DETECTOR DE ARRITMIAS EM SINAIS DE ECG USANDO REDES

NEURAIS
Brbara Gabrielle Marques de Alcntara*** e Gabriela Nery Frana**
*Ncleo de Tecnologia, Bioengenharia e Tecnologias Sociais NETBio, Universidade Federal de
Pernambuco
**Departamento de Engenharia Biomdica da Universidade Federal de Pernambuco, Recife, Brasil
e-mail: gabynery_@hotmail.com
Resumo: As arritmias so distrbios cardacos comuns
e podem causar srios riscos para a vida das pessoas,
sendo uma das principais causas de morte. Essas mortes
poderiam ser evitadas se um monitoramento prvio
fosse
realizado,
utilizando-se
o
exame
de
eletrocardiograma (ECG). Neste trabalho procurou-se
fomentar a discusso a respeito do melhor parmetro
adotado em cada rede neural e a melhor rede neural seja
ela perceptron multicamadas ou SVM para resolver o
problema de arritmia.
Palavras-chave: Deteco de arritmia, redes neurais,
ECG, perceptron multicamadas, SVM.

diferentes partes do corpo, com o uso de um gel

condutor que evita interferncias durante o exame. A
atividade eltrica do corao passa para os tecidos
vizinhos, chega at a pele e captada pelos eletrodos.
Essa informao enviada para um aparelho chamado
eletrocardigrafo, que a registra em um grfico.
Analisando o traado, possvel verificar a sequncia
de batimentos e descobrir se o ritmo normal e se a
atividade cardaca rpida (taquicardia) ou lenta
(bradicardia), ou que os impulsos elctricos seguem vias
ou trajetos anmalos, considerando assim que o corao
tem um ritmo anormal (arritmia) [2].

Abstract: The arrhythmias are common cardiac riots

and may cause serious risks to the life of people, being
one of the main causes of death. These deaths could be
avoided if a previous monitoring was carried through,
using the Electrocardiogram (ECG) exam. In this work
has sought to foster discussion about the best parameter
adopted in each neural network and the best neural
network multilayer perceptron or SVM to solve a certain
problem of arrhythmia.
Keywords: Arrhythmia detection, neural networks,
ECG, multilayer perceptron, SVM.

Arquivos ARFF (Attribute-Relation File Format)

um formato de arquivo de texto que descreve uma lista
de atributos e classificadores. Desenvolvido para uso
com o software de aprendizado de mquina Weka [4].
1) Obteno da Base de Dados
A partir do Machine Learning Repository, diretrio
de base de dados, onde encontrada Arrithymia. Base a
qual contm dados referentes a pacientes que realizaram
o ECG. Ela o resultado do estudo de pacientes que
foram classificados em 16 grupos: 01 ECG normal,
02 a 15 refere-se aos diferentes tipos de arritmia e o 16
sem classificao. E possui 279 atributos lineares e
nominais [5].
2) Criao do Arquivo ARFF
Para criar o arquivo no formato ARFF fez uso do
modelo contido no Manual Weka, para organizar uma
lista de atributos e classificadores que fossem
compatveis com o software Weka 3.6.11. A partir desta
lista obteve-se um arquivo no formato TXT, obtido da
juno dos dados contidos no diretrio. Ento, com uso
do software Weka converteu-se o arquivo no formato
TXT em ARFF.
3) Testes com as redes neurais
As redes neurais testadas foram Multilayer
Perceptron, e SMO como semelhana da SVM, pois h
uma grande variedade de implementao de SVMs
disponveis, no caso deste trabalho, foi utilizado o SMO
por disponibilidade do Weka.
Os parmetros fixos em todos os testes foram
Cross-validation Folds 10 e Percentage Split 80%.
O parmetro varivel da rede neural Multilayer
Perceptron foi Hidden Layers variando de 1 a 3, e da

Introduo
Doenas relacionadas ao aparelho circulatrio
representam grande parte dos bitos do Brasil, chegando
a 27,55% do total registrado entre 1996 e 1997, para
todas as idades [1].

Materiais e mtodos
Eletrocardiograma de superfcie (ECG) - um
procedimento no invasivo que registra a atividade
eltrica do corao quando o paciente est em
repouso. O exame capaz de definir o nmero de
batimentos por minuto, e o ritmo do corao,
identificando problemas como arritmias, distrbios de
conduo eltrica e eventuais sobrecarga das cavidades
cardacas. Ele consiste em colocar seis eletrodos em
1

SMO foi o vetor de suporte Kernel, podendo ser

PolyKernel, RBFKernel ou NormalizedPolyKernel.

estatstica kappa que a rede com 2 camadas ou 1

camada. Isso verificado, porque o maior nmero de
camadas de neurnios pode criar mais nodos de entrada
e sada e com isso, modelar melhor a funo.
Na Tabela 2 verificada a arquitetura da rede SMO
com a modificao dos vetores de suporte (Kernel) entre
PolyKernel, RBFKernel e NormalizedPolyKernel,
observando que o vetor PolyKernel apresentou a
estatstica kappa, prxima de 1, ou seja, a arquitetura
dessa rede apresentou os melhores resultados para a
classificao e deteco da arritmia. Porm, quando se
tratou dos testes para o vetor RBFKernel, o valor de
kappa foi zero, o que indica que houveram muitos erros
de classificao. E tambm quando se utilizou o vetor
NormalizedPolyKernel, o valor de kappa foi prximo de
0, apresentando tambm muitos erros na deteco da
arritmia.
O Grfico 1 apresenta as respectivas porcentagens
de classificao correta e incorreta das redes a partir da
arquitetura. A rede MLP aumentou o nmero de
classificaes corretas com o aumento do nmero de
camadas, alcanando cerca 62,22% de acertos. Contudo,
confirmando os resultados das tabelas 1 e 2, a
arquitetura que apresentou mais classificaes corretas,
com de 84,44%, foi a SMO com vetor PolyKernel.

Resultados
A Tabela 1 apresenta a estatstica kappa, como
resultado dos testes de classificao na rede MLP, a
partir da variao do nmero de camadas (parmetro
Hidden Layer) da rede.
Tabela 1: Resultados da Rede MPL.

Hidden Layer
1
2
3

Kappa
0.2686
0.3960
0.4251

A Tabela 2 apresenta a estatstica Kappa para a rede

SMO, a partir da variao do vetor de suporte
(Parmetro Kernel).
Tabela 2: Resultados da Rede SMO.

Kernel
PolyKernel
RBFKernel
NPKernel

Kappa
0.7505
0.0000
0.1084

Concluso
Os resultados de melhor classificao dos dados de
arritmia indicam a eficcia da deteco da doena com o
mtodo de redes neurais.
A aplicao dos dados e os estudos da rede
mostraram que a arquitetura de melhor desempenho
para utilizao como detector, seria representada por
redes de arquitetura SVM, representada neste artigo pela
rede SMO, que apresentou uma porcentagem de acerto
de 80% e um ndice de erro baixo, segundo a estatstica
kappa. O que torna este mtodo na faixa de acerto de
diagnstico feito por profissionais da sade.
Portanto, a utilizao de redes neurais para a
deteco de arritmias cardacas so utilizveis e
eficientes desde que observada a melhor arquitetura da
rede, para resultados prximos dos usuais.

O Grfico 1 apresenta as porcentagens de

classificao correta e incorreta das redes MPL e SVM,
a partir da variao dos parmetros: O nmero de
camadas (HL) para a rede MPL e o vetor de suporte
(Kernel) para a rede SMO.

Referncias
[1] Frenkel, Daniel; Nadal, Jurandir. Comparao de
Mtodos de Representao do Segmento ST na
Deteco Automtica de Isquemias Miocrdicas.
Revista Brasileira de Engenharia Biomdica, v. 16,
n. 3, p. 153-162, 2000.
[2] SBC (Sociedade Brasileira de Cardiologia). Diretriz
de interpretao de eletrocardiograma de repouso.
Arquivo Brasileiro de Cardiologia, volume 80,
(suplemento II), 2003.
[4] Bouckaert, RR; Frank, E; Hall M; Kirkby, R;
Reutemann P; Seewald, A; Scuse D; Weka manual (3.6.
6). 2011.
[5] Bache, K. & Lichman, M. (2013). UCI Machine
Learning Repository [http://archive.ics.uci.edu/ml].

Grfico 1: Porcentagens de Classificao Correta e

Incorreta das redes.

Discusso
observado pela Tabela 1 a arquitetura da rede
MLP, apresentou ndices kappa, muito prximos de 0. O
que indica muitos erros de classificao, ou seja, erros
de deteco da arritmia cardaca. Ainda, em comparao
a variao do nmero de camadas, observa-se que a rede
com 3 camadas, comporta-se melhor, com uma maior

Irvine, CA: University of California, School of

Information and Computer Science.
.