João H. V. M. Melo. Detecção de Sopro Cardíaco com Técnicas de Aprendizado de Máquina. Electrical Engineering, University of São Paulo, 2026 (in portuguese)

Abstract

Este trabalho apresenta uma metodologia baseada em Redes Neurais Convolucionais (CNN) aliada a técnicas de processamento de áudio, como o Modelo Oculto de Markov (HMM) e os Coeficientes Cepstrais nas Frequências Mel (MFCC), visando a classificação da ausculta cardíaca em cenários binários e multiclasse. Para o desenvolvimento e avaliação do sistema, utilizaram-se os conjuntos de dados PhysioNet/CinC 2016 e PASCAL. O conjunto PhysioNet/CinC 2016 foi empregado na classificação binária por representar um estudo consolidado na literatura, reunindo registros coletados em ambientes clínicos reais com variabilidade acústica. O dataset PASCAL foi selecionado tanto para a abordagem binária quanto para a multiclasse devido à presença de rotulagens específicas para diferentes condições fisiológicas (Normal, Sopro e Extrassístole). Na classificação binária, o sinal fonocardiográfico foi decomposto em quatro bandas de frequência e integrado ao mapeamento temporal de estados (S1 , sístole, S2 e diástole) obtido via HMM. Para a tarefa multiclasse, empregou-se a extração via MFCC. A arquitetura convolucional desenvolvida incorpora camadas de convolução, normalização por lote, dropout e Global Average Pooling (GAP). Os resultados obtidos demonstraram que a adição dos atributos de segmentação pelo HMM resultou em um ganho expressivo de desempenho, alcançando acurácia de 94,35% no PhysioNet e 99,41% no PASCAL para a classificação binária. Na abordagem multiclasse no PASCAL, o modelo atingiu acurácia global de 88,09%, com precisões individuais de 96% para a classe Normal, 97% para Sopro e 82% para Extrassístole. Conclui-se que a integração entre processamento de áudio e redes convolucionais constitui uma estrutura eficaz para a caracterização e classificação automatizada de auscultas cardíacas.

Downloads

• PDF