| Summary: | FundaÃÃo de Amparo à Pesquisa do Estado do Cearà === Anualmente no mundo, milhÃes de pessoas morrem vÃtimas de cardiopatias que em grande parte, podem ser detectadas atravÃs de sinais em eletrocardiograma. Essa anÃlise envolve o estudo do sinal, correspondendo Ãs arritmias estudadas, processo que pode ser automatizado atravÃs do aprendizado de mÃquinas. Esse trabalho compara os classificadores Floresta de Caminhos Ãtimos(OPF), utilizando 6 mÃtricas de distÃncias, MÃquinas de Vetores de Suporte com nÃcleo de funÃÃo de base radial (SVM-RBF) e Classificador Bayesiano aplicados problema da classificaÃÃo de arritmias em eletrocardiogramas, usando 6 tÃcnicas de extraÃÃo de atributos
e uma metodologia de separaÃÃo de conjuntos para evitar a interferÃncia das informaÃÃes de pacientes na classificaÃÃo. A base de dados utilizada foi a MIT-BIH Arrhythmia Database e foram avaliados desempenho em termos de taxa de acerto, generalizaÃÃo, atravÃs de sensibilidade e especificidade, e custo computacional. Foram consideradas classificaÃÃes em 5 e 3 classes de arritmias. O OPF mostrou o melhor desempenho em termos de generalizaÃÃo, enquanto o SVM-RBF obteve as maiores taxas de acerto. Os tempos de treino do OPF foram os menores entre os classificadores. No teste, o SVM-RBF foi o classificador que apresentou o menor custo computacional. === Currently in the world, millions of people die, victims of heart diseases, which in large part can be detected by analyzing signals of the electrocardiogram. This analysis involves the study of the signal corresponding to the arrhythmia studied and can be automated through machine
learning. This work compares the Optimum Path Forest (OPF) classifier using 6 distance metrics, the Support Vector Machines classifier with radial basis function kernel (RBF-SVM) and the Bayesian classifier, applied to the problem of ECG arrhythmias classification. This is done using 6 feature extraction techniques and a methodology for separating sets, to avoid the interference of patient information in classification. The performance is evaluated in terms of accuracy, generalization, through specificity and sensitivity, and computational cost. Classification was done using 5 and 3 classes of arrhythmias. The OPF showed the best performance in terms of generalization, while the SVM-RBF had the highest accuracy rates. The training times
of OPF were the lowest among the classifiers. In the test, the RBF-SVM classifier presented best computational cost.
|
|---|
