@MASTERSTHESIS{ 2022:6015043,
 	title = {Estimativa dos pontos de si?stole e di?stole para identifica??o de hipertens?o a partir de sinais de fotopletismografia},
 	year = {2022},
 	url = "https://tede.ufam.edu.br/handle/tede/9119",
 	abstract = "As doen?as cardiovasculares t?m sido uma das principais causas de mortalidade e
 comorbidade dos ?ltimos anos. O principal fator de risco para o desenvolvimento de
 doen?as cardiovasculares ? a hipertens?o, caracterizada pela eleva??o da press?o
 sangu?nea arterial (ABP ? Arterial Blood Pressure), definida pelos movimentos card?acos
 sist?lico e diast?lico. O seu diagn?stico pode ser obtido por meio de monitoramento
 cont?nuo, o qual est? relacionado a m?todos invasivos e n?o invasivos. A maneira mais
 precisa (padr?o ouro) para se obter a ABP adv?m da t?cnica de canula??o, uma forma
 inc?moda e invasiva, submetendo o indiv?duo a uma perfura??o arterial. Em
 contrapartida, a press?o sangu?nea pode ser obtida pela t?cnica n?o invasiva de
 Fotopletismografia (PPG ? Photoplethysmography). Esse sinal ? obtido pelo processo de
 reflex?o ou refra??o da luz, com a vantagem de permitir o monitoramento cont?nuo da
 press?o sangu?nea fora de ambiente hospitalar e ser implementado em dispositivos
 vest?veis de baixo custo. Embora exista correla??o nas formas de onda entre os sinais PPG
 e ABP, ambos se diferenciam pelos seus valores de escala, proporcionando uma rela??o
 n?o linear desses sinais. No entanto, essa correla??o permite que, a partir do sinal PPG
 seja poss?vel realizar a estimativa da press?o sangu?nea por meio de algoritmos que
 encontrem correla??es n?o lineares entre esses dois sinais. O m?todo proposto,
 denominado Modelo Neural da Press?o Sangu?nea (MoNePS), tem como objetivo realizar
 a estimativa da s?stole e di?stole a partir do sinal PPG e avaliar as suas predi??es conforme
 o estado da press?o sangu?nea por um determinado per?odo. Portanto, com as estimativas
 de s?stole e di?stole obtidas, o problema ? tratado como uma tarefa de classifica??o bin?ria
 considerando as classes Normotenso e Hipertenso. Al?m disso, este trabalho tamb?m
 investiga o desempenho do m?todo em classificar diferentes tipos de press?o sangu?nea
 (Normotenso, Pr?-hipertenso, Hipertenso de grau 1, Hipertenso de grau 2). Para isso,
 MoNePS consiste em uma rede neural convolucional com blocos de dilata??o para obter
 escalabilidade na extra??o das caracter?sticas do PPG e correlacionar os valores
 correspondentes ? press?o sangu?nea de uma determinada janela temporal. A avalia??o
 do m?todo proposto foi realizada usando dados da base de dados p?blica MIMIC-III. Os
 resultados experimentais mostram que o m?todo proposto consegue atingir resultados
 compar?veis a modelos mais complexos com menor n?mero de par?metros. Com o
 m?todo proposto, foi poss?vel obter um erro m?dio absoluto para s?stole e di?stole de
 5.02mmHg e 3.11mmHg, respectivamente. Al?m disso, os resultados preditos submetidos
 ? classifica??o de m?ltiplas classes retornaram valores de F1-Score de at? 94% para classe
 Normotenso. Quando submetido a classifica??o bin?ria, o modelo apresentou respectivos
 94% e 80% para as classes de Hipertenso e Normotenso.",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de P?s-gradua??o em Inform?tica},
 	note = {Instituto de Computa??o}
}