@MASTERSTHESIS{ 2023:1238085086,
 	title = {Detec??o do complexo QRS em eletrocardiogramas com 12 deriva??es utilizando redes neurais convolucionais},
 	year = {2023},
 	url = "https://tede.ufam.edu.br/handle/tede/9516",
 	abstract = "As doen?as cardiovasculares (CDVs) s?o as principais causas de mortes no mundo. De acordo com a Organiza??o Mundial da Sa?de (OMS) cerca de 17,9 milh?es de pessoas morreram de CDVs em 2019, sendo a maior ocorr?ncia em pa?ses de baixa e m?dia renda. As CDVs t?m consequ?ncias econ?micas significativas que afetam indiv?duos, sistemas de sa?de e a sociedade. A detec??o precoce ? a principal forma de preven??o. O Eletrocardiograma (ECG) ? a t?cnica amplamente utilizada para detec??o de CDVs. Ele representa a atividade el?trica do cora??o, este possui v?rias ondas sendo a mais proeminente o complexo QRS. Os sinais do ECG s?o captados em v?rias regi?es do corpo, sendo o ECG de 12 deriva??es comumente utilizado nas pr?ticas clinicas. O uso de t?cnicas de aprendizado de m?quina e, nos ?ltimos tempos o aprendizado profundo, tem sido foco de muitas pesquisas com o fim de detec??o do complexo QRS. Entretanto a pesquisa em base de dados liter?rias evidenciou a car?ncia desses estudos aplicados individualmente ?s 12 deriva??es do ECG. Neste estudo, prop?e-se avan?ar na detec??o do complexo QRS em todas as 12 deriva??es do ECG. Para tal, usamos o banco de dados p?blico, o INCART, no qual realizamos um processo de rotulagem dos intervalos QRS de todos os sinais disponibilizados no referido banco. A metodologia investiga tr?s arquiteturas de redes neurais convolucionais (CNN1, 2 e 3) com diferentes tamanhos de campos recept?veis. A arquitetura que apresentou melhor desempenho m?dio das 12 deriva??es foi a CNN2, com uma precis?o de 76,44%, recall de 99,90% e F1-score de 86,50%. Os valores de precis?o e F1-score foram afetados pelo fato do modelo ter apresentado falsos positivos. Estes foram minimizados por um passo adicional de p?s-processamento. Com o p?s-processamento, as m?tricas de desempenho passaram a ser: precis?o de 99,98%, recall de 99,90% e F1-score de 99,94%, superando o modelo de CNN apresentado por Xiang et. al. (2018) na mesma base de dados.",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de P?s-gradua??o em Engenharia El?trica},
 	note = {Faculdade de Tecnologia}
}