Submitted by FABRÍCIO ELY GOSSLER null (fabricio_ely8@hotmail.com) on 2017-02-09T16:24:59Z No. of bitstreams: 1 Fabrício E. Gossler-Dissertação - Unesp - Feis-PPGEE.pdf: 5023440 bytes, checksum: b5346eb35f509f2283b503acccf22ec3 (MD5) / Approved for entry into archive by LUIZA DE MENEZES ROMANETTO (luizamenezes@reitoria.unesp.br) on 2017-02-14T16:08:30Z (GMT) No. of bitstreams: 1 gossler_fe_me_ilha.pdf: 5023440 bytes, checksum: b5346eb35f509f2283b503acccf22ec3 (MD5) / Made available in DSpace on 2017-02-14T16:08:30Z (GMT). No. of bitstreams: 1 gossler_fe_me_ilha.pdf: 5023440 bytes, checksum: b5346eb35f509f2283b503acccf22ec3 (MD5) Previous issue date: 2016-12-19 / Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) / Existem diferentes tipos de funções wavelets que podem ser utilizadas na Transformada Wavelet. Na maioria das vezes, a função wavelet escolhida para a análise de um determinado sinal vai ser aquela que melhor se ajusta no domínio tempo-frequência do mesmo. Existem vários tipos de funções wavelets que podem ser escolhidas para certas aplicações, sendo que algumas destas pertencem a conjuntos específicos denominados de famílias wavelets, tais como a Haar, Daubechies, Symlets, Morlet, Meyer e Gaussianas. Nesse trabalho é apresentada uma nova família de funções wavelets geradas a partir de polinômios com coeficientes de Fibonacci (FCPs). Essa família recebe o nome de Golden, e cada membro desta é obtido por uma derivada de ordem n do quociente entre dois FCPs distintos. As Golden wavelets foram deduzidas através das observações de que, em alguns casos, a derivada de ordem n, do quociente entre dois FCPs distintos, resulta em uma função que possui as características de uma onda de duração curta. Como aplicação, algumas wavelets apresentadas no decorrer deste trabalho são utilizadas na classificação de arritmias cardíacas em sinais de eletrocardiograma, que foram extraídos da base de dados do MIT-BIH arrhythmia database. / There exist different types of wavelet functions that can be used in the Wavelet Transform. In most cases, the wavelet function chosen for the analysis of a given signal will be the one that best adjusts in the time-frequency domain of the same signal. There are many types of wavelet functions that can be chosen for certain applications, some of which belong to specific sets called wavelet families, such as Haar, Daubechies, Symlets, Morlet, Meyer, and Gaussians. In this work a new wavelet functions family generated from Fibonacci-coefficients polynomials (FCPs) is presented. This family is called Golden, and each member is obtained by the n-th derivative of the quotient between two distinct FCPs. The Golden wavelets were deduced from the observations that in some cases the n-th derivative of the quotient between two distinct FCPs results in a function that has the characteristics of a short-duration wave. As an application, some wavelets presented in the course of this work are used to cardiac arrhythmia classification in electrocardiogram signals, which were extracted from the MITBIH arrhythmia database. / CNPq: 130123/2015-3

Orientador: Francisco Villarreal Alvarado / Resumo: Existem diferentes tipos de funções wavelets que podem ser utilizadas na Transformada Wavelet. Na maioria das vezes, a função wavelet escolhida para a análise de um determinado sinal vai ser aquela que melhor se ajusta no domínio tempo-frequência do mesmo. Existem vários tipos de funções wavelets que podem ser escolhidas para certas aplicações, sendo que algumas destas pertencem a conjuntos específicos denominados de famílias wavelets, tais como a Haar, Daubechies, Symlets, Morlet, Meyer e Gaussianas. Nesse trabalho é apresentada uma nova família de funções wavelets geradas a partir de polinômios com coeficientes de Fibonacci (FCPs). Essa família recebe o nome de Golden, e cada membro desta é obtido por uma derivada de ordem n do quociente entre dois FCPs distintos. As Golden wavelets foram deduzidas através das observações de que, em alguns casos, a derivada de ordem n, do quociente entre dois FCPs distintos, resulta em uma função que possui as características de uma onda de duração curta. Como aplicação, algumas wavelets apresentadas no decorrer deste trabalho são utilizadas na classificação de arritmias cardíacas em sinais de eletrocardiograma, que foram extraídos da base de dados do MIT-BIH arrhythmia database. / Mestre

Atrial fibrillation is one of the most common cardiac rhythm disorders characterized by ever-increasing prevalence and incidence in the Czech Republic and abroad. The incidence of atrial fibrillation is reported at 2-4 % of the population, but due to the often asymptomatic course, the real prevalence is even higher. The aim of this work is to design an algorithm for automatic detection of atrial fibrillation in the ECG record. In the practical part of this work, an algorithm for the detection of atrial fibrillation is proposed. For the detection itself, the k-nearest neighbor method, the support vector method and the multilayer neural network were used to classify ECG signals using features indicating the variability of RR intervals and the presence of the P wave in the ECG recordings. The best detection was achieved by a model using a multilayer neural network classification with two hidden layers. Results of success indicators: Sensitivity 91.23 %, Specificity 99.20 %, PPV 91.23 %, F-measure 91.23 % and Accuracy 98.53 %.