ESTUDO DE UM SISTEMA PARA CLASSIFICAÇÃO DE BATIMENTOS CARDÍACOS UTILIZANDO REDES NEURAIS

Transcrição

1 ESTUDO DE UM SISTEMA PARA CLASSIFICAÇÃO DE BATIMENTOS CARDÍACOS UTILIZANDO REDES NEURAIS D. V. Lettnin (UFPel) 1, F. Vargas (EE. PUCRS) 2, M. Macarthy (UFPel) 3. Universidade Federal de Pelotas (UFPel), Pontifica Universidade Católica do Rio Grande do Sul (PUCRS). 1 dones@ufpel.tche.br 2 vargas@computer.org 3 carthy@ufpel.tche.br Abstract 1 The propose of this work is to study forms and structure of Artificial Neural Network for the classification tasks of Electrocardiogram (ECG). This study could help to design systems for help the doctors in analyzes of patients with Arrythmias. Some times these signals have noises that difficult in the diagnosis of diseases. But the Neural Network could help to identify these patterns inner noise signal. The attributes are modified for testing the neural network performance. No pre or post-processing are applied in the data set and in this way we evaluated the ANN perform. This paper introduces the heart physiology and the ECG signals. Also are presented characteristics of the neural network and forms to proect a new one. Finally we present some experiments and results of some ANN in the Suttargt Neural Network Simulator (SNNS) for the pattern classification of ECG problem. 1. Introdução Keywords: Artificial Neural Network; Patterns Classification; Eletrocardiogram (ECG). Uma das principais causas de óbitos nos dias atuais em países desenvolvidos e em desenvolvimento são as doenças cardiovasculares. A maior parte destes óbitos poderia ser evitada se houvesse um pré-monitoramento e uma pré-diagnosticação dessas arritmias cardíacas e isquemias miocárdicas [1], a partir do Eletrocardiograma (ECG), que é a medição de potenciais elétricos na superfície do corpo humano [2]. O eletrocardiograma é uma das ferramentas mais rápidas e mais confiáveis para o diagnóstico cardíaco. Contudo, quando um paciente é monitorado continuamente durante 24 horas, pode-se obter uma quantidade expressiva de dados, podendo chegar a mais de 100 mil batimentos a serem analisados pelo médico. Desta forma, o monitoramento e o pré-diagnóstico automático visa auxiliar o médico em uma detecção mais rápida e precisa das arritmias cardíacas [3]. Além disso, a análise feita pelo médico pode ser bastante subetiva, podendo variar de médico para médico devido à variabilidade intrínseca do sinal. Por haver uma grande variedade no formato do sinal é inviável a aplicação de técnicas lineares para a classificação dos mesmos [3]. Desta forma, por ser um método não linear, a classificação de batimentos cardíacos utilizando Redes Neurais se torna um recurso potencialmente útil para a classificação de arritmias cardíacas [4]. Considerando os aspectos abordados acima, este trabalho faz parte do proeto "Desenvolvimento de um Sistema de Monitoramento Remoto Não Invasivo de Sinais Vitais" [5] entre a Universidade Federal de Pelotas (UFPel), a Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS) e a empresa PARKS S/A. Esta proposta visa executar uma etapa fundamental no proeto em questão, tendo assim como função principal o tratamento e a classificação sistemática de sinais cardíacos, visando com isto o pré-diagnostico automático através da análise das curvas de um eletrocardiograma. 1 This work is partially supported by FAPERGS and PARKS/SA.

2 2. Coração e o Eletrocardiograma O coração é um músculo do tamanho aproximadamente de um punho constituído principalmente de três músculos cardíacos: músculo atrial, músculo ventricular e fibras musculares excitatórias e condutoras. Existem quatro câmaras de contração chamada de átrio esquerdo, átrio direito, ventrículo esquerdo e ventrículo direito. Entre estas câmaras encontram-se quatro válvulas de fluxo num único sentido, chamadas de: válvula tricúspide, válvula pulmonar, válvula mitral e a válvula aórtica [6]. A figura 1 mostra em mais detalhes a formação do coração. Figura 1. Representação Esquemática de um Coração Normal: 1)arco aórtico; 2)ducto arterial de Botal; 3)veias pulmonares; 4)aurícula esquerda; 5)válvula mitral; 6)válvula aórticas; 7)ventrículo esquerdo; 8)veia cava superior; 9)artéria pulmonar direita; 10)aurícula direita; 11)válvula pulmonar; 12)válvula tricúspede; 13)ventrículo direito; 14)veia cava inferior [7]. Estas válvulas têm a função de reter o sangue nas câmaras para a produção de pressão e liberar o fluxo de sangue no coração impedindo o refluxo do mesmo [8]. Desta forma, os átrios têm a função de receber o sangue e favorecer o preenchimento dos ventrículos, sendo que estes irão enviar sangue para o sistema sanguíneo e para o sistema pulmonar [6][9]. O ciclo cardíaco é originado da geração de um potencial de ação através do nodo sinusal (fibra excitatória). Este potencial propaga-se através dos átrios até encontrar os feixes Átrio-Ventricular (A-V). Enquanto o potencial propaga-se pelos átrios, o átrio esquerdo recebe sangue oxigenado dos pulmões e passa o fluxo para o ventrículo esquerdo. Do mesmo modo o átrio direito recebe sangue venoso do sistema circulatório e passa o fluxo para o ventrículo direito. Neste momento a válvula A-V esta aberta, a válvula aórtica e a válvula pulmonar estão fechadas. No feixe A-V ocorre um atraso na propagação do potencial para que os átrios possam contrair-se antes dos ventrículos e assim preenchê-los em sua forma máxima. Após a contração dos átrios as válvulas A-V fecham-se, o potencial segue propagando-se através dos ventrículos, fazendo com que a pressão dos ventrículos aumente e proporcionando a abertura das válvulas aórtica e pulmonar[6][8]. O ciclo cardíaco possui dois períodos distintos: diástole e sístole. O período diastólio é quando ocorre o relaxamento ou repouso do músculo, fazendo com que o coração encha-se de sangue. O período sistólico é quando ocorre a contração ou atividade do coração[6][8]. Para verificar o funcionamento do coração é utilizado o eletrocardiograma (ECG), que é um registro gráfico da atividade elétrica produzida pelo músculo cardíaco. O ECG é registrado mediante a aplicação de eletrodos em diversas localizações da superfície corporal e a conexão destes eletrodos a um aparelho registrador. Os impulsos provenientes de um coração normal têm registros de dimensões e formas particulares. Em certas ocasiões anormais, o registro difere destes padrões e tais variações indicam, normalmente, que o músculo cardíaco de uma pessoa está enfermo[5][6]. O ECG normal é composto de uma onda P, um complexo QRS e uma onda T, sendo que estas são ondas de despolarização e repolarização. A onda P é causada por correntes geradas pela despolarização dos átrios antes da sua contração. O complexo QRS é causado pela despolarização dos ventrículos antes da contração. A onda T é a onda de repolarização ventricular que é causada por correntes geradas enquanto os

3 ventrículos se recuperavam do estado de despolarização. A onda de repolarização atrial aparece raras vezes no ECG, pois esta ocorre no momento em que o complexo QRS está sendo registrado. Cada batimento normal simples se manifesta nas cinco principais ondas (P, Q, R, S e T) [5], como está ilustrado na figura 2. Figura 2. Batimento Cardíaco Simples [10]. A relação do coração com o ECG está representada na figura 3. Cada onda representa a transmissão de um impulso elétrico através do músculo cardíaco, que faz o mesmo se contrair e então enviar o sangue. Figura 3. Relação do coração com o ECG [10]. Existem diversas arritmias que podem ocorrer no funcionamento do coração de um paciente. A seguir serão abordadas algumas dessas arritmias através da análise das formas de onda do ECG. Todos os gráficos são de referência de Blowers [10]. Contração Prematura Atrial - APC : Contração Prematura Juncional (Nodal) - NPC : Contração Ventricular Prematura - PVC : Flutter Ventricular : Fribrilação Ventricular : 3. Redes Neurais Artificiais (RNA) Com o avanço da computação, o homem almeou que uma máquina poderia funcionar de forma independente, podendo tomar decisões de acordo com a situação encontrada. Com isso, a inteligência artificial vem se desenvolvendo na criação de métodos para a solução de problemas complexos que não poderiam ser resolvidos pelos métodos tradicionais de programação [11]. Os seres biológicos têm sido alvo de grande inspiração para a criação de modelos computacionais mais eficientes e inteligentes que os paradigmas tradicionais. Baseadas em estruturas neuronais do cérebro, surgiu então as Redes Neurais Artificiais. Este é um modelo conexionista, com grande poder na resolução de problemas

4 complexos e não lineares com aplicações em várias áreas, tais como: reconhecimento de padrões, previsão, otimização, controle de processos, robótica e classificação de dados [4][11]. Portanto, RNA são técnicas computacionais que apresentam um modelo inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento através da experiência [11]. A história das redes neurais pode ser dividida em três partes. A primeira era foi no surgimento com McCulloch e Pitts, em 1943 no seu primeiro trabalho, onde sugeriram a construção de uma máquina inspirada no cérebro humano. A segunda era, em 1960, quando Minsky e Papert mostraram no seu trabalho as limitações da rede Percetron de camada simples. Este trabalho provocou um desânimo de muitos pesquisadores, fazendo com que a pesquisa sobre redes neurais adormecesse por alguns anos. Contudo, alguns cientistas continuaram as suas pesquisas mas com raras publicações [4]. Por fim, nos anos 80, a pesquisa nesta área ressurgiu com grande força com o interesse de investimentos nesta área pela DARPA (Defence Advanced Research Proects Agency) e por pesquisas realizadas por um renomado físico John Hopfield [4][11]. O fisiologista Warrem MacCulloch interpretou o funcionamento do neurônio biológico como sendo um circuito de entradas binárias combinadas por uma soma ponderada (com pesos) produzindo uma entrada efetiva. Sendo assim, o neurônio é constituído de: Entradas (dentritos) - onde são aplicados os sinais; Pesos (sinapses) - onde fica retido o conhecimento; Função soma - somatório da relação dos sinais de entrada e dos pesos sinápticos; Função de ativação - função que dependendo do valor do somatório irá ou não ativar a saída dependendo do threshold (sigmoidal, escada, Gausian ); Saída (axônio) - saída de interface. Sendo assim, pode-se generalizar que um neurônio tem a seguinte funcionalidade: 1)Sinais são apresentados a entrada; 2) É realizado a multiplicação dos sinais com os pesos sinapticos; 3) É realizado a soma ponderado dos sinais; 4) Se o nível for maior que um limite (threshold), então a saída será ativada [11]. Figura 4. Modelo de McCulloch e Pitts [11]. Uma rede neural artificial é considerada um grafo orientado [4], onde os neurônios artificiais são os nodos e estes são ligados através conexões diretas, com respectivos pesos, entre o neurônio de saída e o neurônio de entrada. A rede neural é dividida em três camadas: Entrada (input) - não são considerados neurônios, pois somente recebem os sinais a serem processados pela RNA; Oculta (hidden) - com esta camada tornou-se possível a resolução de problemas linearmente não separáveis; Saída (output) - saída da RNA, onde são mostrado o resultado do processamento [11]. As RNAs podem ser classificadas pela estrutura, onde podem ser estáticas, dinâmicas ou híbridas, podendo ainda ser de uma camada simples ou de múltiplas camadas. Elas podem ser agrupadas em duas categorias [4]: Redes Feed-forward, no qual grafos sem loops; Redes Recorrentes, no qual ocorrem loops através das conexões de realimentação. Na figura 5 são mostradas as diferentes arquiteturas existentes.

5 Figura 5. Taxonomia da arquitetura de Redes Neurais [4]. A característica de aprendizagem da rede neural é determinada pelo algoritmo de aprendizagem. Este algoritmo segue um conunto de regras bem definidas para a solução de um problema de aprendizado [12]. Ou sea, pode ser considerado como o problema de atualizações dos pesos sinapticos de uma rede, para que esta possa aprender e adaptar-se a executar uma tarefa específica. Existem três principais paradigmas de aprendizagem [4]: Supervisionado - onde um "professor" indica se a saída de rede possui um resposta certa ou não de acordo com o padrão de entrada; Não-supervisionado (auto-organização) - não utiliza um "professor" para indicar se a resposta está correta, mas baseia-se na correlação dos padrões nos dados; Híbrido - combina o método supervisionado e não-supervisionado. A tabela 1 apresenta os principais algoritmos de aprendizagem e as suas arquiteturas utilizadas no reconhecimento de padrões. Paradigma Arquitetura Algoritmo de aprendizagem Supervisionado Percepton ou MLP (Multilayer Percepton, Back-propagation, Perceton) Adaline e Madaline Recorrente Boltzmann ART-network ARTMap Não-supervisionado Kohonen s SOM Kohonen s SOM Híbrido Rede RBF (Radial Basis Function) RBF Tabela 1. Sumário sobre arquitetura e algoritmos de aprendizagem para reconhecimento de padrões [4]. 4. Materiais e Métodos Para o estudo e análise de sinais de eletrocardiograma, os pesquisadores dispõem de grandes bases de dados que servem com referência para o desenvolvimento das suas pesquisas. Dependendo da sua abordagem deseada, eles poderão estudar sobre: Arrythmia (MIT/BIH Arrythmia Database) ; Isquemia (European Union e European Society of Cardiology) ; alterações Crônicas (European Union e University of Leuven) [13][14][15]. Para este estudo foi utilizado MIT/BIH Arrythmia Database, que é uma base de dados utilizada para o desenvolvimento e avaliação de monitores de arritmias. Esta base de dados possui 25 registros distribuídos livremente, cada um contendo 30 minutos de sinal em dois canais, devidamente anotados por cardiologistas, obtidos pelo Laboratório de Arritmia BIH (Boston's Beth Israel Hospital) entre 1975 e 1979 [13]. Assim sendo, este grupo digitalizou os sinais com uma freqüência de amostragem de 360 amostras por segundo e com 11 bits de resolução [13]. O trabalho proposto iniciou a partir desta base de dados digitalizados. Neste sentido, os segmentos foram extraídos com base nos comentários presentes unto aos sinais digitalizados pelo MIT. Foram extraídas 130 amostras, sendo que a onda R esta posicionada na amostra 65ª. Não foi utilizado nenhum filtro para a remoção de ruído e também não foi utilizado nenhum método de compactação dos segmentos. Estes critérios foram estabelecidos propositalmente para testar a eficiência da utilização de redes neurais artificiais aplicadas ao sinal cardíaco sem pré-processamento. Para as simulações das redes neurais foi utilizado o Stuttgart Neural Network Simulator versão 4.2. Este simulador foi desenvolvido na Universidade de Suttgart e de Tübingen, possuindo as características de ser eficiente e flexível para simulações de ambientes para pesquisa e aplicações de redes neurais [16].

6 5. Modelo Proposto Assim como em um planeamento de um programa de software deve seguir uma série de passos para que este possa ser robusto e possuir uma boa qualidade, também o desenvolvimento de uma Rede Neural Artificial deve possuir um certo número de etapas para que esta possa atingir os seus obetivos. Deste modo, no nosso estudo foi baseado nos passos abordados por Tonsig [11] para o desenvolvimento do modelo proposto. Os passos para a elaboração do proeto proposto de redes neurais foram dividido em cinco partes: Coleta de dados e Separação de Conuntos; Configuração da Rede; Treinamento; Teste e Integração. A seguir será abordada de maneira mais aprofundada cada uma destas etapas Coleta de dados e Separação de Conuntos Esta etapa visa minimizar a ambigüidade e os erros dos dados. Desta forma, não se deve considerar somente os dados normais, mas também as exceções para uma melhor generalização. O conunto de dados pode ser dividido em três grupos: treinamento, validação e teste. O conunto de treinamento é composto dos dados que serão apresentados a entrada da rede neural para a etapa de treinamento. O conunto de validação é utilizado para testar a eficiência da rede quanto a sua capacidade de generalização durante o treinamento. O conunto de teste é utilizado para realizar os testes de performance durante a utilização da rede. Por vezes, o sinal precisa ser pré-processado utilizando-se filtros ou formas de normalização adequadas. No nosso estudo, os conuntos foram divididos na seguinte forma: conunto de treinamento possui 300 padrões e o conunto de teste possui 300 padrões. Cada padrão possui 131 valores, sendo que 130 são amostras que compõem o segmento PQRST e um valor representa o intervalo RR entre o complexo atual e o anterior. Não foi utilizado nenhum filtro para remoção de ruído. Os padrões de sinal subamostrados foram normalizados no intervalo de [0.2, 0.8], através da seguinte fórmula: 5.2. Configuração da Rede A configuração da rede, ou sea, a definição da estrutura que a rede neural artificial possuirá pode ser dividida em três partes, de acordo com a tabela 1: seleção do paradigma, seleção da topologia e seleção do algoritmo de aprendizagem. 1) Seleção do Paradigma - será utilizado o paradigma supervisionado, pois através das anotações do database MIT/BIH tem-se condições de se desenvolver um conunto de treinamento e um conunto de teste de acordo com as arritmias deseadas [11]. 2) Seleção da Topologia - será utilizada a arquitetura MLP (Multilayer Percepton). O número de camadas e o número de neurônios em cada camada serão variado para a realização de diversos testes [11]. 3) Seleção do algoritmo de aprendizagem - O algoritmo de aprendizagem a ser utilizado será o Back-propagation com a função de ativação Sigmoidal [11]. A seguir está especificado o algoritmo de aprendizagem BackPropagation: 1) Pesos iniciais randômicos no intervalo [-1,1]; 2) Escolha aleatória de um padrão de entrada; 3) O sinal é propagado através da RNA; 4) Atualiza os pesos conforme o caso: w ( t + 1) = w δ i f = f i ( net ( net ( t) + ηδ o )( d ) k δ k w i o ) k se é uma unidade de saída se é uma unidade escondida onde, o é a saída atual do nodo i, δ é o erro, d é a saída deseada do nodo e f é a derivada da função de ativação. 5) Retorna ao passo 2, até que atina o erro mínimo ou ultrapasse o número máximo de iterações Treinamento No treinamento alguns aspectos devem ser considerados, tais como a inicialização da rede, modo de treinamento e o tempo de treinamento [11]. No nosso estudo optou-se em inicializar os pesos sinápticos com uma forma randômica em um intervalo definido. O intervalo escolhido foi [1;-1].

7 O modo de treinamento poderia ser de duas formas: padrão, onde os pesos são modificados a cada padrão apresentado na rede, sendo este menos susceptível aos mínimos locais; batch, onde a correção é realizada uma vez por ciclo (época). O modo de treinamento escolhido foi o modo Padrão. O tempo de treinamento, ou sea a especificação de um critério de parada pode ser feito considerando dois aspectos: número de ciclos ou a taxa de erro ser menor que um erro aceitável. O critério de parada é muito importante, pois se for estabelecido um parâmetro incorreto, a rede poderá perder a sua generalização ficando esta especializada em um determinado conunto de dados. Este fato é chamado de overtraining Teste A fase de teste foi responsável pela determinação do desempenho da rede. Nesta fase também foi realizada a análise dos pesos da rede para verificar se alguns neurônios poderiam ser eliminados (pesos muito baixos) ou se houve overtraining (pesos muito altos) [11] Integração A última etapa do processo de implementação de redes neurais proposto neste trabalho é a Etapa de Integração. Esta etapa ainda não foi realizada, devendo ser executada ao longo dos próximos meses. 6. Resultados Experimentais e Conclusões O obetivo do trabalho proposto foi avaliar o comportamento de uma Rede Neural de Multicamadas Percepton para classificação de batimentos cardíacos sendo imunes ao ruído. Os padrões que fazem parte do conunto de treinamento e do conunto de testes possuem três tipos de sinais: Batimento Normal, Contração Ventricular Prematura (PVC) e Flutter Ventricular. Foram realizadas vários testes com diferentes valores de parâmetros de aprendizagem e diferentes números de neurônios para a camada escondida da RNA. Os valores dos parâmetros de aprendizagem avaliados foram 0.2, 0.5 e 0.9. O número de neurônios utilizado para a camada escondida foi 10, 20 e 30. Na figura 6 podemos observar um exemplo rede MLP utilizada para o treinamento. Figura 6. Rede Neural MLP [16 ]. Foi estabelecido o critério que: os padrões pertencentes ao conunto de treinamento, não devem possuir sinais ruidosos. Em contraposto, os sinais que pertencem ao conunto de teste devem possuir fragmentos de sinais que possuam ruído. Desta forma, poderemos observar como uma rede neural artificial se comporta mediante a sinais ruidosos de eletrocardiograma. Abaixo se pode observar alguns trechos de sinais sem ruído e com ruído.

8 Normal PVC Flutter Figura 7. Sinais sem ruído de ECG: Normal, PVC e Flutter [13]. Normal PVC Flutter Figura 7. Sinais com ruído de ECG: Normal, PVC e Flutter [13]. As performances dos experimentos estão apresentados na tabela 2. TESTE DE ECG COM MLP Número Taxa de Função de neurônios Épocas aprendizado Ativação Treino % Teste% ,2 sigmoide 80,217 80, ,5 sigmoide 79,956 80, ,9 sigmoide 79,421 79, ,2 sigmoide 80,03 80, ,5 sigmoide 80,354 80, ,9 sigmoide 80,599 80, ,2 sigmoide 79,868 79, ,5 sigmoide 80,373 79, ,9 sigmoide 80,079 80,079 Tabela 2. Resultados premilinares dos experimentos de sinais de ECG. Pode-se concluir que a RNA obteve bons resultados para o trabalho proposto. A RNA comportou-se dentro do esperado, considerando que a mesma foi treinada com sinais sem ruído e os testes foram realizados com sinais que continham ruído. Outros resultados são inferiores a outras técnicas, como as apresentadas em Bossan,. Contudo deve-se considerar que estes trabalhos utilizaram técnicas de compressão de sinais e filtros para a remoção de ruídos. Uma outra diferença que deve ser considerada está no número de padrões de cada sinal utilizados para treinamento e para teste. Na nossa proposta todos os tipos de sinais possuem a mesma quantidade de dados. Desta forma, todos os tipos de sinais (Normal, PVC e Flutter) possuem a mesmo grau de importância para o treinamento e para os testes. Pode-se perceber que a taxa de erro ainda é considerada alta, contudo estes experimentos iniciais podem ser considerados satisfatórios. Serão necessários ainda mais experimentos para que se possa chegar a uma estrutura de rede neural artificial apropriada. 7. Agradecimentos Os autores gostariam de agradecer a FAPERGS e a empresa PARKS pelo auxilio através do suporte financeiro a este proeto.

9 8. Referência Bibliográfica [1] Melo, S.L.; Caloba, P. L.; Nadal, J. Classificação de Batimentos Cardíacos Utilizando Rede Neural com Treinamento Comp etitivo Supervisionado. Programa de Engenharia Biomédica, COPPE/UFRJ, SBC/99. [2] Tompkins, Willins J. Biomedical Digital Signal Processing. Prentice-Hall PTR, [3] Frenkel, D.; Nadal, J. Detecção de Eventos Isquêmicos do Eletrocardiograma utilizando Redes Neurais. Programa de Engenharia Biomédica, COPPE/UFRJ, SBC/99. [4] Jain, Anil K.; Mao Jianchang, Artificial Neural Networks: A tutorial. IEEE, p , Mar [5] Spode, E. Desenvolvimento De Um Sistema De Monitoramento Remoto Não Invasivo de Sinais Vitais. PPGEE/PUC/RS, Porto Alegre, [6] Guyton, Arthur C.; Hall, John E. Tratado de Fisiologia Médica. Guanabara & Koogan, [7] Civita, Victor. Grande Enciclopédia Médica, ABRIL S.A. CULTURAL E INDUSTRIAL, São Paulo, Brasil, 2ª edição, Vol 1., [8] Gavião N., Wilson P. Um Estudo de Métodos de Compressão de Sinais de ECG, Monografia de Trabalho de Conclusão, Universidade Federal de Pelotas, [9] Novak, Daniel. Processing of ECG signal using Wavelets. Final Thesis, Czech Technical University in Prague. [10] BLOWERS, M. G. & SMITH, R.N. How to Read an ECG, Basic interpretation for nurses and other health workers. Revised edition. Book division Oradell, New Jersey, [11] Tosing, Sergio L. Simulando o Cérebro: Redes Neurais, [12] DHAR, Vasant & STEIN, Roger. Seven Methods for transforming Corporate Data Info Business Intelligence. Prentice-Hall. New Jersey, [13] "MIT/BIH database distributor", Beth Israel Hospital, Biomedical Engineering, Division KB-26, 330 Brookline Avenue, Boston, MA 02215, USA. [14] Taddei A., et al., " The European ST-T database: standard for evaluating systems for the analysis of ST-T changes in Ambulatory Electrocardiograph", European Heart Jornal, Vol. 13, [15] Silipo, R. & Marchesi, C. Artiftial Neural Networks for automatic ECG analysis. [16] Zell, A. And Mamier, G. Vogt M. Et al. Stuttgart Neural Networks Simulator. User Manual Version 4.2, University of Stuttgart, Germany, [17] Bossan, M. C. Classificação de Batimentos Cardíacos Utilizando Redes Neurais. Tese de Mestrado, Programa de Engenharia Biomédica, COPPE/UFRJ, Rio de Janeiro, 1994.