Escolar Documentos
Profissional Documentos
Cultura Documentos
1 Introdução
A arritmia cardíaca é uma doença que causa a alteração da frequência natural dos ba-
timentos cardíacos, seja através da aceleração, desaceleração ou até mesmo irregularidade da
mesma. Além de poder dar origem a outras doenças, a própria arritmia pode levar a casos
de morte súbita, o que a torna uma verdadeira preocupação para os coordenadores da saúde
pública do país. De acordo com a SOBRAC (Sociedade Brasileira de Arritmias Cardíacas),
essa doença atinge mais de 20 milhões de brasileiros e cerca de 320 mil desses vem a óbito a
cada ano. (EMPRESA BRASIL DE COMUNICAÇÃO - EBC, 2016)
A preocupação para com esta doença cresce ainda mais ao observar mais dados estatísticos
relativos à morte súbita por arritmias cardíacas: 50% dos casos são assistidos por adolescen-
tes/crianças sem nenhum adulto por perto - que muitas vezes são incapazes de prestar o socorro
devido; 86% dos casos ocorrem em ambiente domiciliar, dificultando o atendimento médico de
prontidão; e a cada minuto passado sem a prestação de socorro aumenta-se de 7% a 10% a
probabilidade de morte da vítima.(SOBRAC, 2023)
Em posse de tais informações, é trivial compreender a importância da realização de di-
agnósticos prévios em intuito de mitigar os problemas decorrentes das arritmias. Para tal, a
identificação de sintomas é essencial, sendo as palpitações cardíacas, tonturas e desmaios alguns
possíveis exemplos destes. Entretanto, em muitos casos, a doença pode ser completamente si-
lenciosa, sem manifestação alguma de sintomas. (SECRETARIA DA SAÚDE DO ESTADO
DO CEARÁ, 2023) Nestes casos os riscos aumentam muito, já que medidas preventivas con-
tra a doença provavelmente não serão tomadas devido o desconhecimento por parte de seus
portadores - abrindo um espaço indesejado para o crescimento das taxas de mortalidade dessa
enfermidade.
Dentro deste ambiente, a utilização da inteligência artificial e suas ferramentas para cria-
ção de modelos capazes de processar dados de eletrocardiogramas surge como uma ideia interes-
sante. Isso porque tais modelos muito auxiliariam o trabalho de médicos e outros profissionais
da área da saúde, contribuindo como uma via alternativa ou ferramenta de sugestão para os
métodos já existentes na medicina, além de ser uma poderosa ferramenta de análise para os
casos silenciosos da doença. Tais fatos são enfatizados por Lobo (2017), que ressalta a im-
portância do computador e seus métodos para segurança da saúde pública do país. Alguns
bons exemplos desses métodos e modelos podem ser vistos nos trabalhos submetidos à 2022
ACM/IEEE TinyML Design Contest, onde foram criados alguns destinados à integração com
sistemas embutidos. (TINYML CONTEST, 2022)
Adentrando às vias de inteligência artificial, uma técnica interessante e não tão popular
é o multitasking. Sua premissa é de fácil entendimento: ao invés de treinar o modelo para
classificar os dados em uma tarefa única, são criadas várias tarefas que compartilham um corpo
de modelo comum, se diferenciando apenas em suas camadas finais classificatórias (RUDER,
2 Revisão da literatura
A utilização de inteligência artificial e suas ferramentas para detecção de arritmias cardía-
cas já é um assunto conhecido pelo mundo acadêmico. Como visto em (LI; RAJAGOPALAN;
CLIFFORD, 2013), já existem modelos capazes de atingir a faixa de 98% de acurácia em bases
in-sample e acurácia de 96% em casos de cross-validation, e que estes constituem o estado da
arte atual. Para atingir tais resultados, diversas técnicas e métodos foram empregados, como
a filtragem dos sinais de eletrocardiograma; análises de espectro através de transformadas de
Fourier destes mesmos sinais; a seleção de features específicas sobre os dados de entrada - visto
que nem todos dados apresentam um verdadeiro poder preditivo; entre outros.
Outro estilo de trabalho presente no meio são os que se dedicam a detecção dos tipos
de arritmia. Como visto em (ALFARAS; SORIANO; ORTIN, 2019) e em (SHIMPI et al.,
2017), onde empregam-se algoritmos genéticos, regressões logísticas, clustering e modelos de
redes neurais. Estes trabalhos também apresentam métricas que atingem elevados patamares,
a exemplo do primeiro, que atinge 98% de acurácia em algumas das bases testadas.
Ainda no tema, mas relativamente menos popular, são os trabalhos que visam a criação de
redes neurais multi-task dentro do âmbito de detecção de arritmias. Em (JI et al., 2018), publi-
cado em 2018, os próprios autores enunciam que "até onde sabemos, nós somos os primeiros a
propor um esquema multitarefas para análise de dados ECG" 1 . Apesar de que outros trabalhos
posteriores a este tenham sido desenvolvidos, torna-se evidente que essa é uma sub-área de pes-
quisa mais enxuta quando comparada com as anteriormente citadas. Mesmo assim, os autores
do trabalho citado acima confirmam que "os resultados ilustram que o esquema proposto por
1
To the best of our knowledge, we are the first to propose a deep multi-task learning scheme for ECG data
analysis
3 Fundamentos
3.1 Arritmia cardíaca
Como definido pela American Heart Association (2023), uma arritmia cardíaca corres-
ponde a qualquer problema relativo à frequência/ritmo dos batimentos cardíacos de uma pessoa.
Durante essa, os batimentos de uma pessoa podem ser muito rápidos, muito lentos ou descon-
tínuos, o que afeta o normal funcionamento do coração. E como este é um órgão vital para o
funcionamento dos diversos sistemas do corpo humano, as arritmias se tornam extremamente
perigosas, implicando até mesmo em risco de morte.
Por abranger vários problemas relativos aos batimentos do coração, as arritmias podem ser
classificadas de acordo com suas características. A tabela abaixo, construída com as informações
contidas em (AMERICAN HEART ASSOCIATION, 2023), sintetizam as arritmias quanto ao
seu nome e suas características.
Nome Características
Batimentos irregulares. As cavidades superiores do coração
Fibrilação atrial não são capazes de bombear sangue suficiente para fora de
si, podendo gerar perigosos coágulos.
Batimentos muito acelerados e irregulares. Similares sinto-
Flutter atrial
mas em relação à fibrilação atrial, apesar de ser mais raro.
Batimentos irregulares. As cavidades inferiores do coração
Fibrilação ven- não são capazes de bombear sangue algum para o resto do
tricular corpo, gerando colapso de órgãos e parada cardíaca. Extre-
mamente letal.
Bradicardia Batimentos muito lentos, em geral abaixo de 60bpm.
Taquicardia Batimentos muito acelerados, em geral acima de 100bpm.
Ritmo sinusal Ritmo natural de batimento do coração.
2
Results illustrate that our proposed scheme can improve the accuracy of ECG data analysis by up to about
5.1%
(
x, x > 0
f (x) =
0, x ≤ 0
1
f (x) =
1 + e−x
Já a função loss, apesar de também ser uma função matemática, tem um propósito dis-
tinto: calcular a eficiência de um determinado modelo em uma predição realizada. E essa ope-
ração é feita comparando a predição obtida com o real resultado esperado, almejando portanto
reduzi-la o máximo possível. É interessante pontuar que, para diferentes tipos de problemas,
existem diferentes tipos de função loss. Abaixo seguem dois exemplos: o primeiro é da cross-
entropy loss, característica de problemas de classificação; e o segundo é da mean squared error
(MSE), característica de problemas de regressão.
n
X
f (x) = − ti log(pi )
i=1
n
1X
f (x) = (yi − ŷi )2
n i=1
3.4 Multitasking
Multitasking é um método de construção de redes neurais. Sua premissa básica é es-
pecializar um determinado modelo em múltiplas tarefas ao invés de apenas uma. Para tal,
constrói-se um modelo base formado por camadas compartilhadas entre as tarefas - onde os
pesos são atualizados de maneira conjunta - e camadas especializadas para cada tarefa ao final.
3.5 Self-learning
Self-learning é constituído por técnicas que permitem um modelo aprender e produzir
informações alternativas e/ou complementares às já existentes na base de dados em questão.
Em seu escopo, não é necessário consulta a bases externas ou novas fontes de informação,
realizando seu serviço em cima dos próprios dados originais.
É elementar entender que de quanto mais fontes de dados/informações um modelo se
alimente melhor é - visto que assim ele provavelmente se tornará mais generalista e eficaz.
Entretanto, muitas vezes obter essas novas fontes pode ser um processo muito custoso ou até
mesmo inviável/impossível. Dessa forma, o self-learning torna-se muito interessante, já que é
capaz de produzir essas novas informações sem necessidade de fontes externas e a um baixo
custo.
Em (DÓPIDO et al., 2013) é possível ver o self-learning em ação no contexto de classifi-
cação de imagens hiperespectrais: a alta dimensionalidade dos dados e a sua escassez (devido a
necessidade de equipamento extremamente especializado e de alto custo) muito dificultam essa
tarefa de classificação. Entretanto, através do self-learning, foi possível gerar dados e tarefas
para os modelos treinados, permitindo que estes atingissem patamares de acurácia acima de
90%.
4 Métodos
4.1 Descrição dos materiais
• Os experimentos foram realizados utilizando uma máquina do Google Colab (GOOGLE,
2023), utilizando a versão lançada no dia 23 de junho de 2023, configurada com:
Tabela 2: Pesos de cada tarefa para cálculo da loss em cada instância de treinamento
De posse dessa informação, três importantes métricas que serão utilizadas neste trabalho
são a acurácia, a precisão e o recall, que podem ser respectivamente definidos como:
TP + TN
AC =
P +N
TP
PR =
TP + FP
TP
RE =
TP + FN
5 Resultados
Realizados os experimentos, os dados obtidos podem ser relacionados de acordo com a
task em específico e a configuração dos pesos. Para tal, foi construída a tabela a seguir, em que
em cada entrada consta a média entre acurácia, precisão e recall, com exceção da task 3 que é
um problema de regressão (onde está presente o MSE).
Foi possível notar que a alteração dos pesos exerceu pouca influência sobre os resulta-
dos finais, fato facilmente observável nos testes 1, 4 e 5, que apresentaram - com ressalva às
diferenças das aproximações - o mesmo resultado.
Em seguida, prosseguiu-se com a realização de testes T para verificar se o multitasking
e o self-learning de fato promoveram ampliação da capacidade preditiva do modelo. Para
conseguir as amostras sem utilização do multitask, utilizou-se de um modelo com a mesma
arquitetura e configuração, mas sem as diferentes branches para cada tarefa, apenas a tarefa
original (presença de risco de vida ou não); e para as amostras do multitask, escolheu-se,
1. t = 1,714
2. 19 graus de liberdade
Referências
ALFARAS, Miquel; SORIANO, Miguel C; ORTIN, Silvia. A fast machine learning model for
ECG-based heartbeat classification and arrhythmia detection. Frontiers in Physics,
Frontiers, p. 103, 2019.
AMERICAN HEART ASSOCIATION. What is an Arrhythmia? Disponível em:
<https://www.heart.org/en/health-topics/arrhythmia/about-arrhythmia>. Acesso
em: 15 jun. 2023.
AWS. O que é uma rede neural? Disponível em:
<https://aws.amazon.com/pt/what-is/neural-network/>. Acesso em: 16 jun. 2023.
COELHO, Mateus. Fundamentos De Redes Neurais. 2017. Disponível em:
<http://www2.decom.ufop.br/imobilis/fundamentos-de-redes-neurais/>. Acesso em:
16 jun. 2023.
DANG, Tommy. Guide to accuracy, precision, and recall. 2022. Disponível em:
<https://www.mage.ai/blog/definitive-guide-to-accuracy-precision-recall-for-
product-developers>. Acesso em: 16 jun. 2023.
DÓPIDO, Inmaculada et al. Semisupervised self-learning for hyperspectral image
classification. IEEE transactions on geoscience and remote sensing, IEEE, v. 51, n. 7,
p. 4032–4044, 2013.