Detecção de Anomalias em Frequências Cardíacas Utilizando Autocodificadores para Identificação Precoce de COVID-19

  • Thayná Rosa Silvestre UFAM
  • Eulanda Miranda dos Santos UFAM
  • Rafael Albuquerque Pinto UFAM
  • Lucas Gabriel Coimbra Evangelista UFAM

Resumo


O vírus SARS-CoV-2 que causa a doença do coronavírus já está há mais de dois anos sendo transmitido pelo mundo, além de suas muitas mutações. Dentre as diversas maneiras de testar se uma pessoa está infectada, a detecção de anomalias em sinais vitais coletados por dispositivos vestíveis são investigados como uma alternativa para identificar COVID-19 em sua fase pré-sintomática. Alguns estudos demonstram diferentes técnicas empregadas para detectar tais anomalias, apesar de haver dados limitados sobre o problema. Neste trabalho, nós utilizamos Autocodificadores com camadas de convolução em dados de frequência cardíaca de pessoas infectadas pelo coronavírus a fim de identificar anomalias antes do início dos sintomas. Foi utilizada uma base de dados pública com dados de 25 pessoas infectadas com o vírus.

Referências

Alavi, A., Bogu, G. K., Wang, M., Rangan, E. S., Brooks, A. W., Wang, Q., Higgs, E., Celli, A., Mishra, T., Metwally, A. A., Cha, K., Knowles, P., Alavi, A. A., Bhasin, R., Panchamukhi, S., Celis, D., Aditya, T., Honkala, A., Rolnik, B., Hunting, E., Dagan-Rosenfeld, O., Chauhan, A., Li, J. W., Bejikian, C., Krishnan, V., McGuire, L., Li, X., Bahmani, A., and Snyder, M. P. (2022). Real-time alerting system for covid-19 and other stress events using wearable data. Nature Medicine.

Bogu, G. K. and Snyder, M. P. (2021). Deep learning-based detection of covid-19 using wearables data. medRxiv.

Dunn, J., Kidzinski, L., Runge, R., Witt, D., Hicks, J. L., Rose, S.-F., Miryam, S., Li, X., Bahmani, A., Delp, S. L., Hastie, T., and Snyder, M. P. (2021). Wearable sensors enable personalized predictions of clinical laboratory measurements. Nature Medicine.

Gopali, S., Abri, F., Siami-Namini, S., and Namin, A. S. (2021). A comparative study of detecting anomalies in time series data using LSTM and TCN models. CoRR, abs/2112.09293.

Mishra, T., Wang, M., Metwally, A. A., Bogu, G. K., Brooks, A. W., Bahmani, A., Alavi, A., Celli, A., Higgs, E., Dagan-Rosenfeld, O., Fay, B., Kirkpatrick, S., Kellogg, R., Gibson, M., Wang, T., Hunting, E. M., Mamic, P., Ganz, A. B., Rolnik, B., Li, X., and Snyder, M. P. (2020). Pre-symptomatic detection of covid-19 from smartwatch data. Nature Biomedical Engineering.
Publicado
07/06/2022
Como Citar

Selecione um Formato
SILVESTRE, Thayná Rosa; SANTOS, Eulanda Miranda dos; PINTO, Rafael Albuquerque; EVANGELISTA, Lucas Gabriel Coimbra. Detecção de Anomalias em Frequências Cardíacas Utilizando Autocodificadores para Identificação Precoce de COVID-19. In: SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO APLICADA À SAÚDE (SBCAS), 22. , 2022, Teresina. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2022 . p. 214-221. ISSN 2763-8952. DOI: https://doi.org/10.5753/sbcas.2022.222546.