Seleção de features para classificação de ECG: análise de novo método baseado em diversidade em grafos de visibilidade
Resumo
É proposta uma abordagem inovadora para a seleção de características em classificação de eletrocardiogramas, empregando grafos de visibilidade e uma métrica de diversidade. A metodologia é avaliada por meio de um pipeline de classificação, comparando a eficácia da seleção de características com escolhas aleatórias. Resultados preliminares são apresentados.Referências
Carpi, L. C., Schieber, T. A., Pardalos, P. M., Marfany, G., Masoller, C., Díaz-Guilera, A., and Ravetti, M. G. (2019). Assessing diversity in multiplex networks. Scientific reports, 9(1):1–12.
Chen, T., He, T., Benesty, M., Khotilovich, V., Tang, Y., Cho, H., Chen, K., Mitchell, R., Cano, I., Zhou, T., et al. (2015). Xgboost: extreme gradient boosting. R package version 0.4-2, 1(4):1–4.
Dempster, A., Petitjean, F., and Webb, G. I. (2020). Rocket: exceptionally fast and accurate time series classification using random convolutional kernels. Data Mining and Knowledge Discovery, 34(5):1454–1495.
Holme, P. and Saramäki, J. (2012). Temporal networks. Physics Reports, 519(3):97–125. Temporal Networks.
Lacasa, L., Luque, B., Ballesteros, F., Luque, J., and Nuno, J. C. (2008). From time series to complex networks: The visibility graph. Proceedings of the National Academy of Sciences, 105(13):4972–4975.
Oliveira, R., Freitas, V., Moreira, G., and Luz, E. (2022). Explorando redes neurais de grafos para classificação de arritmias. In Proceedings of the 22nd Brazilian Symposium on Computing Applied to Health, pages 178–189, Porto Alegre, RS, Brasil. SBC.
Ribeiro, A. H., Paixao, G. M., Lima, E. M., Horta Ribeiro, M., Pinto Filho, M. M., Gomes, P. R., Oliveira, D. M., Meira Jr, W., Schon, T. B., and Ribeiro, A. L. P. (2021). CODE-15%: a large scale annotated dataset of 12-lead ECGs.
Ribeiro, A. H., Ribeiro, M. H., Paixão, G. M., Oliveira, D. M., Gomes, P. R., Canazart, J. A., Ferreira, M. P., Andersson, C. R., Macfarlane, P. W., Meira Jr, W., et al. (2020). Automatic diagnosis of the 12-lead ecg using a deep neural network. Nature communications, 11(1):1–9.
Chen, T., He, T., Benesty, M., Khotilovich, V., Tang, Y., Cho, H., Chen, K., Mitchell, R., Cano, I., Zhou, T., et al. (2015). Xgboost: extreme gradient boosting. R package version 0.4-2, 1(4):1–4.
Dempster, A., Petitjean, F., and Webb, G. I. (2020). Rocket: exceptionally fast and accurate time series classification using random convolutional kernels. Data Mining and Knowledge Discovery, 34(5):1454–1495.
Holme, P. and Saramäki, J. (2012). Temporal networks. Physics Reports, 519(3):97–125. Temporal Networks.
Lacasa, L., Luque, B., Ballesteros, F., Luque, J., and Nuno, J. C. (2008). From time series to complex networks: The visibility graph. Proceedings of the National Academy of Sciences, 105(13):4972–4975.
Oliveira, R., Freitas, V., Moreira, G., and Luz, E. (2022). Explorando redes neurais de grafos para classificação de arritmias. In Proceedings of the 22nd Brazilian Symposium on Computing Applied to Health, pages 178–189, Porto Alegre, RS, Brasil. SBC.
Ribeiro, A. H., Paixao, G. M., Lima, E. M., Horta Ribeiro, M., Pinto Filho, M. M., Gomes, P. R., Oliveira, D. M., Meira Jr, W., Schon, T. B., and Ribeiro, A. L. P. (2021). CODE-15%: a large scale annotated dataset of 12-lead ECGs.
Ribeiro, A. H., Ribeiro, M. H., Paixão, G. M., Oliveira, D. M., Gomes, P. R., Canazart, J. A., Ferreira, M. P., Andersson, C. R., Macfarlane, P. W., Meira Jr, W., et al. (2020). Automatic diagnosis of the 12-lead ecg using a deep neural network. Nature communications, 11(1):1–9.
Publicado
03/04/2024
Como Citar
COELHO, Paulo; SALIBA, Samir; RAMOS, Luís; VIMIEIRO, Renato.
Seleção de features para classificação de ECG: análise de novo método baseado em diversidade em grafos de visibilidade. In: ESCOLA REGIONAL DE COMPUTAÇÃO APLICADA À SAÚDE (ERCAS), 9. , 2024, Ouro Preto/MG.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2024
.
p. 49-52.
DOI: https://doi.org/10.5753/ercas.2024.238705.
