Please use this identifier to cite or link to this item: http://repositorio.ufes.br/handle/10/6209
Title: Adaptação dos Modelos de Markov para um Sistema de Segmentação e Classificação de Sinais de Eletrocardiograma
metadata.dc.creator: Müller, Sandra Mara Torres
Keywords: processos de Markov;wavelets (matemática);otimização matemática;reconhecimento de padrões
Issue Date: 3-Apr-2006
Publisher: Universidade Federal do Espírito Santo
Citation: MÜLLER, Sandra Mara Torres. Adaptação dos Modelos de Markov para um Sistema de Segmentação e Classificação de Sinais de Eletrocardiograma. 2006. 99 f. Dissertação (Mestrado em Automação) - Universidade Federal do Espírito Santo, Vitória, 2006.
Abstract: Neste trabalho foram estudadas e implementadas tr^es t¶ecnicas incrementais de adapta»c~ ao de modelos ocultos de Markov (HMM - Hidden Markov Model) baseadas nos algoritmos de treinamento, que s~ ao a esperan»ca da maximiza»c~ ao (expectation maximization - EM), a k-means segmental (segmental k-means) e a m¶aximo a posteriori (Maximum a Posteri- ori -MAP). Essas t¶ecnicas, muito utilizadas em reconhecimento de voz, s~ ao aqui usadas para sinais biom¶edicos, mais precisamente para sinal de eletrocardiograma (ECG). Para tal objetivo, utilizou-se uma plataforma, j¶ a desenvolvida, de segmenta» c~ ao e classi¯ca» c~ ao de ECG, al¶em de detec»c~ oes de anomalias card¶³acas como extra-s¶³stole ventricular (ESV) e isquemia do mioc¶ ardio. Nessa plataforma, os modelos de Markov são empregados na etapa de segmenta»c~ ao do sinal de ECG, tendo em vista a identi¯ca» c~ ao das formas de onda elementares que comp~oem um ciclo card¶³aco. O desenvolvimento dessas t¶ecnicas permite, uma vez que a plataforma esteja funcionando como sistema real, um ajuste aut^ onomo dos modelos µas varia» c~ oes do sinal de ECG ao longo do tempo, assim como a outras varia» c~ oes presentes em um sistema real. As t¶ecnicas foram avaliadas a partir de experimentos usando duas bases de sinais de ECG: QT database e European ST-T database. Os resultados con¯rmam o ganho de desempenho obtido com a adapta»c~ ao, permitindo uma modelagem do sinal ao longo do tempo mais apropriada. As t¶ecnicas desenvolvidas s~ ao indicadas tamb¶em para outros tipos de sinais biom¶edicos, como o sinal de eletroencefalograma (EEG), por exemplo.
In this work three incremental adaptation methods for the hidden Markov models (HMM) are studied and implemented, which are based on the Expectation-Maximization (EM), Segmental k-Means and Maximum a Posteriori (MAP) algorithms. These methods, already used in the speech recognition field, are applied here in the electrocardiogram (ECG) segmentation problem. For that, it was used an ECG analysis system able to segment and classify cardiac diseases, like premature ventricular contraction (PVC) and ischemia. The use of these methods allow us to adjust the models to the signal fluctuations commonly met during ambulatory recording. The methods can also be implemented for other kinds of biomedical signals, like electroencephalogram (EEG).
URI: http://repositorio.ufes.br/handle/10/6209
Appears in Collections:PPGEE - Dissertações de mestrado

Files in This Item:
File Description SizeFormat 
Sandra Mara Torres Muller.pdf1.56 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.