Made available in DSpace on 2016-08-29T15:32:43Z (GMT). No. of bitstreams: 1 tese_2746_Dissertacao Mestrado Sandra Mara Torres Muller.pdf: 1596961 bytes, checksum: 1c83c866ba9c4c8be2733c291bf4e2b7 (MD5) Previous issue date: 2012-08-01 / Neste trabalho foram estudadas e implementadas três técnicas incrementais de adaptação de modelos ocultos de Markov (HMM - Hidden Markov Model) baseadas nos algoritmos de treinamento, que são a esperança da maximização (expectation maximization - EM), a k-means segmental (segmental k-means) e a máximo a posteriori (Maximum a Posteri- ori -MAP). Essas técnicas, muito utilizadas em reconhecimento de voz, são aqui usadas para sinais biomédicos, mais precisamente para sinal de eletrocardiograma (ECG). Para tal objetivo, utilizou-se uma plataforma, já desenvolvida, de segmentação e classificação de ECG, além de detecções de anomalias cardíacas como extra-sístole ventricular (ESV) e isquemia do miocárdio. Nessa plataforma, os modelos de Markov são empregados na etapa de segmentação do sinal de ECG, tendo em vista a identificação das formas de onda elementares que compõem um ciclo cardíaco. O desenvolvimento dessas técnicas permite, uma vez que a plataforma esteja funcionando como sistema real, um juste autônomo dos modelos µas variações do sinal de ECG ao longo do tempo, assim como a outras variações presentes em um sistema real. As técnicas foram avaliadas a partir de experimentos usando duas bases de sinais de ECG: QT database e European ST-T database. Os resultados confirmam o ganho de desempenho obtido com a adaptação, permitindo uma modelagem do sinal ao longo do tempo mais apropriada. As técnicas desenvolvidas são indicadas também para outros tipos de sinais biomédicos, como o sinal de eletroencefalograma (EEG), por exemplo.