Detecção automática da apneia do sono em sinais de ECG utilizando aprendizado de máquina
Carregando...
Arquivos
Data
Autores
Orientador(es)
Coorientador(es)
Costa Filho, Cícero Ferreira Fernandes
Membros da banca
Serrão, Mikaela Kalline Maciel
Pinagé, Frederico da Silva
Pinagé, Frederico da Silva
Pós-Graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal do Amazonas
Tipo
Direito de acesso
DOI
Resumo
A apneia obstrutiva do sono (AOS) é um distúrbio respiratório associado a elevada morbimortalidade cardiovascular e a custos expressivos para o sistema de saúde. O exame padrão ouro para diagnóstico, a polissonografia, é caro, demorado e demanda infraestrutura especializada, oque limita seu uso em larga escala. Nesse contexto, o eletrocardiograma (ECG) de uma única derivação surge como alternativa promissora para triagem automatizada, pois registra indiretamente alterações cardiorespiratórias associadas aos eventos apneicos. Esta dissertação propõe um método automatizado para detecção da AOS a partir de sinais de ECG noturnos da base pública Apnea-ECG (PhysioNet). O sinal bruto é submetido a um pipeline de pré-processamento que inclui detecção e remoção de ruídos, filtragem em cascata (filtro de mediana, Savitzky-Golay, e Butterworth passa-alta) e normalização Z-score, preservando a morfologia do ECG. Em seguida, os segmentos de 60 s são transformados em espectrogramas tempo-frequência por meio da STFT, e realçados pela técnica CLAHE, produzindo imagens 2D usada como entrada para arquiteturas modernas de deep learning: ConvNext-Tiny, ConvNextV2-Tiny e Swin transformer-Tiny. O desbalanceamento entre classes apneia/normal é tratado com a função de perda Focal Loss, e avaliam-se ainda estratégias de ensemble entre modelos. A acurácia, sensibilidade, especificidade e F1-score são utilizadas para mensurar o desempenho. Nos experimentos, o ensemble proposto com a votação ponderada (Weighted Voting) alcançou acurácia de 95,9% sensibilidade de 97,4%, especificidade de 93,5% e F1-score em torno de 97%, superando a maioria dos métodos da literatura na base Apnea-ECG e evidenciando o potencial da abordagem para aplicação em sistemas de triagem automática da AOS.
Abstract
Obstructive Sleep Apnea (OSA) is a respiratory disorder associated with high cardiovascular morbidity and mortality, as well as significant costs for healthcare system. The gold standard diagnostic test, polysomnography, is expensive, time-consuming, and requires specialized infrastructure, which limits its large-scale use. In this context, the single-lead electrocardiogram (ECG) emerges as a promising alternative for automated screening, as it indirectly captures cardiorespiratory changes associated with apneic events. This dissertation proposes an automated method for OSA detection based on nocturnal ECG signals from the public Apnea-ECG (PhysioNet) database. The raw signal is processed through a preprocessing pipeline that includes noise detection and removal, cascaded filtering (median filter, Savitzky-Golay, and high-pass Butterworth) and Z-score normalization, while preserving ECG morphology. Then, 60 seconds segments are transformed into time-frequency spectrograms using STFT and enhanced with the CLAHE technique, generating 2D images used as input to modern deep learning architectures: ConvNext-Tiny, ConvNextV2-tiny, Swin transformer-Tiny. The imbalance between apnea/normal classes is handled with focal loss function, and ensemble strategies among models are also evaluated. Accuracy, sensitivity, specificity, and F1-score are used to assess performance In the experimental evaluation, the proposed ensemble with weighted voting achieved an accuracy of 95,9%, sensitivity of 97,4%, specificity of 93,5%, and F1-score of approximately 97%, outperforming most related works on the Apnea-ECG database and highlighting the potential of the approach for automatic OSA screening systems.
Descrição
Palavras-chave
Termo controlado
Apneia Obstrutiva do Sono; Diagnóstico por Computador; Frequência Cardíaca
Objetivos de Desenvolvimento Sustentável (ODS)
Citação
DIAS, Daniel de Deus Brandão. Detecção automática da apneia do sono em sinais de ECG utilizando aprendizado de máquina. 2025. 96 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus (AM), 2025.
Coleções
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto