Made available in DSpace on 2016-12-23T14:07:25Z (GMT). No. of bitstreams: 1
Sandra Mara Torres Muller.pdf: 1594751 bytes, checksum: b3abd1c42aa0001991d29eefe9754019 (MD5)
Previous issue date: 2006-04-03 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / In this work three incremental adaptation methods for the hidden Markov models (HMM) are studied and implemented, which are based on the Expectation-Maximization (EM), Segmental k-Means and Maximum a Posteriori (MAP) algorithms. These methods, already used in the speech recognition field, are applied here in the electrocardiogram
(ECG) segmentation problem. For that, it was used an ECG analysis system able to segment and classify cardiac diseases, like premature ventricular contraction (PVC) and
ischemia. The use of these methods allow us to adjust the models to the signal fluctuations commonly met during ambulatory recording. The methods can also be implemented for other kinds of biomedical signals, like electroencephalogram (EEG). / Neste trabalho foram estudadas e implementadas tr^es t¶ecnicas incrementais de adapta»c~ ao de modelos ocultos de Markov (HMM - Hidden Markov Model) baseadas nos algoritmos de treinamento, que s~ ao a esperan»ca da maximiza»c~ ao (expectation maximization - EM), a k-means segmental (segmental k-means) e a m¶aximo a posteriori (Maximum a Posteri- ori -MAP). Essas t¶ecnicas, muito utilizadas em reconhecimento de voz, s~ ao aqui usadas
para sinais biom¶edicos, mais precisamente para sinal de eletrocardiograma (ECG). Para tal objetivo, utilizou-se uma plataforma, j¶ a desenvolvida, de segmenta» c~ ao e classi¯ca» c~ ao de ECG, al¶em de detec»c~ oes de anomalias card¶³acas como extra-s¶³stole ventricular (ESV)
e isquemia do mioc¶ ardio. Nessa plataforma, os modelos de Markov são empregados na etapa de segmenta»c~ ao do sinal de ECG, tendo em vista a identi¯ca» c~ ao das formas de onda elementares que comp~oem um ciclo card¶³aco. O desenvolvimento dessas t¶ecnicas permite, uma vez que a plataforma esteja funcionando como sistema real, um ajuste aut^ onomo dos modelos µas varia» c~ oes do sinal de ECG ao longo do tempo, assim como a outras varia» c~ oes presentes em um sistema real. As t¶ecnicas foram avaliadas a partir de experimentos usando duas bases de sinais de ECG: QT database e European ST-T database. Os resultados con¯rmam o ganho de desempenho obtido com a adapta»c~ ao, permitindo uma modelagem do sinal ao longo do tempo mais apropriada. As t¶ecnicas desenvolvidas s~ ao indicadas tamb¶em para outros tipos de sinais biom¶edicos, como o sinal
de eletroencefalograma (EEG), por exemplo.
| Identifer | oai:union.ndltd.org:IBICT/oai:dspace2.ufes.br:10/6209 |
| Date | 03 April 2006 |
| Creators | Müller, Sandra Mara Torres |
| Contributors | Bastos Filho, Teodiano Freire, Salles, Evandro Ottoni Teatini, Resende Junior, Fernando Gil Vianna, Sarcinelli Filho, Mário, Andreão, Rodrigo Varejão |
| Publisher | Universidade Federal do Espírito Santo, Programa de Pós-Graduação em Engenharia Elétrica, UFES, BR, Automação |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | text |
| Source | reponame:Repositório Institucional da UFES, instname:Universidade Federal do Espírito Santo, instacron:UFES |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.002 seconds