexão inibitória
age no sentido oposto.
O axônio de um neurônio é um tubo filamentar delimitado pela membrana celular.
Assim existe uma região interior e outra exterior. Em repouso, isto é sem a presença de um
impulso nervoso, o interior da membrana está a um potencial eletronegativo em relação ao
exterior. Este é o potencial de repouso da membrana. Quando o potencial da membrana está
menos eletronegativo que o potencial de repouso, diz-se que ela está despolarizada. O
impulso nervoso, ou potencial de ação é uma onda de despolarização que se propaga pela
membrana [32].
A formação de um potencial de ação na membrana axonial ocorre quando a membrana
sofre uma despolarização suficientemente acentuada para cruzar um determinado valor
conhecido como limiar de disparo. Neste momento, através de um processo ativo, a
membrana se despolariza rapidamente, muito além do valor do limiar e em seguida retorna,
bem mais lentamente, ao valor de repouso. Após a ocorrência de um impulso nervoso, a
membrana entra em um período conhecido como período de refração absoluta, durante o qual
é incapaz de produzir um outro potencial de ação, como mostra a figura 35 [32].
57
Figura 35:
Potencial de ação representado pelo potencial de membrana no axônio de um
neurônio típico.
n
T
é a duração do impulso nervoso,
a
T
é o período de refração absoluta e
r
T
o período de refração relativa [32].
Quando um estímulo chega à sinapse, o seu efeito na membrana pós-sináptica será
provocar uma polarização cujo sinal dependerá do tipo de neurotransmissor e cuja magnitude
dependerá da concentração deste, da dimensão geométrica da sinapse, e da distância ao
axônio do neurônio. A polarização pós-sináptica ocorre imediatamente após a chegada do
impulso nervoso na sinapse e se propaga por toda a membrana até o local em que poderá
interferir no surgimento do potencial de ação e, com o tempo decai de maneira
aproximadamente exponencial, sendo este fenômeno conhecido como integração temporal.
Por outro lado, o potencial de ação é provocado no axônio de um neurônio pelo efeito
combinado de todos os estímulos excitatórios e inibitórios que chegam a sua árvore dendrital,
sendo esta característica conhecida como integração espacial [32].
A existência de um período refratário absoluto Ta para a geração de um novo potencial
de ação, após a ocorrência de um impulso nervoso de duração Tn, necessariamente limita a
freqüência máxima de pulsos no axônio em )/(1
max
TnTaf
+
=
[32].
Por sua vez, durante o período refratário relativo, a ocorrência de impulsos nervosos
com freqüência crescente só é possível com o aumento da despolarização, isto é do estímulo
primário. Dessa forma, pode-se dizer que o neurônio opera como um dispositivo que codifica
em freqüência de pulsos o resultado da integração espacial/temporal dos estímulos, como
mostra a figura 36 [32].
58
Figura 36:
Relação entre a freqüência de pulsos de um neurônio e a intensidade do
estímulo de longa duração [32].
Figura 37:
Neurônio artificial ou Perceptron [31]
Na figura 37, no neurônio artificial, as entradas
m
xx ...
1
representam a árvore dendrital,
os pesos sinápticos
kmk
ww
...0
representam o tipo de neurotransmissor e sua concentração na
junta sináptica, e o somatório representa o corpo celular [31]. A função
ϕ
, conhecida como
função de ativação, pode possuir algumas características indicadas na figura 38, como por
exemplo, a saturação fora da faixa de argumento [31]. As funções de ativação da figura 38
não serão utilizadas nas RBFs da metodologia, apenas têm o objetivo de embasar
teoricamente o perceptron e seu algoritmo de convergência.
59
Figura 38:
Funções de ativação [31]
A primeira função de ativação é também chamada de função de ativação threshold,
assume 1 para positivo e zero para negativo, e foi utilizado no neurônio booleano de
McCulloch. Nesta função de ativação, apenas a saturação é preservada. Possui a seguinte
função [31]:
=
0
1
)(v
ϕ
se
se
0
0
<
≥
k
k
v
v
(3.6 – 1)
A segunda função de ativação, chamada de Piece-Wise linear ou também chamada de
pseudo-linear, onde preserva a saturação. Tem a seguinte expressão [31]:
60
→
→+
→
=
,0
,
2
1
,1
)(
vv
ϕ
2
1
2
1
2
1
−≤
−>
+≥
v
v
v
(3.6 – 2)
A terceira função de ativação, denominada sigmoidal, podendo ser do tipo logística ou
tangente hiperbólica, além de preservar a saturação, ainda é não-linear. Tem como expressão
a função logística [31, 33]:
)exp(1
1
)(
av
v
−+
=
ϕ
(3.6 – 3)
Onde a é o parâmetro de inclinação da função logística acima.
A função tangente hiperbólica tem como expressão [31, 33]:
)tanh()( vv
=
ϕ
(3.6 – 4)
Definimos então a função que descreve o nosso perceptron [31, 33]:
∑
=
=
m
j
jkjk
xwv
0
(3.6 – 5)
)(
kk
vy
ϕ
=
(3.6 – 6)
3.6.3 Lei de aprendizado do perceptron
O algoritmo LMS (Least Mean Square), também conhecido como regra delta,
apresentado pelo artigo de Widrow e Hoff em 1960, é simples de implementar, apesar de ser
altamente eficaz em suas aplicações e foi desenvolvido para o treino de um neurônio
linear
,
enquanto que o perceptron foi desenvolvido para o neurônio
não-linear
[31, 32]. O algoritmo
LMS e o perceptron são naturalmente relacionados.
61
Figura 39:
Grafo de fluxo de sinal do Perceptron [31]
Abaixo a equação que define o neurônio com o bias:
∑
=
+=
m
j
kjkjk
bxwv
1
(3.6 – 9)
O algoritmo LMS tem o objetivo de minimizar o erro de saída do neurônio, para isso,
é utilizada uma função de custo baseado no erro, onde devemos também minimizar essa
função de custo
J
[31, 33, 34]:
2
)(
2
1
))(( nenwJJ ==
(3.6 – 10)
Onde
)(nw
é o vetor de pesos sinápticos e e(n) é o erro da saída desejada com relação
à saída calculada a cada iteração n.
Temos que a variação dos pesos sinápticos é definida por [31]:
))(()( nwJnw
∆
−
=
∆
η
(3.6 – 11)
Onde
η
é a taxa de aprendizado.
Sabendo que:
)(
))((
))((
nw
nwJ
nwJ
∂
∂
=∆
(3.6 – 12)
e
)()()()()()( nwnxndnyndne
T
−=−=
(3.6 – 13)
62
Onde
d(n)
é a saída desejada,
y(n)
é a saída calculada e )(
nx
T
é o vetor de entrada.
Através de substituições chegamos à:
)()())(( nxnenwJ
−
=
∆
(3.6 – 14)
E finalmente à equação de atualização do pesos sinápticos:
)()()()1()( nxnenwnwnw
η
+
=
+
=
∆
(3.6 – 15)
Com isto, podemos definir o algoritmo de convergência para um perceptron [31]:
I. Inicialização:
Iniciar o vetor
w
, sendo que
0
→
w
.
II. Recursão
(
)
)()()( nxnwny
T
ϕ
=
Nn
≤
≤
0
(3.6 – 16)
)()]()([)()1( nxnyndnwnw
−
+
=
+
η
(3.6 – 17)
Onde
N
é o número de iterações e onde
ϕ
é a função de ativação.
III. Término
Quando o erro na saída atinge um limiar especificado.
63
3.6.4 Curva de Erro e Razão de Aprendizado
0 200 400 600 800 1000 1200 1400 1600 1800 2000
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.1
Ciclos de Treinamento
Erro Médio Quadrático
Curva de Erro
Figura 40:
Curva de erro
Uma curva de erro, como pode ser vista na figura 40, é uma maneira de visualizar a
eficiência de aprendizagem no decorrer dos ciclos de treinamento. A escolha do valor da
razão de aprendizagem é essencial para uma melhor convergência do sistema. Uma razão de
aprendizado muito pequena significa uma lenta convergência do algoritmo até um erro
mínimo. Por outro lado, uma razão de aprendizado muito grande, faz com que as correções
nos pesos sinápticos sejam muito grandes, fazendo com que o sistema fique oscilatório e
instável [35].
3.6.5 Redes RBF
Nesta etapa, veremos em um prisma diferente as redes neurais, visualizando o seu
planejamento como um problema de aproximação de curvas em espaços de alta dimensão. De
acordo com este ponto de vista, o aprendizado é equivalente a encontrar uma superfície em
um espaço multidimensional que provê o melhor “encaixe” para os dados de treino, com o
critério de “encaixe” sendo medido em algum sentido estatístico[31]. Correspondentemente,
generalizando, é equivalente a usar estas superfícies multidimensionais para mapear os dados
de validação.
64
Para fazer este mapeamento de uma dimensão à outra, são utilizadas funções
denominadas
funções de base radial
.
As redes neurais do tipo RBF (Radial Basis Functions) são redes supervisionadas,
consideradas aproximadoras universais. Uma rede RBF possui em sua arquitetura uma
camada escondida definida por um conjunto de funções de base radial. No treinamento é
ajustada uma superfície não-linear ao conjunto de dados, em um espaço de multidimensional,
de acordo com algum critério estatístico [31].
Existem duas abordagens para se chegar ao desenvolvimento do algoritmo de
treinamento das RBFs[31]. O primeiro são os métodos baseados no
problema do
mapeamento
e o segundo é o método baseado na
teoria da regularização.
O algoritmo
detalhado mais adiante é baseado no problema do mapeamento.
É necessário mapear os dados de uma dimensão
m0
para uma dimensão unitária, como
mostra a figura 41, escrita como:
1
0
:
ℜ→ℜ
m
s
Figura 41:
Mapeamento do domínio X para o intervalo Y [31]
O problema do mapeamento pode ser descrito como:
“Dado
N
pontos diferentes }...2,1|{
0
Nix
m
i
=ℜ∈
e um correspondente de
N
números
reais
}....2,1|{
1
Nid
i
=ℜ∈
ache a função
1
:
ℜ→ℜ
N
F
que satisfaça a condição de
mapeamento:” [31]
NidxF
ii
,...2,1,)(
=
=
(3.6 – 18)
A técnica de funções de base radial, consiste em escolher uma função
F
que tenha a
seguinte forma:
65
∑
=
−=
N
i
ii
xxwxF
1
)()(
ϕ
(3.6 – 19)
Onde
Nixx
i
,...,2,1|)( =−
ϕ
é um conjunto de
N
funções arbitrárias, conhecidas
como funções de base radial, e onde
.
denota o uso de norma euclidiana. Os pontos
conhecidos
Nix
m
i
,...,2,1,
0
=ℜ∈
são tomados como os centros das funções de base radial
[31].
Obtemos então as seguintes equações lineares com os coeficientes (pesos sinápticos)
desconhecidos:
=
NNNNN
N
d
d
......
....
...
......
11
1
111
ω
ω
ϕϕ
ϕϕ
(3.6- 20)
Os
N
por 1 vetores
d
e
w
representam o vetor de saída desejada e vetor de pesos
sinápticos respectivos, onde
N
é o tamanho do treino de amostras. Deixe
Φ
denotar a matriz
N
por
N
dos elementos
ji
ϕ
:
},...,2,1),(|{
Nij
ji
==Φ
ϕ
(3.6 – 21)
Esta matriz é chamada de matriz de mapeamento. Nós podemos escrevê-la de uma
forma mais compacta [31]:
xw
=
Φ
(3.6 – 22)
Assumindo que
Φ
é não-singular e assim a matriz
1−
Φ
existe, podemos achar a
solução para a equação acima para os pesos:
xw
1
−
Φ=
(3.6 – 23)
Originalmente, esta abordagem utilizava tantas funções de base radial quantos fossem
os padrões do conjunto de dados representativo da função a ser aproximada, e tinha algumas
desvantagens, como por exemplo o alto custo computacional. Então, em 1988, Broomhead e
Lowe sugeriram modificações, e uma delas é que nem todo vetor de entrada tenha uma função
de base radial associada. Isto faz com que o sistema de equações lineares seja sobre-
determinado, ou seja, mais equações do que incógnitas [36].
A abordagem de Broomhead e Lowe resultou em uma significativa redução de custo
computacional e no aumento da capacidade de generalização das redes RBF [36].
Em 1986 Miccheli apresentou um teorema que prova a não-singularidade de uma
matriz de mapeamento
Φ
, com isso, obteve-se um conjunto de funções de base radial que se
66
encaixam neste teorema (MICHELLI,
apud
. HAYKIN, Simon, 1999, p.286) [36]. A figura 42
apresenta algumas funções de base radial, onde
µ
ξ
−
=
x
, e onde
x
representa uma variável
aleatória,
µ
representa a média e
σ
representa o desvio padrão.
Figura 42:
Funções de Base Radial [36]
A seguir é descrito mais detalhes sobre as RBFs e seu algoritmo de treino
supervisionado, baseado no método do Gradiente Estocástico, definido em [36], que dará a
base para as RBFs utilizadas na metodologia e nos resultados, que são de 4, 6, 8 e 10 funções
gaussianas.
Figura 43:
Estrutura de uma rede RBF [36]
67
A camada de saída da rede neural é formada por um único neurônio linear. O neurônio
que compõe a camada de saída é definido como um combinador linear das funções de base
radial. A saída
y
da rede RBF é, portanto, a soma das saídas de cada função de base radial,
ponderadas pelos respectivos pesos sinápticos
k
w
, de tal forma que a combinação linear é
expressa por [36]:
∑
−
=
=
1
0
2
),,()()(
K
k
kkkk
tunwny
σϕ
(3.6 - 24)
Na equação acima o termo ),,(
2
kkk
tu
σϕ
é a k-ésima função de base radial, que é
definida por [36]:
−−=
2
2
)()(
)(
1
exp)( ntnu
n
n
k
k
k
σ
ϕ
(3.6 - 25)
Onde
)(nu
representa o vetor de entrada
u
no instante
n
, )(
nt
k
representa o vetor
centro da k-ésima função de base radial
k=0,1,....,K
, e )(
2
n
k
σ
é a variância associada a cada
uma das funções no instante
n
[36].
É mostrado a seguir os passos para o treinamento supervisionado da RBF [31]
definidos nas divisões de inicialização, recursão e término pelo algoritmo do Gradiente
Estocástico [36]:
I. Inicialização:
1. Inicializar os centros das funções de base radial e iterar utilizando algoritmo K-
MEANS.
2. Inicializar os pesos sinápticos com zero.
3. Inicializar as variâncias dos centros como sendo o quadrado da maior distância
euclidiana entre os centros, isto é }max{
2
ji
tt
−
, comum para todas as variâncias.
68
II. Recursão:
4. Calcular a saída da rede através de:
Bwntnu
n
nwBwnnwny
b
K
k
K
k
k
k
kbkk
+
−−=+=
∑ ∑
−
=
−
=
1
0
1
0
2
2
)()(
)(
1
exp)()()()(
σ
ϕ
(3.6 - 26)
Onde
b
w
é o peso sináptico do
bias
,
B
é o valor do
bias
,
N
é o número de vetores de
treino e 1,...1,0
−
=
Nn
.
5. Determinar o erro através da equação 3.6 - 13:
)()()(
nyndne
−
=
Onde )(
nd
é a saída desejada do vetor de entrada e )(
ny
é a saída calculada.
6. Atualizar os pesos sinápticos
k
w
e
b
w
de acordo com:
)()()()1(
nnenwnw
kwkk
ϕ
µ
+
=
+
(3.6 - 27)
Bnenwnw
wbb
)()()1(
µ
+
=
+
(3.6 - 28)
Atualizar os centros de funções de base radial
k
t
através de [36]:
)(
)()(
)()()(2)()1(
2
n
ntnu
nnwnentnt
k
k
kktkk
σ
ϕµ
−
+=+
(3.6 - 29)
Atualizar as variâncias dos centros das funções de base radial
2
k
σ
através de [36]:
( )
2
2
2
22
)(
)()(
)()()()()1(
n
ntnu
nnwnenn
k
k
kkkk
σ
ϕµσσ
σ
−
+=+
(3.6 - 30)
7. Determinar o Erro Médio Quadrático de Aproximação através de [36]:
∑
−
=
−=
1
0
2
))()((
1
N
n
nynd
N
MSEA
(3.6 - 31)
69
III. Término
8. Fazer os passos anteriores até chegar a um limite pré-definido de MSEA (Mean
Square Error de Aproximação) [36].
3.6.6 Padronização
Suponha que uma rede neural tenha duas entradas, a primeira com uma magnitude
muito maior que a segunda. Durante o treinamento, a rede irá ajustar os valores para a
primeira entrada muito mais do que para a segunda entrada, então o erro praticamente não se
ajustará pela segunda entrada. Naturalmente, não queremos que nosso classificador prefira
umas das entradas apenas pela magnitude [35].
Para evitar esta dificuldade, os padrões de entrada devem ser deslocados para que a
média do arquivo de treino seja zero. Além disso, todo o arquivo de dados deve ser
escalonado para ter a mesma variância em cada componente (geralmente 1.0).
Matematicamente, significa dizer que deve ser subtraída a média de cada componente
(entrada da rede) e dividida pelo desvio padrão de cada componente [35].
Isto deve ser feito antes do treino do sistema, e naturalmente os vetores de validação
também devem ser submetidos à padronização [35].
70
4 PROPOSTA DE TRABALHO
A proposta do presente trabalho é fazer um estudo e desenvolvimento de sistemas para
o reconhecimento de arritmias cardíacas através de algoritmos reconhecedores de padrões.
Para tanto foi preciso fazer pesquisas específicas sobre as arritmias cardíacas, banco de dados,
algoritmos, bem como desenvolver uma metodologia para obtenção de resultados.
Os padrões eletrocardiográficos utilizados são o Ritmo Normal, a Fibrilação Atrial, a
Taquicardia Ventricular e a Fibrilação Ventricular. No que tange as arritmias, destacam-se a
Taquicardia Ventricular sem pulso, isto é, com ausência de pulso do paciente e a Fibrilação
Ventricular. Ambas são chamadas de parada cardíaca, e em razão disso, exigem tratamento
desfibrilatório imediato. Os equipamentos DEA, por sua vez, fazem a discriminação destas
duas arritmias dentre outras para aplicar devidamente o choque, podendo serem utilizados por
pessoas com pouco treinamento ressuscitatório.
Além disso, a Fibrilação Atrial, que é a arritmia mais comum na população mundial,
incorpora a gama de arritmias a serem reconhecidas neste trabalho. Cabe ressaltar que além
dos equipamentos DEA, existem outros equipamentos comerciais que utilizam uma gama
maior de arritmias para diagnósticos.
Conforme já mencionado em outras ocasiões, o uso dos sistemas reconhecedores
HMM e RBF são muito empregados em diversas aplicações, na área científica e industrial. O
HMM por exemplo, é muito utilizado por sua portabilidade em equipamentos. O HMM
mencionado é do tipo discreto, ou seja, o vetor de observações de entrada é discreta, ou
quantizada, que é feita utilizando a extração de parâmetros do tipo Quantização Vetorial.
Todos os dados, tanto para treino como para validação, são coletados no banco de
dados PhysioNet, onde existem coletados centenas de pacientes, tendo muitas vezes seus
eventos analisados e registrados. Entres os bancos de dados do PhysioNet, se encontram
também bancos de dados do MIT (Massachussets Institute of Technology), European Society
of Cardiology, Creighton University, entre outros.
71
Nos sistemas reconhecedores, não foi utilizado nenhum tipo de sincronismo, como por
exemplo, ondas R-R, provenientes dos complexos QRS, pois o objetivo também foi analisar o
desempenho frente a variações de freqüência cardíaca e deslocamento de sinal no tempo.
Os eletrocardiogramas dos pacientes foram filtrados para eliminar as freqüências mais
baixas, ou seja, a variação de linha base, fruto de artefatos, como respiração, e também foram
filtradas freqüências mais altas.
Figura 44:
Estrutura de Reconhecimento de Padrões do HMM
Cada modelo HMM é treinado somente com o seu padrão para ser reconhecido, ou
seja, o algoritmo de Baum-Welch, altera seus parâmetros somente para um tipo de padrão.
Figura 45:
Estrutura de Reconhecimento de padrões da RBF
72
Diferentemente do HMM, no caso da RBF, cada modelo é treinado em duas classes,
um padrão a ser reconhecido e outro a ser descartado, por exemplo, para treinarmos o modelo
que irá reconhecer a Fibrilação Atrial, treinamos o modelo para classificar a mesma em um
grupo e para classificar os outros padrões em outro grupo. Para discriminarmos as classes,
mudamos o valor da saída desejada no treino. As figuras 44 e 45 mostram as estruturas de
reconhecimento em blocos dos sistemas de HMM e RBF respectivamente.
Deste modo, procurando atingir o objetivo deste trabalho, a presente proposta realizará
os sistemas reconhecedores HMM e RBF, variando os parâmetros de dimensionamento do
projeto de cada um deles. Desta forma deseja-se obter uma descrição tão completa quanto
possível da influência desses parâmetros no desempenho comparativo entre esses algoritmos
de reconhecimento.
Espera-se assim, não só efetivamente implementar um reconhecedor de arritmias
cardíacas com adequada taxa de acerto na identificação das arritmias, como também
estabelecer elementos úteis para futuros trabalhos que necessitem projetar sistemas de auxílio
ao diagnóstico de doenças cardíacas, sejam esses portáteis ou processados via sistema
computacional robusto.
73
5 METODOLOGIA
Este capítulo descreve e analisa a metodologia empregada para atingir os objetivos
propostos. Este processo metodológico teve início na preparação do conjunto de dados do
PhysioNet. No sistema de HMM, foi então utilizado a Quantização Vetorial para extração de
parâmetros e então utilizado o sistema reconhecedor de padrões HMM, que foi limitado em
iterações e número de estados como veremos adiante. No sistema RBF, o qual não necessita
de extração de parâmetros nesta proposta, o sistema reconhecedor foi limitado em número de
iterações também, como mostramos adiante.
5.1 Base de Dados
Esta etapa é de extrema importância, talvez a mais difícil, que é ter uma base de dados
que consiga suprir a necessidade de padrões que um pesquisador necessita. Explicamos então
abaixo as fontes para nosso projeto.
O PhysioNet [1] é um concentrador de bases de dados na internet no
site
www.physionet.org
, onde existem vários eletrocardiogramas digitalizados, muitos deles com
anotações de ritmos onde podemos facilmente adquiri-los e manejá-los. A freqüência de
amostragem varia para as diferentes seleções, sendo necessário cuidado ao selecionar o
arquivo.
Entre os bancos de dados do PhysioNet, se encontram banco de dados do MIT
(Massachussets Institute of Technology), European Society of Cardiology, Creighton
University, entre outros.
No banco de dados Arrhythmia Database do MIT por exemplo, pode-se ver
informações online sobre os pacientes (idade, sexo, tipos de arritmias, etc) em
http://www.physionet.org/physiobank/database/html/mitdbdir/.
74
5.2 Reconhecimento Automático de Arritmias Cardíacas
Além do ritmo cardíaco normal, serão reconhecidas as seguintes arritmias:
- Fibrilação Atrial
- Taquicardia Ventricular
- Fibrilação Ventricular
5.3 Preparação do banco de dados
A nossa base de dados, retirada do PhysioNet, compõem-se das arritmias já citadas
acima, decomposta em vetores de 4 segundos cada. Cada vetor de 4 segundos é treinado ou
validado pelo sistema de reconhecimento em questão. A opção de usar 4 segundos, vem de
que, 1 segundo seria muito pouco, visto que se um ritmo cardíaco tiver freqüência de
batimento menor que 60 batimentos por minuto, teríamos então 1 segundo em que teríamos
apenas as ondas P e T, ou menos, cujo sistema poderia interpretar erroneamente. Mas também
a utilização de um vetor muito grande, como por exemplo, 10 segundos, o qual poderia existir
a presença de extrassístoles ventriculares por exemplo, dificultaria também o reconhecimento.
A opção foi feita nos 4 segundos. Além disso, para aumentarmos a quantidade de vetores,
aplicou-se uma janela com 4 segundos de duração com sobreposição de 3 segundos em
janelamentos consecutivos, aumentando assim o banco de dados em 4 vezes.
Em outros casos, algumas arritmias se parecem muito com outras, como por exemplo
a Fibrilação Atrial e o Flutter Atrial, embora no PhysioNet, os médicos avaliem e registrem
corretamente. Outros casos são a Fibrilação Ventricular e a Taquicardia Ventricular, onde
apesar da fibrilação ventricular ter um ritmo irregular, muitas vezes ela se parece com uma
oscilação, o que acontece com a Taquicardia Ventricular muitas vezes também. Estes detalhes
influenciam em muito a precisão do sistema, e tentou-se evitar ao máximo neste trabalho.
Foram selecionados 12 pacientes para cada arritmia, sendo 6 para treino e 6 para
validação. Para cada paciente, foi coletado em torno de 3 minutos.
Os sinais da base de dados utilizada, tanto para teste quanto para treinamento e para
todos os padrões considerados, possuíam diferentes freqüências cardíacas, no entanto não foi
adotado nenhum recurso adicional para sincronização de ondas tanto para o treinamento
quanto para o teste, tais como: detecção do complexo QRS [37], alteração da escala de tempo
em vetores R-R, quantização adicional de parâmetros do ciclo cardíaco dentre outros tipos de
75
artifícios. Ressalta-se assim que a implantação do sistema tanto no treinamento quanto nos
testes foram a partir das ondas eletrocardiográficas puras, sem nenhuma manipulação
algébrica, exceto a normalização de amplitudes de 0 a 1.
5.4 Preparação dos Codebooks para HMM discreto
Na preparação do HMM discreto é necessário um quantizador vetorial que nos retorne
um codebook de
N
centróides, com 10 coeficientes cada, o que significa dizer que se
escolhermos 32 centróides, todas as arritmias podem ser representadas por 32 curvas de 10
coeficientes cada. Uma boa distribuição no gráfico de ocupação do codebook, é saudável para
o HMM, pois não existem centróides pouco povoados que aparecem muito pouco no sistema
reconhecedor. O algoritmo quantizador utilizado foi o LBG. Abaixo, mostramos o histograma
de um codebook de 32 centróides, cada centróide com 10 coeficientes.
0 5 10 15 20 25 30 35
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
x 10
4
Gráfico de Ocupação Codebook 32 centróides
Figura 46:
Gráfico de Ocupação de um codebook de 32 centróides
76
5.5 Preparação do treino de HMM discreto
Para treinarmos o algoritmo de HMM discreto, será utilizado o ambiente Matlab.
Algumas funções específicas existentes em Matlab para treinamento de HMMs discreto foram
utilizadas, como o algoritmo de Baum-Welch e o algoritmo de Viterbi. A estrutura da figura
29 define o nosso modelo left-right com a possível adição de estados. Para treinarmos as
matrizes
A
e
B
serão geradas matrizes
A
e
B
randômicas respeitando as condições de
probabilidades de transição zero da matriz
A
, e sempre respeitando que a soma das
probabilidades para cada estado deve ser 1 para as matrizes
A
e
B
, em seguida as matrizes
iniciais
A
e
B
serão treinadas com o algoritmo de Baum-Welch para os devidos padrões de
arritmias. O algoritmo de Viterbi é o que calculará a probabilidade de saída de cada vetor de
observações de entrada, em cada modelo, dado a matriz
A
e
B
treinadas para o modelo, e o
vetor inicial
π
. Os vetores de treino e validação são formados por 4 segundos ou 1000
amostras de eletrocardiogramas, já que estamos trabalhando com 250 Hz de freqüência de
amostragem. Para delimitarmos o número de iterações do algoritmo de Baum-Welch, faremos
uma avaliação de teste fechado e teste aberto, de acordo com o número de iterações, como
mostrado na figura 47:
0 5 10 15 20 25 30 35 40 45 50
92
93
94
95
96
97
98
Número de Iterações
Porcentagem de Acerto
Iteração Teste Fechado
0 5 10 15 20 25 30 35 40 45 50
75
80
85
Número de Iterações
Porcentagem de Acerto
Iteração Teste Aberto
Figura 47:
50 iteracões de um HMM de 5 estados e VQ de 32, que mostram um ponto
ótimo em 5 iterações
77
Analisando a figura 47, em 5 iterações, temos o máximo de 81,2% no teste aberto,
enquanto que no teste fechado em 5 iterações temos 96,3%, sendo que o ponto máximo seria
em 9 iterações, com 97%. Como nesse caso a diferença de teste fechado não é relevante em
termos de porcentagem, delimitamos nossos HMMs com o máximo de 5 iterações.
Outro ponto que devemos analisar no HMM discreto, é a convergência da contagem
de estados, ou seja, se o algoritmo consegue contar os estados até o final do vetor apresentado
ao sistema reconhecedor.
Foi analisada a seqüência de estados e as saídas da contagem Viterbi nos casos para 5
estados, 6 estados, 7 estados e 8 estados, todos com 32 centróides. O resultado obtido foi que
para 5, 6 e 7 estados o sistema convergia, isto é, contava todos os estados. No caso de 8
estados, percebemos que o sistema não convergia, isto é, não contava até o oitavo estado,
chegando no máximo no estado 7. Limitamos então o nosso sistema para até no máximo 7
estados.
5.6 Preparação do treino da RBF
Para as redes neurais do tipo RBF são utilizados vetores de 4 segundos cada ou 1000
amostras. Cabe ressaltar que as curvas gaussianas terão a média, como um vetor de 1000
coeficientes. Os vetores de entrada então, são normalizados de 0 a 1, o que possibilitará uma
equalização de amplitudes, visto que os pacientes foram retirados do PhysioNet, de banco de
dados internos variados.
Foi utilizado o programa de treinamento da RBF com fontes em linguagem C,
disponível em [38] por CASTRO, Maria C. F. e CASTRO, Fernando C., os quais teve seus
parâmetros de atualização de variâncias, pesos sinápticos e centros gaussianos, ajustados para
o valor de 0.1, um valor que se mostrou adequado experimentalmente para maior estabilidade
no processo de aprendizagem das redes. Este programa também utiliza uma parte não treinada
dos vetores para gerar o VMSE (Validation Mean Square Error) [38], que mede a
convergência do treino perante vetores não vistos pelo programa ou de validação. A
proporção utilizada foi de 70 % para treino e 30 % para validação necessária ao programa.
Foi desenvolvido um programa em Matlab que utiliza os parâmetros treinados do
programa, estaticamente.
O número de curvas gaussianas utilizadas foi de 4, 6, 8 e 10. Com essas curvas,
obtêm-se o comportamento da RBF frente aos padrões apresentados à rede na validação. A
78
figura 48 exibe o modelo de uso do sistema RBF utilizado neste trabalho, ilustrativamente
com 3 gaussianas.
No treino das redes neurais, cada modelo reconhecedor deve ser treinado para
classificar o padrão específico e os padrões restantes, como por exemplo, para um modelo
reconhecer somente o Ritmo Normal, ele deve ser treinado para classificar o mesmo em um
grupo e o restante em outro grupo. Essa discriminação de classes, faz-se com saídas desejadas
diferenciadas. Então convencionamos neste trabalho que as classes a serem reconhecidas têm
saída desejada 1, e as classes a serem rejeitadas têm saída desejada 100. Ao fazermos a
comparação do modelo vencedor, comparamos o menor valor, mesmo ocorrendo valor
negativo. O menor valor de todos os modelos será o modelo vencedor. Para delimitarmos um
número máximo de iterações, pegamos o exemplo de um modelo RBF treinado para Ritmo
Normal, e plotamos 1000 iterações. Como mostra a figura 49, percebe-se que a partir de 400
iterações, a saída VMSE estabiliza, sendo que tomamos como número máximo para o restante
dos modelos o valor de 500 iterações.
Figura 48
: Figura com três funções de base radial como exemplo ilustrativo
79
0 100 200 300 400 500 600 700 800 900 1000
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
Número de Iterações
VMSE
Iterações RBF Ritmo Normal 4 Gaussianas
Figura 49:
VMSE por número de iterações de uma RBF treinada para Ritmo Normal com 4
curvas gaussianas
80
6 RESULTADOS
As tabelas abaixo mostram os resultados dos sistemas HMMs com diferentes
codebooks (onde foram treinados codebooks de 32, 64 e 128 centróides) e diferentes números
de estados. Por sua vez o sistema com Redes Neurais RBFs têm seus resultados expressos
pela variação do número de gaussianas empregadas.
Os resultados podem ser expressos em sensitividade
1
e especificidade, que são
medidas usadas para comparar a precisão dos algoritmos. Sendo:
- FP = Falso Positivo;
- FN = Falso Negativo;
- VP = Verdadeiro Positivo;
- VN = Verdadeiro Negativo;
A definição de FP, FN, VP e VN está definida na tabela (1) [7]:
Grupo da Arritmia + Grupo Arritmias -
Saida Arritmia +
VP FP
Saida Arritmia -
FN VN
Tabela 1:
Definição de TP, FN, FP, TN.
A sensitividade é definida como a taxa percentual de identificação correta da arritmia
apresentada ao sistema, isto é, a capacidade do sistema reconhecer o sintoma, ou padrão
correto e é expressa por [39]:
1
O termo sensibilidade é mais usualmente aplicado quando os testes se referem à medidas que envolvam opinião
ou ainda a captação e compreensão feita a partir do ser humano. Neste caso, há um envolvimento de caráter
pessoal e emocional, o que leva o termo sensibilidade.
81
100×
+
=
VP
FN
VP
adeSensitivid
Observa-se que a sensitividade é uma medida de segurança, visto que inclui o número
de vezes onde o sistema erroneamente não reconheceu a arritmia correta (FN).
A especificidade é definida como a taxa percentual de rejeição a erros do sintoma, ou
padrão, isto é, a capacidade do sistema de rejeitar corretamente os padrões que não estão
sendo apresentados ao sistema e é expressa por[39]:
100×
+
=
VN
FP
VN
dadeEspecifici
Do mesmo modo que a sensitividade, a especificidade é outro índice de segurança,
visto que inclui em sua medida o número de vezes em que o sistema erroneamente identificou
um padrão diferente do apresentado no momento.
Os dois índices em conjunto avaliam de forma completa a precisão do sistema, e são
usualmente empregados na avaliação de equipamentos médico-hospitalares, principalmente os
de auxílio ao diagnóstico.
6.1 Resultados com HMM
Tabela 2:
Resultados de HMM com VQ de 32 centróides e 5, 6 e 7 estados.
Podemos perceber na tabela 2 de HMM com 32 centróides no quantizador vetorial,
que o modelo reconhecedor de Fibrilação Atrial tem uma sensitividade baixa de no máximo
82
60,20% em teste aberto e que o modelo reconhecedor de Ritmo Normal tem especificidade
baixa de 82,14% em teste aberto, o que nos indica que quando o sistema recebe um padrão de
Fibrilação Atrial, em muitas vezes ele interpreta como Ritmo Normal. Entretanto, no contexto
geral, o sistema apresenta boa sensitividade e boa especificidade. O resultado total é a soma
de todos os VPs e FNs para sensitividade e a soma de todos os VNs e FPs para especificidade,
sabendo assim que os valores totais diferem um pouco da média das sensitividades e
especificidades de cada modelo.
5 Estados 6 Estados 7 Estados
70 %
75 %
80 %
85 %
90 %
95 %
100 %
HMM - VQ 32
Sensitividade
Especificidade
Figura 50:
Gráfico em colunas dos resultados dos HMMs com VQ de 32 centróides
A figura 50 mostra que basicamente os sistema de 5, 6 e 7 estados tiveram resultados
muito próximos, não existindo diferença significativa para um sistema com codebook de 32
centróides. Cabe ressaltar que todos os gráficos de resultados mostrados são referentes aos
testes abertos dos modelos reconhecedores de padrões.
83
Tabela 3:
Resultados de HMM com VQ de 64 centróides e 5, 6 e 7 estados.
5 Estados 6 Estados 7 Estados
70 %
75 %
80 %
85 %
90 %
95 %
100 %
HMM - VQ 64
Sensitividade
Especificidade
Figura 51:
Gráfico em colunas dos resultados dos HMMs com VQ de 64 centróides
Podemos perceber as mesmas características dos resultados anteriores de 32 centróides
nestes resultados de 64 centróides mostrados na tabela 3 e na figura 51, a baixa sensitividade
do modelo de Fibrilação Atrial e a baixa especificidade do modelo de Ritmo Normal.
84
Tabela 4:
Resultados de HMM com VQ de 128 centróides e 5, 6 e 7 estados.
5 Estados 6 Estados 7 Estados
70 %
75 %
80 %
85 %
90 %
95 %
100 %
HMM - VQ 128
Sensitividade
Especificidade
Figura 52:
Gráfico em colunas dos resultados dos HMMs com VQ de 128 centróides.
Nestes resultados de 128 centróides mostrados na tabela 4 e figura 52, temos uma
alteração de especificidade, que acaba sendo baixa para os modelos de Taquicardia
Ventricular. Isso se causa, provavelmente porque o aumento de centróides, na etapa de
quantização vetorial, que define o número de curvas com que se consegue representar o sinal,
tem o efeito de aproximar os centróides no espaço euclidiano, induzindo erros de rejeição.
Todavia, convém utilizar um número inferior à 8 estados, visto que no treinamento foi
observada uma falta de convergência para modelos superiores à 7 estados.
85
6.2
Resultados com Redes Neurais RBF
Tabela 5:
Resultados da Rede Neural RBF com 4, 6, 8 e 10 gaussianas.
Nos resultados da rede neural do tipo RBF mostrados na tabela 5, percebe-se a baixa
sensitividade do modelo de Fibrilação Atrial, semelhante aos modelos de HMM, porém com
uma porcentagem maior que os modelos de HMM, o que nos leva a concluir que a rede neural
RBF consegue generalizar mais a sensitividade, mesmo tendo o total de sensitividade e
especificidade menor em todos os modelos de gaussianas.
4 Gaussianas 6 Gaussianas 8 Gaussianas 10 Gaussianas
70 %
75 %
80 %
85 %
90 %
95 %
100 %
RBF
Sensitividade
Especificidade
Figura 53:
Gráfico em colunas dos resultados dos modelos RBF.
No geral, a RBF apresenta pouca variação (menos de 5 %) de sensitividade e
especificidade em relação ao número de gaussianas, conforme mostra a figura 53.
86
Portanto, observa-se que existem dificuldades para ambos algoritmos de
reconhecimento, que é o caso da sensitividade na Fibrilação Atrial, e além disso, existem
outras características dos modelos HMM e das redes neurais RBF que serão exploradas mais
adiante.
HMM com VQ de 128 e 6 Estados RBF 4 Gaussianas
70 %
75 %
80 %
85 %
90 %
95 %
100 %
Comparação HMM e RBF
Sensitividade
Especificidade
Figura 54:
Comparação em gráfico em colunas dos melhores resultados de HMM e dos
melhores resultados de RBF.
HMM com VQ de 128 e 6 Estados RBF 4 Gaussianas
70 %
75 %
80 %
85 %
90 %
95 %
100 %
Comparação HMM e RBF
Sensitividade
Especificidade
Figura 55:
Comparação em gráfico em colunas dos piores resultados de HMM e dos piores
resultados de RBF.
87
Observando as figuras 54 e 55, pode-se concluir que o desempenho total dos sistemas
de reconhecimento de arritmias tanto por modelos HMM discretos quanto RBF, apresentam
praticamente nenhuma alteração comparando-se isoladamente seu melhor e seu pior
desempenho. Mesmo os parâmetros de sensitividade e especificidade permaneceram
praticamente inalterados com variação percentual para ambos inferior a 5 %.
88
CONCLUSÃO
A partir de todos os aspectos estudados no teor do presente trabalho, dentre os quais se
destacam o sistema cardiovascular, desfibrilação elétrica, processamento de sinais e
algoritmos reconhecedores de padrões, foi possível concluir que os sistemas reconhecedores
apresentam desempenhos bastantes satisfatórios para o reconhecimento do Ritmo Normal, da
Fibrilação Atrial, Taquicardia Ventricular e Fibrilação Ventricular.
Cabe destacar que a base de dados do PhysioNet foi utilizada para treinar e validar os
sistemas. Esta base de dados é internacionalmente difundida para a realização de pesquisas na
área de sinais biológicos.
Neste trabalho, algoritmos de detecção de complexos QRS não foram utilizados, e
nenhuma forma de sincronismo com o mesmo, como por exemplo, vetores formados por
intervalos R-R, do complexo QRS. Cabe ressaltar que um dos objetivos deste trabalho foi
explorar e analisar os desempenhos dos algoritmos frente as variações de freqüências de
batimentos cardíacos e sem nenhum tipo de sincronização.
Pôde-se perceber que ambos os sistemas tiveram baixa sensitividade para o modelo de
Fibrilação Atrial em teste aberto, sendo que o HMM teve esta sensitividade um pouco menor
em todos os modelos. Também percebeu-se que houve baixa especificidade para o modelo de
Ritmo Normal, tanto no HMM quanto na RBF, o qual neste caso, significa que ao ser
submetido um vetor de Fibrilação Atrial, o sistema muitas vezes identificava como Ritmo
Normal.
Em HMM discreto, percebemos que com o aumento do número de centróides do
espaço vetorial, o sistema tem a resposta ligeiramente melhorada, provavelmente devido ao
envolvimento deste aumento no treinamento das distribuições dos estados.
Nas redes neurais RBF, percebemos que a sensitividade dos modelos de Fibrilação
Atrial foi mais alta que os modelos HMM, pelo qual concluímos que a RBF consegue
generalizar mais a sensitividade para os padrões utilizados.
89
Analisando o ritmo da Fibrilação Atrial, observamos que existem duas características
principais, a primeira é com relação à onda P, inexistente e tendo em seu lugar uma onda
serrilhada, decorrente de vários focos excitatórios nos átrios. Outra característica é sua
freqüência cardíaca irregular, sem um intervalo constante de tempo entre as ondas R, fato este
principal que dificultou a identificação dos sistemas, sendo isto verificado pelas sensitividades
e especificidades medidas.
HMM com VQ de 128 e 6 Estados RBF 4 Gaussianas
50 %
55 %
60 %
65 %
70 %
75 %
80 %
85 %
90 %
95 %
100 %
Comparação entre HMM e RBF na Fibrilação Atrial
Sensitividade
Especificidade
Figura 56:
Comparação entre HMM de 5 estados e VQ de 64 centróides com a RBF de 4
Gaussianas na Fibrilação Atrial.
Observando a figura 56, verifica-se que ambos os sistemas reconhecedores têm
desempenho reduzido na sensitividade da Fibrilação Atrial, apresentando valores percentuais
bem inferiores aos medidos nos demais padrões.
90
4 Gaussianas 6 Gaussianas 8 Gaussianas 10 Gaussianas
55 %
60 %
65 %
70 %
75 %
80 %
85 %
90 %
95 %
100 %
Resultados RBF para Fibrilação Ventricular
Sensitividade
Especificidade
Figura 57:
Resultados da RBF para Fibrilação Ventricular.
Além disso, observa-se na figura 57, que os modelos RBF apresentam uma variação
expressiva na taxa percentual de sensitividade, em relação à quantidade de gaussianas
empregadas no reconhecimento da Fibrilação Ventricular. Tal variação não ocorre nos
sistemas HMM, o que denota uma maior vulnerabilidade da RBF para este tipo de sinal.
Figura 58 A:
Fibrilação Atrial [14]
Figura 58 B:
Fibrilação Ventricular [14]
91
As figuras 58 A e 58 B apresentam respectivamente a Fibrilação Atrial e a Fibrilação
Ventricular. Nota-se que o tipo de sinal da Fibrilação Atrial (58 A), como dito anteriormente,
não possui uma freqüência cardíaca regular. Tal comportamento parece fragilizar o
desempenho de ambos reconhecedores. No entanto na figura 58 B os reconhecedores tipo
HMM não apresentaram alteração de desempenho aparente, com relação à sensitividade,
enquanto a RBF, como já dito, apresentou variabilidade de desempenho dependendo do
número de gaussianas empregada. Tal tipo de comportamento em ambos os sistemas e em
observação aos padrões cardíacos em questão, sugerem que no caso da Fibrilação Ventricular
(58 B), a etapa de Quantização Vetorial permitiu uma melhor robustez do reconhecedor como
um todo devido ao processo de representação de quaisquer elementos componentes da onda
pelos seus respectivos centróides. O mesmo não ocorre com a RBF, que por ser um
reconhecedor de função de distribuição de probabilidade contínua, recebe diretamente o sinal,
e para tal, os vetores média, pesos sinápticos e variâncias foram calculados na etapa de
treinamento. Assim, explica-se que, dependendo do número de gaussianas teremos um
número variável de resultados por gaussiana, principalmente na Fibrilação Ventricular e deste
modo também alterando o resultado final.
Observa-se que ambos reconhecedores apresentam um bom desempenho e não
apresentam diferenças relevantes que possam conduzir à escolha de uma técnica ou de outra.
A escolha neste caso deverá ser mais em função dos padrões cardíacos a serem analisados,
juntamente com as suas características de comportamento temporais e morfológicos,
atentando-se para as fragilidades aqui mencionadas. Neste sentido, pode-se lançar mão de
técnicas adicionais de sincronização de ondas, ajustes de escala de tempo e quantização de
parâmetros, entre outras técnicas adicionais de modo a aumentar a robustez do sistema.
Outros aspectos significativos e intenções futuras baseadas neste trabalho, será
determinar qual dos algoritmos analisados será mais adequado para equipamentos portáteis
industriais e qual o mais indicado para sistemas complexos de auxílio ao diagnóstico.
Por último, os resultados aqui obtidos deverão servir como orientação segura para
qualquer pesquisador que no futuro necessite desenvolver e implementar um sistema de
reconhecimento de doenças cardíacas.
92
TRABALHOS FUTUROS
Além da base teórica e resultados práticos obtidos no decorrer deste trabalho, restam
ainda possibilidades de continuação nesta área de pesquisa e estudos futuros utilizando
diferentes métodos, entre eles:
- Criar um banco de dados nacional com doenças cardíacas e avaliadas por
profissionais da área.
- Utilizar Wavelets ou outra técnica adicional que dispense o uso de sincronismo ou
detecção de QRS e que conduzam a uma melhoria nos sistemas de reconhecimento de
doenças cardíacas.
- Utilização de outras topologias de redes neurais, como por exemplo, as redes não-
supervisionadas de Kohonen.
- A busca de um algoritmo completo para criação em hardware de um sistema de
reconhecimento de arritmias cardíacas para uso em equipamentos.
93
REFERÊNCIAS
[1] PHYSIONET, disponível em http://www.physionet.org. Acessado em: Out de 2005.
[2] WELCH ALLYN.
AED10 Automated External Defibrillator User’s Manual
. [S. l.]:
[S.ed.], [ S. d.]. 66 p.
[3] MHRA 04119.
Comparative specifications of Defibrillators
. Reino Unido: MHRA,
2004. 35 p.
[4] JEKOVA, Irena; MITEV, Petar. Detection of Ventricular Fibrillation and Tachycardia
form the surface ECG by a set of parameters acquired from four methods.
Institute of
Physics Publishing, Physiological Measurement
, n. 23, 2002, p 629-634.
[5] JEKOVA, Irena; KRASTEVA, Vessela. Real time detection of ventricular fibrillation
and tachycardia.
Institute of Physics Publishing, Physiological Measurement
, n. 25,
2004, p.1167-1178.
[6] HAI, Huang; HONGBO, Xie; ZHIZHONG, Wang. Discrimination of VT and VT with
Method of Detrend Fluctuation Analysis. In:
Proceedings of the 2004 International
Conference on Intelligent Mechatronics and Automation
. Cbengdu, China: [S.ed.],
2004, p.881-884.
[7] BOTSIVALY, M.; KOUTSOURAKIS, C.; SPYROPOULOS, B.. Evaluation of a new
technique for the Detection of Ventricular Fibrillation and Ventricular Tachycardia.
Proceedings of the 22 Annual EMBS International Conferenc
e. Chicago, IL: [S. ed.],
2000, p.938-941.
[8] FUSTER, Valentin.
Hurst’s the Heart
. 10 ed. New York, NY: McGraw-Hill, 2004.
2472 p.
[9] HURST, J.; LOGUE, R.
The Heart
. 2 ed. New York, NY: McGraw-Hill Book
Company, 1973. 1681 p.
[10] JATENE, Adib D.; RAMIRES, José A. F.,
Cardiologia Básica.
São Paulo: Editora
Roca, 1999. 125 p.
94
[11] GONÇALVES, Maria A. Noções
Básicas de Eletrocardiogramas e arritmias
. São
Paulo: SENAC, 1995. 115 p.
[12] DUBIN, Dale.
Interpretação Rápida do ECG.
3 ed.: Editora de Publicações
Científicas, 1996. 295 p.
[13] LETTNIN, Djones V.
Proposta de um núcleo de IP para classificação de Sinais
Cardíacos Baseado em técnicas de Redes Neurais e de Tolerância a Falhas
. Porto
Alegre: PUCRS, 2004. Dissertação de Mestrado em Engenharia Elétrica. Programa de
Pós-Graduação em Engenharia Elétrica, Porto Alegre, 2004. 153 p.
[14] PHIBBS, Brendan.
The Cardiac Arrhythmias.
3 ed.: The C.V. Mosby Company,
1978. 241 p.
[15] BÍBLIA. Português.
Bíblia Sagrada
. Traduzida por João Ferreira de Almeida. São
Paulo: Sociedade Bíblica do Brasil, 2005. 1144 p.
[16] COELHO, OR; CIRILLO, W; BARBEIRO, RMD; BARBEIRO, AS.
Parada
Cardíaca e Ressuscitação Cardiopulmonar: Conceituação e Histórico
. [S. l.]:
Timerman A, 1998.
[17] AMERICAN HEART ASSOCIATION. Guideline for Cardiopulmonary Resuscitation
and Emergency Cadiovascular Care Supplementum 24.
In: Circulation,
v. 112, Issue
24, dec. 2005.
[18] COHEN, Arnon.
Biomedical Signal Processing
. v. I. [ S. l.]: CRC Press, 1988. 167 p.
[19] BRONZINO, Joseph D..
The Biomedical Engineering Handbook
. [ S. l]: CRC Press,
1995. 2862 p.
[20] AMERICAN NATIONAL STANDARDS INSTITUTE, INC. ANSI/AAMI
DF80:2003.
Medical Electrical equipment – Part 2-4: Particular requirements for the
safety of cardiac defibrillators (including automated external defibrillators)
. [S.l]: [S.
ed], 2003. 67 p.
[21] TEXAS INSTRUMENTS.
Information for Medical Applications
. In: Texas
Instruments, 2Q, 2004.
[22] HAYES, Monson H.
Schaum’s outline of theory and problems of Digital Processing
.
New York, NY:
McGraw-Hill, 1999. 432 p.
[23] PROAKIS, John G.; MANOLAKIS, Dimitris G.
Digital Signal Processing Principles,
Algorithms, and Applications
. 3 ed. New Jersey, NY: Prentice Hall, 1996. 757 p.
[24] INGLE, Vinay K.; PROAKIS, John G.
Digital Signal Processing Using Matlab V.4
.
Boston, MA: PWS Publishing Company, 1997. 420 p.
95
[25] FAGUNDES, Rubem D.
Reconhecimento de Voz, Linguagem Contínua, usando
modelos de Markov
. São Paulo: USP, 1993. Dissertação de Mestrado em Engenharia
Elétrica. Escola Politécnica da Universidade de São Paulo. Departamento de
Engenharia Eletrônica, São Paulo, SP, 1993. 158 p.
[26] MADEIRO, F.; VILAR, R. M.; NETO, B. G.; ALENCAR, M. S. An Algorithm for
Voice Waveform VQ codebook design on PCA.
Revista da Sociedade Brasileira de
Telecomunicações
. [S. l], dez. 2002, v. 15, n.2, p.59-69.
[27] RABINER, Lawrence; JUANG, Biing.
Fundamentals of Speech Recognition
. New
Jersey: Prentice Hall, 1993. 507 p.
[28] DELLER, John R.; PROAKIS, John G.; HANSEN, John H. L.
Discrete-Time
Processing of Speech Signals
. [S. l.]: Macmillan Publishing Company, 1993. 908 p.
[29] BARDONOVA, Jana; PROVAZNIK, Ivo; NOVAKOVA, Marie; VESELA, Renata.
Detection of Myocardial Ischemia Using Hidden Markov Models. In:
Proceedings of
the 25 Annual International Conference of the IEEE EMBS
. Cancun, Mexico: [S. ed],
2003, p.2869-2872.
[30] BECCHETTI, Cláudio; RICOTTI, Lucio P.
Speech Recognition Theory and C++
implementation
. [ S.l.]
John Wiley and Sons, 1999. 407 p.
[31] HAYKIN, Simon.
Neural Networks: a comprehensive foundation
. 2 ed. New Jersey:
Prentice Hall, 1999. 842 p.
[32] KOVÁCS, Zsolt L.
Redes Neurais Artificiais Fundamentos e Aplicações
. 2 ed. São
Paulo, SP. Editora Collegium Cognitio, 1996. 174 p.
[33] HASSOUM, Mohamad H.
Fundamentals of Artificial Neural Networks
. MIT Press,
1995. 511 p.
[34] ROGERS, Joey.
Object-Oriented Neural Networks in C++
. [S. l.]: Academic Press,
1997. 310 p.
[35] DUDA, Richard O.; HART, Peter E.; STORK, Davis G.
Pattern Classification.
John
Wiley & Sons, 2001. 654 p.
[36] CASTRO, Maria C. F.
Predição Não-Linear de Séries Temporais Usando Redes
Neurais RBF por Decomposição em Componentes Principais
. São Paulo: UNICAMP,
2001. Tese de Doutorado apresentada à Universidade Estadual de Campinas –
UNICAMP, Faculdade de Engenharia Elétrica e de Computação. Campinas, SP,
2001. 192 p.
[37] TOMPKINS, Willis J.; PAN, Jiapu. A Real-Time QRS Detection Algorithm.
IEEE
Transactions on Biomedical Engineering
, v. 32, n. 3, March 1985, p.230-236.
[38] CASTRO, Maria C. F.; CASTRO, Fernando C.
Programa de Rede Neural RBF em
linguagem C.
Disponível em: <http://www.ee.pucrs.br/~decastro/C/RBFTrainer.zip>
Acesso em: out. 2005.
96
[39] GAO, Dayong; MADDEN, Michael; CHAMBERS, Des; LYONS, Gerard. Bayesian
ANN Classifier for ECG Arrhythmia Diagnostic System: A Comparison Study.
Proceedings of International Joint Conference on Neural Networks,
Montreal,
Canadá, 31 Julho – 4 de Agosto de 2005.
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
