This work is dedicated to study of the recognition and classification of cardiac disease, diagnosised through the electrocardiogram ECG. This examination is normally used in heart medical center, emergency, intensive therapy, and with complement diagnosis in heart disease as: acute myocardium infarction, bundle block branches, hypertrophy and others. The software was developed for support to the model, with focus on extraction of ECG signal characteristics, and an artificial neural network for recognition of diseases. For extraction these characteristics, we have used a auto-regressive model, AR, with the algorithm least mean square LMS, to minimize the minimum error. The neural network, with architecture multilayer perceptron and back propagation algorithm of training, was chosen for the recognition of the standards. The method was showed efficient. / Este trabalho dedica-se ao estudo do reconhecimento e classificação de cardiopatias, diagnosticadas através do exame de eletrocardiografia, ECG. Esse exame é comumente utilizado em visitas a cardiologistas, centros de emergência, centros de terapia intensiva e exames eletivos para auxílio de diagnóstico de cardiopatias como: infarto agudo do miocárdio, bloqueios de ramos, hipertrofia e outros. O aplicativo desenvolvido para apoio ao trabalho focaliza a extração de características do sinal ECG, representado por ciclos e a aplicação destas características a uma rede neural artificial para reconhecimento das cardiopatias. Para extração das características do sinal, utilizamos o modelo matemático de previsão de comportamento de curvas, chamado de auto-regressivo, AR, onde utilizamos o passado histórico recente da curva para determinar o próximo ponto; em nosso caso, utilizamos o algoritmo dos mínimos quadrados para adequação do erro, conhecido como LMS. A rede neural de topologia perceptron multicamadas e com algoritmo de treinamento backpropagation foi escolhida para o reconhecimento dos padrões, pela sua capacidade de generalização. O método se mostrou adequado e eficiente ao objetivo proposto. / Mestre em Ciências

[pt] Esta dissertação estuda métodos e algoritmos para critérios de seleções dos retângulos envolventes focando em arquiteturas de detecção de objetos baseada redes neurais convolucionais para tempo real, que processam mais de 30fps, que também possibilitam a expansão para outras arquiteturas. O objetivo desta dissertação é melhorar as métricas Recall e Precision, proporcionando mais assertividade nos resultados destas arquiteturas sem a necessidade de recriá-las ou retreiná-las, diminuindo, assim, os recursos para manutenções. As arquiteturas que trabalham em tempo real normalmente não apresentam melhores resultados, pois são desenvolvidas visando a redução do tempo de execução. Para resolver estes problemas, serão testados outros métodos de critérios de seleção de retângulos envolventes em estado da arte, são eles: Nonmaximum Suppression (NMS), Soft-NMS, Non-Maximum Weighted (NMW) e Weighted Boxes Fusion (WBF). Os resultados obtidos foram comparados aos originais das arquiteturas, utilizando as métricas mAP, Recall e Precision. Através desta comparação foi possível comprovar que os novos critérios apresentaram bons resultados. O tempo de execução dos novos critérios também foi analisado com execuções de imagens em lotes, contornando alguns overheads dos critérios mais pesados. As arquiteturas utilizadas como base nos experimentos foram baseadas nos sistemas YOLOv3-Tiny e YOLOv4-Tiny, utilizando o dataset QMUL-OpenLogo público e especializado em logotipos e baseado em fotos reais. / [en] This dissertation studies methods and algorithms for bounding box selection criteria focusing on object detection architectures based on convolutional neural networks for real-time, processing over 30fps, which also allow expansion to other architectures. The goal of this study is to improve the Recall and Precision metrics, providing more assertiveness in the results of these architectures without the need to recreate or retrain them, thus reducing the resources for maintenance. Architectures that work in real-time usually do not present good results, because they are developed aiming to reduce execution time. To solve these problems, other state-of-the-art bounding box selection criteria methods will be tested: Non-maximum Suppression (NMS), Soft-NMS, Non-Maximum Weighted (NMW) and Weighted Boxes Fusion (WBF). The results obtained were compared to the original architectures, using the mAP, Recall and Precision metrics. Through this comparison it was possible to prove that the new criteria presented satisfactory results. The execution time of the new criteria was also analyzed with batch image executions, bypassing some overheads of the heavier criteria. The architectures used as basis for the experiments were based on the YOLOv3-Tiny and YOLOv4-Tiny systems, using the public dataset QMUL-OpenLogo specialized in logos and based on real photos.

[pt] Esta dissertação introduz um simulador híbrido inovador que combina um resolvedor de Equações Diferenciais Parciais (EDP) numérico de Elementos Finitos (FE) com uma Rede Neural de Passagem de Mensagens (MPNN) para realizar simulações de dinâmicas de sólidos deformáveis em malhas pouco refinadas. Nosso trabalho visa fornecer simulações precisas com um erro comparável ao obtido com malhas mais refinadas em discretizações FE,mantendo a eficiência computacional ao usar um componente MPNN que corrige os erros numéricos associados ao uso de uma malha menos refinada. Avaliamos nosso modelo focando na precisão, capacidade de generalização e velocidade computacional em comparação com um solucionador numérico de referência que usa malhas 64 vezes mais refinadas. Introduzimos um novo conjunto de dados para essa comparação, abrangendo três casos de referência numéricos: (i) deformação livre após um impulso inicial, (ii) alongamento e (iii)torção de sólidos deformáveis. Baseado nos resultados de simulação, o estudo discute as forças e fraquezas do nosso método. O estudo mostra que nosso método corrige em média 95,4 por cento do erro numérico associado à discretização, sendo até 88 vezes mais rápido que o solucionador de referência. Além disso, nosso modelo é totalmente diferenciável em relaçao a funções de custo e pode ser incorporado em uma camada de rede neural, permitindo que seja facilmente estendido por trabalhos futuros. Dados e código estão disponíveis em https://github.com/Kerber31/fast_coarse_FEM para investigações futuras. / [en] This thesis introduces a novel hybrid simulator that combines a numerical Finite Element (FE) Partial Differential Equation solver with a Message Passing Neural Network (MPNN) to perform simulations of deformable solid dynamics on coarse meshes. Our work aims to provide accurate simulations with an error comparable to that obtained with more refined meshes in FE discretizations while maintaining computational efficiency by using an MPNN component that corrects the numerical errors associated with using a coarse mesh. We evaluate our model focusing on accuracy, generalization capacity, and computational speed compared to a reference numerical solver that uses 64 times more refined meshes. We introduce a new dataset for this comparison, encompassing three numerical benchmark cases: (i) free deformation after an initial impulse, (ii) stretching, and (iii) torsion of deformable solids. Based on simulation results, the study thoroughly discusses our method s strengths and weaknesses. The study shows that our method corrects an average of 95.4 percent of the numerical error associated with discretization while being up to 88 times faster than the reference solver. On top of that, our model is fully differentiable in relation to loss functions and can be embedded into a neural network layer, allowing it to be easily extended by future work. Data and code are made available on https://github.com/Kerber31/fast_coarse_FEM for further investigations.