Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/39936
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2020_RodrigoRabeloAmaral.pdf4,28 MBAdobe PDFVisualizar/Abrir
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisorMendes, Cristiano Jacques Miosso Rodrigues-
dc.contributor.authorAmaral, Rodrigo Rabelo-
dc.date.accessioned2021-01-21T18:05:57Z-
dc.date.available2021-01-21T18:05:57Z-
dc.date.issued2021-01-21-
dc.date.submitted2020-08-18-
dc.identifier.citationAMARAL, Rodrigo Rabelo. Estimativa contínua e não invasiva da pressão arterial com base na análise do tempo de trânsito de pulso em sinais de eletrocardiografia e fotopletismografia. 2020. xix, 63 f., il. Dissertação (Mestrado em Engenharia Biomédica)—Brasília, 2020.pt_BR
dc.identifier.urihttps://repositorio.unb.br/handle/10482/39936-
dc.descriptionDissertação (mestrado)—Universidade de Brasília, Faculdade UnB Gama, Programa de Pós-Graduação em Engenharia Biomédica, 2020.pt_BR
dc.description.abstractA hipertensão é caracterizada por níveis elevados da Pressão Arterial (PA). É considerada um "assassino silencioso", pois na maioria dos casos não há manifestações da doença. Métodos de monitoramento contínuo de forma não invasiva são desejados tanto pelos profissionais de saúde quanto pelos pacientes que precisam realizar o monitoramento contínuo da PA. Atualmente o método utilizado para realizar um monitoramento de 24 horas é a Monitorização Ambulatorial de Pressão Arterial (MAPA); no entanto esse método realiza uma amostragem pouco densa da PA, pois geralmente o equipamento realiza uma medida a cada 15 minutos. Atualmente, o método de se medir a PA de forma mais densa (denominada contínua) é por meio do cateter; no entanto este método pode trazer complicação. Diante do exposto, fica clara a necessidade de aperfeiçoar as técnicas de medição não invasiva da PA. Pesquisas recentes têm investigado o uso de técnicas de regressão e de classificação em sinais de Eletrocardiograma (ECG) e Fotopletismografia, do inglês Photoplethysmography (PPG). Basicamente este método analisa o tempo da onda de pressão que sai do coração e chega a um membro periférico. Essa técnica é conhecida com Tempo de Trânsito de Pulso, do inglês Pulse Transit Time (PTT). O principal objetivo desta pesquisa é implementar e avaliar diferentes abordagens de classificações e regressão e extrair novas características dos sinais de ECG e PPG com o intuito de verificar o desempenho no processo de estimar os valores da Pressão Arterial Diastólica (PAD) e Pressão Arterial Sistólica (PAS). No processo de estimar a PA, foram testados os seguintes regressores: Regressão por Vetores de Suporte, do inglês Support Vector Regression (SVR), Regressão com Bagging Predictors, Modelo de Regressão Linear, Modelo Linear de Regressão Generalizado, LSboost, Regressão por Árvore de Decisão e Regressão por Stepwise Linear Model. Já no teste da classificação foi utilizada a Máquina de Vetor de Suporte, do inglês Suport Vector Machine (SVM) e o Robust boosting. Para os testes dos algoritmos foram extraídas características temporais e característica no domínio da frequência. As características temporais são as seguintes: o intervalo entre o pico da onda R do sinal de ECG e o pico do sinal de PPG; o intervalo entre o pico da onda R do sinal de ECG e o vale do sinal de PPG; e o intervalo R-R do sinal de ECG. Já as características no domínio da frequência, são 5 bandas de energia do sinal de ECG e 5 bandas de energia do sinal de PPG. Nos resultados obtidos durante os testes, o algoritmo de Regressão por Árvore de Decisão, teve os melhor resultado na PAD com erro Desvio Padrão, do inglês Standard Deviation (STD) = 2.80 e Erro Absoluto Médio, do inglês Mean Absolute Error (MAE) = 1.89, já os resultados em PAS, com erro STD = 3.26 e MAE = 2.24. JáPressão Arterial, Fotopletismografia, Eletrocardiografia, Pulse Transit Time. nos testes de classificação direta, utilizando o classificador Robust boosting, o classificador teve um desempenho, com uma acurácia de 99%, sensibilidade de 94%, medida-F de 95% e uma precisão de 96%. Assim, pode-se verificar que houve uma melhora significativa ao utilizar a Regressão por Árvore de Decisão com calibração. Em trabalhos futuros será interessante realizar novos teste sem o processo de calibração, para ver se o desempenho se mantém consistente.pt_BR
dc.language.isoPortuguêspt_BR
dc.rightsAcesso Abertopt_BR
dc.titleEstimativa contínua e não invasiva da pressão arterial com base na análise do tempo de trânsito de pulso em sinais de eletrocardiografia e fotopletismografiapt_BR
dc.typeDissertaçãopt_BR
dc.subject.keywordPressão arterial - mediçãopt_BR
dc.subject.keywordFotopletismografiapt_BR
dc.subject.keywordEletrocardiografiapt_BR
dc.subject.keywordTempo de trânsito de pulsopt_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.pt_BR
dc.description.abstract1Hypertension is characterized by high levels of Blood Pressure (BP). It is considered a "silent killer" because in most cases there are no manifestations of the disease. Methods of continuous monitoring in a non-invasive way are desired both by health professionals and by patients who need to perform continuous monitoring of BP. Currently the method used to perform 24-hour monitoring is Ambulatory Blood Pressure Monitoring (ABPM); however, this method performs a little dense sampling of BP, as the equipment generally performs a measurement every 15 minutes. Currently, the method of measuring the BP in a more dense form (called continuous) is through the catheter; however, this method can cause complications. In view of the above, it is clear the need to improve the non-invasive measurement techniques of BP. Recent research has investigated the use of regression and classification techniques in Electrocardiogram (ECG) and Photoplethysmography (PPG) signals. Basically this method analyzes the time of the pressure wave that leaves the heart and reaches a peripheral member. This technique is known as Pulse Transit Time (PTT). The main objective of this research is to implement and evaluate different approaches of classifications and regression and to extract new characteristics of the ECG and PPG signals in order to verify the performance in the process of estimating the values of Diastolic Blood Pressure (DBP) and Systolic Blood Pressure (SBP). In the process of estimating BP, the following regressors were tested: Support Vector Regression (SVR), Regression with Bagging Predictors, Linear Regression Model, Generalized Linear Regression Model, LSboost, Decision Tree Regression and Regression by Stepwise Linear Model. In the classification test, the Suport Vector Machine (SVM) and Robust boosting were used. For the tests of the algorithms, temporal characteristics and characteristic in the frequency domain were extracted. The temporal characteristics are as follows: the interval between the peak of the R wave of the ECG signal and the peak of the PPG signal; the interval between the peak of the R wave of the ECG signal and the valley of the PPG signal; and the R-R interval of the ECG signal. The characteristics in the frequency domain, are 5 energy bands of the ECG signal and 5 energy bands of the PPG signal. In the results obtained during the tests, the Decision Tree Regression algorithm had the best results in DBP with error Standard Deviation (STD) = 2.80 and Mean Absolute Error (MAE) = 1.89, whereas the results in SBP, with error STD = 3.26 and MAE = 2.24. In the direct classification tests, using the classifier Robust boosting, the classifier had a performance, with an accuracy of 99%, sensitivity of 94%, F- measure of 95% and an accuracy of 96%. Thus, it can be seen that there was a significant improvement when using the Decision Tree Regressor with calibration. In future research it will be interesting to carry out new tests without the calibration process, to see if the performance remains consistent.pt_BR
dc.description.unidadeFaculdade UnB Gama (FGA)pt_BR
dc.description.ppgPrograma de Pós-Graduação em Engenharia Biomédicapt_BR
Aparece nas coleções:Teses, dissertações e produtos pós-doutorado

Mostrar registro simples do item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.