Classificação de arritmias cardíacas via rede neural convolucional com mecanismo de atenção local

As arritmias cardíacas representam alterações no ritmo ou frequência dos batimentos do coração e estão associadas a riscos significativos à saúde. O eletrocardiograma (ECG) permanece como o principal exame não invasivo para seu diagnóstico, sendo que a análise manual de longos registros é trabalhosa e sujeita a erros. Considerando as dificuldades provenientes da análise manual do sinais de ECG, sistemas automáticos de classificação de arritmias baseados em inteligência artificial vêm sendo propostos na literatura como alternativa promissora para apoio ao diagnóstico médico. Dentro deste contexto, este trabalho apresenta a proposta de um classificador automático de arritmias cardíacas baseado em Redes Neurais Convolucionais (CNN - Alexnet), com mecanismo de atenção local integrado a sua arquitetura, desenvolvido considerando o paradigma interpaciente. O estudo se concentrou na investigação e definição da técnica mais adequada, entre Gramian Angular Field (GAF) e Hilbert Space-Filling (HSFC), para a conversão dos sinais temporais de ECG em imagens, para serem utilizadas como entrada para a CNN e, em avaliar o impacto de diferentes configurações internas do mecanismo de atenção local proposto, especificamente no que diz respeito à escolha da função de ativação (Tangente Hiperbólica ou Sigmóide) e do tipo de kernel (fixo ou adaptativo). Para os experimentos foi utilizada a base de dados MIT-BIH Arrhythmia Database, sendo que o desempenho dos modelos treinados foi avaliado segundo medidas de desempenho padronizadas, como acurácia, precisão, sensibilidade, especificidade e F1-score. Os experimentos mostraram que a combinação GAF com função de ativação Tangente Hiperbólica e kernel adaptativo no módulo de atenção apresentou o melhor resultado, alcançando acurácia de 97,88