@MASTERSTHESIS{ 2022:155812677,
 	title = {Estimativa dos pontos de sístole e diástole para identificação de hipertensão a partir de sinais de fotopletismografia},
 	year = {2022},
 	url = "https://tede.ufam.edu.br/handle/tede/9119",
 	abstract = "As doenças cardiovasculares têm sido uma das principais causas de mortalidade e
 comorbidade dos últimos anos. O principal fator de risco para o desenvolvimento de
 doenças cardiovasculares é a hipertensão, caracterizada pela elevação da pressão
 sanguínea arterial (ABP – Arterial Blood Pressure), definida pelos movimentos cardíacos
 sistólico e diastólico. O seu diagnóstico pode ser obtido por meio de monitoramento
 contínuo, o qual está relacionado a métodos invasivos e não invasivos. A maneira mais
 precisa (padrão ouro) para se obter a ABP advém da técnica de canulação, uma forma
 incômoda e invasiva, submetendo o indivíduo a uma perfuração arterial. Em
 contrapartida, a pressão sanguínea pode ser obtida pela técnica não invasiva de
 Fotopletismografia (PPG – Photoplethysmography). Esse sinal é obtido pelo processo de
 reflexão ou refração da luz, com a vantagem de permitir o monitoramento contínuo da
 pressão sanguínea fora de ambiente hospitalar e ser implementado em dispositivos
 vestíveis de baixo custo. Embora exista correlação nas formas de onda entre os sinais PPG
 e ABP, ambos se diferenciam pelos seus valores de escala, proporcionando uma relação
 não linear desses sinais. No entanto, essa correlação permite que, a partir do sinal PPG
 seja possível realizar a estimativa da pressão sanguínea por meio de algoritmos que
 encontrem correlações não lineares entre esses dois sinais. O método proposto,
 denominado Modelo Neural da Pressão Sanguínea (MoNePS), tem como objetivo realizar
 a estimativa da sístole e diástole a partir do sinal PPG e avaliar as suas predições conforme
 o estado da pressão sanguínea por um determinado período. Portanto, com as estimativas
 de sístole e diástole obtidas, o problema é tratado como uma tarefa de classificação binária
 considerando as classes Normotenso e Hipertenso. Além disso, este trabalho também
 investiga o desempenho do método em classificar diferentes tipos de pressão sanguínea
 (Normotenso, Pré-hipertenso, Hipertenso de grau 1, Hipertenso de grau 2). Para isso,
 MoNePS consiste em uma rede neural convolucional com blocos de dilatação para obter
 escalabilidade na extração das características do PPG e correlacionar os valores
 correspondentes à pressão sanguínea de uma determinada janela temporal. A avaliação
 do método proposto foi realizada usando dados da base de dados pública MIMIC-III. Os
 resultados experimentais mostram que o método proposto consegue atingir resultados
 comparáveis a modelos mais complexos com menor número de parâmetros. Com o
 método proposto, foi possível obter um erro médio absoluto para sístole e diástole de
 5.02mmHg e 3.11mmHg, respectivamente. Além disso, os resultados preditos submetidos
 à classificação de múltiplas classes retornaram valores de F1-Score de até 94% para classe
 Normotenso. Quando submetido a classificação binária, o modelo apresentou respectivos
 94% e 80% para as classes de Hipertenso e Normotenso.",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de Pós-graduação em Informática},
 	note = {Instituto de Computação}
}