ESTUDO DE UM SISTEMA PARA CLASSIFICAÇÃO DE BATIMENTOS CARDÍACOS UTILIZANDO REDES NEURAIS
|
|
- Inês Maria da Assunção Igrejas de Sequeira
- 8 Há anos
- Visualizações:
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.
Aula 2 RNA Arquiteturas e Treinamento
2COP229 Aula 2 RNA Arquiteturas e Treinamento 2COP229 Sumário 1- Arquiteturas de Redes Neurais Artificiais; 2- Processos de Treinamento; 2COP229 1- Arquiteturas de Redes Neurais Artificiais -Arquitetura:
Leia maisMLP (Multi Layer Perceptron)
MLP (Multi Layer Perceptron) André Tavares da Silva andre.silva@udesc.br Roteiro Rede neural com mais de uma camada Codificação de entradas e saídas Decorar x generalizar Perceptron Multi-Camada (MLP -
Leia maisComplemento II Noções Introdutória em Redes Neurais
Complemento II Noções Introdutória em Redes Neurais Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações
Leia maisRedes Neurais. Profa. Flavia Cristina Bernardini
Redes Neurais Profa. Flavia Cristina Bernardini Introdução Cérebro & Computador Modelos Cognitivos Diferentes Cérebro Computador Seqüência de Comandos Reconhecimento de Padrão Lento Rápido Rápido Lento
Leia maisFisiologia Geral. Biofísica da Circulação: artérias
Fisiologia Geral Biofísica da Circulação: O ciclo cardíaco; Interconversão de energias nas artérias SISTEMA CARDIOVASCULAR Sistema de ductos fechados com uma bomba hidráulica: O coração. Artérias: vasos
Leia maisDoenças cardiovasculares constituem um dos maiores problemas que afligem a
18 1 INTRODUÇÃO Doenças cardiovasculares constituem um dos maiores problemas que afligem a população dos países industrializados. Essas doenças são responsáveis por mais de cinco milhões de pessoas hospitalizadas
Leia maisEventos mecânicos do ciclo cardíaco
O músculo cardíaco Introdução As variedades de músculos cardíacos O músculo cardíaco como um sincício O longo potencial de ação e o seu platô no músculo cardíaco Introdução O coração pode ser considerado
Leia maisFigura 5.1.Modelo não linear de um neurônio j da camada k+1. Fonte: HAYKIN, 2001
47 5 Redes Neurais O trabalho em redes neurais artificiais, usualmente denominadas redes neurais ou RNA, tem sido motivado desde o começo pelo reconhecimento de que o cérebro humano processa informações
Leia maisPALAVRAS-CHAVE: Massas Nodulares, Classificação de Padrões, Redes Multi- Layer Perceptron.
1024 UMA ABORDAGEM BASEADA EM REDES PERCEPTRON MULTICAMADAS PARA A CLASSIFICAÇÃO DE MASSAS NODULARES EM IMAGENS MAMOGRÁFICAS Luan de Oliveira Moreira¹; Matheus Giovanni Pires² 1. Bolsista PROBIC, Graduando
Leia maisSistema circulatório
Texto de apoio ao professor T3 Nesta aula irá estudar-de o ciclo cardíaco (diástole, sístole, pressão sanguínea e arterial) e os meios utilizados para o diagnóstico e prevenção de anomalias que possam
Leia maisDo neurônio biológico ao neurônio das redes neurais artificiais
Do neurônio biológico ao neurônio das redes neurais artificiais O objetivo desta aula é procurar justificar o modelo de neurônio usado pelas redes neurais artificiais em termos das propriedades essenciais
Leia maisProjeto de Redes Neurais e MATLAB
Projeto de Redes Neurais e MATLAB Centro de Informática Universidade Federal de Pernambuco Sistemas Inteligentes IF684 Arley Ristar arrr2@cin.ufpe.br Thiago Miotto tma@cin.ufpe.br Baseado na apresentação
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Tipos de aprendizagem 3. Paradigmas de aprendizagem 4. Modos de aprendizagem
Leia maisModelos Pioneiros de Aprendizado
Modelos Pioneiros de Aprendizado Conteúdo 1. Hebb... 2 2. Perceptron... 5 2.1. Perceptron Simples para Classificaçãod e Padrões... 6 2.2. Exemplo de Aplicação e Motivação Geométrica... 9 2.3. Perceptron
Leia maisELETROCARDIOGRAMA. Profº Enf Eduwaldo Araújo Ferreira
ELETROCARDIOGRAMA História do Eletrocardiograma A história do eletrocardiograma (ECG) remonta ao século XIX Acredita-se que o primeiro registro de de ECG tenha sido realizado em 1872, por Alexander Muirhead
Leia maisMatlab - Neural Networw Toolbox. Ana Lívia Soares Silva de Almeida
27 de maio de 2014 O que é a Neural Networw Toolbox? A Neural Network Toolbox fornece funções e aplicativos para a modelagem de sistemas não-lineares complexos que não são facilmente modelados com uma
Leia maisHemodinâmica. Cardiovascular. Fisiologia. Fonte: http://images.sciencedaily.com/2008/02/080226104403-large.jpg
Fonte: http://images.sciencedaily.com/2008/02/080226104403-large.jpg Fisiologia Cardiovascular Hemodinâmica Introdução O sistema circulatório apresenta várias funções integrativas e de coordenação: Função
Leia maisRelatório Iniciação Científica
Relatório Iniciação Científica Ambientes Para Ensaios Computacionais no Ensino de Neurocomputação e Reconhecimento de Padrões Bolsa: Programa Ensinar com Pesquisa-Pró-Reitoria de Graduação Departamento:
Leia maisTÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE
TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto Estudos Comparativos Recentes - Behavior Scoring Roteiro Objetivo Critérios de Avaliação
Leia maisPrevisão do Índice da Bolsa de Valores do Estado de São Paulo utilizandoredes Neurais Artificiais
Previsão do Índice da Bolsa de Valores do Estado de São Paulo utilizandoredes Neurais Artificiais Redes Neurais Artificiais Prof. Wilian Soares João Vitor Squillace Teixeira Ciência da Computação Universidade
Leia maisPROTÓTIPO DE SOFTWARE PARA APRENDIZAGEM DE REDES NEURAIS ARTIFICIAIS
Anais do XXXIV COBENGE. Passo Fundo: Ed. Universidade de Passo Fundo, Setembro de 2006. ISBN 85-7515-371-4 PROTÓTIPO DE SOFTWARE PARA APRENDIZAGEM DE REDES NEURAIS ARTIFICIAIS Rejane de Barros Araújo rdebarros_2000@yahoo.com.br
Leia maisUNIVERSIDADE FEDERAL DE SANTA CATARINA
UNIVERSIDADE FEDERAL DE SANTA CATARINA CIÊNCIAS DA COMPUTAÇÃO MÁQUINAS DE COMITÊ APLICADAS À FILTRAGEM DE SPAM Monografia submetida à UNIVERSIDADE FEDERAL DE SANTA CATARINA para a obtenção do grau de BACHAREL
Leia maisRedes Neurais Construtivas. Germano Crispim Vasconcelos Centro de Informática - UFPE
Redes Neurais Construtivas Germano Crispim Vasconcelos Centro de Informática - UFPE Motivações Redes Feedforward têm sido bastante utilizadas em aplicações de Reconhecimento de Padrões Problemas apresentados
Leia maisPRINCÍPIOS BÁSICOS DO ELETROCARDIOGRAMA
UNIVERSIDADE COMUNITÁRIA da REGIÃO DE CHAPECÓ - UNOCHAPECÓ ÁREA DE CIÊNCIAS DA SAÚDE CURSO DE ENFERMAGEM PROFESSORA TÂNIA MARIA ASCARI PRINCÍPIOS BÁSICOS DO ELETROCARDIOGRAMA O eletrocardiograma é o registro
Leia maisUNIVERSIDADE ESTADUAL DE CAMPINAS UNICAMP
UNIVERSIDADE ESTADUAL DE CAMPINAS UNICAMP FACULDADE DE ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO - FEEC DEPARTAMENTO DE ENGENHARIA BIOMÉDICA EA-097 - Técnicas Experimentais em Engenharia Biomédica (Preparado
Leia maisMonitor Cardíaco. Universidade Federal de Santa Maria Centro de Tecnologia Departamento de Eletrônica e Computação
Universidade Federal de Santa Maria Centro de Tecnologia Departamento de Eletrônica e Computação Monitor Cardíaco Proposta de Trabalho de Conclusão de Curso Prof. Giovani Baratto Santa Maria Agosto de
Leia maisProf. Me. Leandro Parussolo
HISTOFISIOLOGIA ANIMAL AULA - SISTEMA CARDIOVASCULAR Prof. Me. Leandro Parussolo SISTEMA CARDIOVASCULAR INTRODUÇÃO A função da circulação é realizada pelo sistema cardiovascular sistema vascular sanguíneo
Leia maisIdentificação de Caracteres com Rede Neuronal Artificial com Interface Gráfica
Identificação de Caracteres com Rede Neuronal Artificial com Interface Gráfica João Paulo Teixeira*, José Batista*, Anildio Toca**, João Gonçalves**, e Filipe Pereira** * Departamento de Electrotecnia
Leia maisInteligência Artificial. Redes Neurais Artificiais
Curso de Especialização em Sistemas Inteligentes Aplicados à Automação Inteligência Artificial Redes Neurais Artificiais Aulas Práticas no Matlab João Marques Salomão Rodrigo Varejão Andreão Matlab Objetivos:
Leia maisFerramenta computacional para implementação de redes neuronais optimização das capacidades gráficas
INEB- PSI Technical Report 2007-2 Ferramenta computacional para implementação de redes neuronais optimização das capacidades gráficas Alexandra Oliveira aao@fe.up.pt Professor Joaquim Marques de Sá December
Leia maisDesenvolvimento do Módulo de Pré-processamento e Geração de Imagens de. Imagens de Teste do Sistema DTCOURO
Desenvolvimento do Módulo de Pré-processamento e Geração de Imagens de Teste do Sistema DTCOURO Willian Paraguassu Amorim 27 de julho de 2005 1 Título Desenvolvimento do Módulo de Pré-processamento e Geração
Leia maisAnálise Univariada de Sinais Mioelétricos
Análise Univariada de Sinais Mioelétricos Orientador: Maria Claudia Ferrari de Castro Departamento: Engenharia Elétrica Candidato: Luiz Victor Esteves N FEI: 11209220-0 Início: Setembro/10 Provável conclusão:
Leia maisMEDIÇÃO VIRTUAL DE PRESSÃO POR MEIO DE REDES NEURAIS ATRAVÉS DO PI ACE
Seminário Regional OSIsoft do Brasil 2010 São Paulo, Brasil MEDIÇÃO VIRTUAL DE PRESSÃO POR MEIO DE REDES NEURAIS ATRAVÉS DO PI ACE 28 de Outubro de 2010 André Paulo Ferreira Machado PETROBRAS Empowering
Leia maisRelatório de uma Aplicação de Redes Neurais
UNIVERSIDADE ESTADUAL DE MONTES CLAROS CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS DEPARTAMENTO DE CIÊNCIAS DA COMPUTACAÇÃO ESPECIALIZAÇÃO EM ENGENHARIA DE SISTEMAS DISCIPLINA: REDES NEURAIS PROFESSOR: MARCOS
Leia maisArquitetura de Rede de Computadores
TCP/IP Roteamento Arquitetura de Rede de Prof. Pedro Neto Aracaju Sergipe - 2011 Ementa da Disciplina 4. Roteamento i. Máscara de Rede ii. Sub-Redes iii. Números Binários e Máscara de Sub-Rede iv. O Roteador
Leia maisRedes Neurais. A IA clássica segue o paradigma da computação simbólica
Abordagens não simbólicas A IA clássica segue o paradigma da computação simbólica Redes Neurais As redes neurais deram origem a chamada IA conexionista, pertencendo também a grande área da Inteligência
Leia maisSistema cardiovascular
Roteiro: Sistema cardiovascular Organizacao do sistema circulatorio coracao, arterias, veias fluxo sanguineo: coracao, tecidos, pulmao, coracao Bomba cardiaca musculo cardiaco e contracao funcionamento
Leia maisEXAMES COMPLEMENTARES: ECG NORMAL. Diego A. H. Ortega dos Santos 07/11/12
EXAMES COMPLEMENTARES: ECG NORMAL Diego A. H. Ortega dos Santos 07/11/12 OBJETIVOS 1) Revisar Eletrofisiologia Cardíaca 2) Compreender o ECG - Quanto aos valores - Quanto à técnica - Quanto às derivações
Leia maisIW10. Rev.: 02. Especificações Técnicas
IW10 Rev.: 02 Especificações Técnicas Sumário 1. INTRODUÇÃO... 1 2. COMPOSIÇÃO DO IW10... 2 2.1 Placa Principal... 2 2.2 Módulos de Sensores... 5 3. APLICAÇÕES... 6 3.1 Monitoramento Local... 7 3.2 Monitoramento
Leia maisIMPLEMENTAÇÃO DE SOCKETS E THREADS NO DESENVOLVIMENTO DE SISTEMAS CLIENTE / SERVIDOR: UM ESTUDO EM VB.NET
1 IMPLEMENTAÇÃO DE SOCKETS E THREADS NO DESENVOLVIMENTO DE SISTEMAS CLIENTE / SERVIDOR: UM ESTUDO EM VB.NET Daniel da Silva Carla E. de Castro Franco Diogo Florenzano Avelino daniel.silva1@ext.mpsa.com
Leia mais3 Metodologia de Previsão de Padrões de Falha
3 Metodologia de Previsão de Padrões de Falha Antes da ocorrência de uma falha em um equipamento, ele entra em um regime de operação diferente do regime nominal, como descrito em [8-11]. Para detectar
Leia maisIC Inteligência Computacional Redes Neurais. Redes Neurais
Universidade Federal do Rio de Janeiro PÓS-GRADUAÇÃO / 2008-2 IC Inteligência Computacional Redes Neurais www.labic.nce.ufrj.br Antonio G. Thomé thome@nce.ufrj.br Redes Neurais São modelos computacionais
Leia maisADM041 / EPR806 Sistemas de Informação
ADM041 / EPR806 Sistemas de Informação UNIFEI Universidade Federal de Itajubá Prof. Dr. Alexandre Ferreira de Pinho 1 Sistemas de Apoio à Decisão (SAD) Tipos de SAD Orientados por modelos: Criação de diferentes
Leia maisPrincipais Arritmias Cardíacas
Principais Arritmias Cardíacas Arritmia É qualquer mudança na freqüência ou configuração das ondas individuais do eletrocardiograma. Chamamos de arritmias cardíacas toda alteração na condução elétrica
Leia maisRevisão Inteligência Artificial ENADE. Prof a Fabiana Lorenzi Outubro/2011
Revisão Inteligência Artificial ENADE Prof a Fabiana Lorenzi Outubro/2011 Representação conhecimento É uma forma sistemática de estruturar e codificar o que se sabe sobre uma determinada aplicação (Rezende,
Leia maisAnálise e visualização de dados utilizando redes neurais artificiais auto-organizáveis
Análise e visualização de dados utilizando redes neurais artificiais auto-organizáveis Adriano Lima de Sá Faculdade de Computação Universidade Federal de Uberlândia 20 de junho de 2014 Adriano L. Sá (UFU)
Leia maisRedes neurais auto-organizáveis para classificação de sinais eletrocardiográficos atriais
JAN. FEV. MAR. 2005 ANO XI, Nº 40 51-56 INTEGRAÇÃO 51 Redes neurais auto-organizáveis para classificação de sinais eletrocardiográficos atriais EDUARDO DE AZEVEDO BOTTER* CAIRO LÚCIO NASCIMENTO JUNIOR**
Leia maisQuadro de consulta (solicitação do mestre)
Introdução ao protocolo MODBUS padrão RTU O Protocolo MODBUS foi criado no final dos anos 70 para comunicação entre controladores da MODICON. Por ser um dos primeiros protocolos com especificação aberta
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Tipos de aprendizagem 3. Paradigmas de aprendizagem 4. Modos de aprendizagem
Leia maisNathalie Portugal Vargas
Nathalie Portugal Vargas 1 Introdução Trabalhos Relacionados Recuperação da Informação com redes ART1 Mineração de Dados com Redes SOM RNA na extração da Informação Filtragem de Informação com Redes Hopfield
Leia maisUNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS
UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS Curso: Informática Disciplina: Redes Neurais Prof. Fernando Osório E-mail: osorio@exatas.unisinos.br EXEMPLO DE QUESTÕES DE PROVAS ANTIGAS 1. Supondo que
Leia maisRadar de Penetração no Solo e Meio- Ambiente
UNIVERSIDADE DE SÃO PAULO INSTITUTO DE ASTRONOMIA, GEOFÍSICA E CIÊNCIAS ATMOSFÉRICAS DEPARTAMENTO DE GEOFÍSICA Curso 3ª Idade Radar de Penetração no Solo e Meio- Ambiente Vinicius Rafael Neris dos Santos
Leia maisUtilização das Transformadas Wavelets na detecção de características em um sinal de ECG RELATÓRIO FINAL
Utilização das Transformadas Wavelets na detecção de características em um sinal de ECG RELATÓRIO FINAL Orientador: Prof. Dr. Aldo Artur Belardi Departamento: Engenharia Elétrica Aluno: Gabriel Diego Porfirio
Leia maisPRINCÍPIOS BÁSICOS DO ELETROCARDIOGRAMA
UNIVERSIDADE COMUNITÁRIA da REGIÃO DE CHAPECÓ - UNOCHAPECÓ ÁREA DE CIÊNCIAS DA SAÚDE CURSO DE ENFERMAGEM PROFESSORA: TÂNIA MARIA ASCARI PRINCÍPIOS BÁSICOS DO ELETROCARDIOGRAMA O eletrocardiograma é o registro
Leia maisSemiologia Cardiovascular. B3, B4, Cliques, Estalidos e Atrito Pericárdico. Por Gustavo Amarante
Semiologia Cardiovascular B3, B4, Cliques, Estalidos e Atrito Pericárdico Por Gustavo Amarante 1 Bulhas Acessórias (B3 e B4) A) Revisão do Ciclo Cardíaco e Posição das Bulhas Para entender as bulhas acessórias,
Leia maisCONTROLE DE UM SERVO MOTOR
CONTROLE DE UM SERVO MOTOR Versão 2014 RESUMO Esta experiência tem como objetivo a familiarização e o projeto de um circuito de controle simples de um servo motor. A parte experimental inclui atividades
Leia maisSistema circulatório. Componentes: - Vasos sanguíneos. - Sangue (elementos figurados e plasma) - Coração
Fisiologia Humana Sistema circulatório Componentes: - Sangue (elementos figurados e plasma) - Vasos sanguíneos - Coração Vasos sanguíneos Artérias Vasos com paredes espessas e elásticas por onde circula
Leia maisRedes neurais aplicadas na identificação de variedades de soja
Redes neurais aplicadas na identificação de variedades de soja Fábio R. R. Padilha Universidade Regional do Noroeste do Estado do Rio Grande do Sul - UNIJUÍ Rua São Francisco, 5 - Sede Acadêmica, 987-,
Leia maisPR 2 PROCEDIMENTO. Auditoria Interna. Revisão - 2 Página: 1 de 9
Página: 1 de 9 1. OBJETIVO Estabelecer sistemática de funcionamento e aplicação das Auditorias Internas da Qualidade, fornecendo diretrizes para instruir, planejar, executar e documentar as mesmas. Este
Leia maisPrevisão do Mercado de Ações Brasileiro utilizando Redes Neurais Artificiais
Previsão do Mercado de Ações Brasileiro utilizando Redes Neurais Artificiais Elisângela Lopes de Faria (a) Marcelo Portes Albuquerque (a) Jorge Luis González Alfonso (b) Márcio Portes Albuquerque (a) José
Leia mais29/08/2011. Radiologia Digital. Princípios Físicos da Imagem Digital 1. Mapeamento não-linear. Unidade de Aprendizagem Radiológica
Mapeamento não-linear Radiologia Digital Unidade de Aprendizagem Radiológica Princípios Físicos da Imagem Digital 1 Professor Paulo Christakis 1 2 Sistema CAD Diagnóstico auxiliado por computador ( computer-aided
Leia maisFisiologia Cardiovascular
Fisiologia Cardiovascular Conceitos e funções do sistema circulatório O coração Eletrocardiograma A circulação Regulação da circulação Conceitos e funções do sistema circulatório Sistema Circulatório O
Leia maisSistema circulatório
Sistema circulatório O que é: também conhecido como sistema cardiovascular é formado pelo coração e vasos sanguíneos. Tal sistema é responsável pelo transporte de nutrientes, gases, hormônios, excreções
Leia maisIN0997 - Redes Neurais
IN0997 - Redes Neurais Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo Objetivos Ementa
Leia maisTÍTULO: PROPOSTA DE METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS MLP PARA A PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA
TÍTULO: PROPOSTA DE METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS MLP PARA A PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA CATEGORIA: CONCLUÍDO ÁREA: ENGENHARIAS E ARQUITETURA SUBÁREA: ENGENHARIAS
Leia maisPós-Graduação em Engenharia Elétrica Inteligência Artificial
Pós-Graduação em Engenharia Elétrica Inteligência Artificial João Marques Salomão Rodrigo Varejão Andreão Inteligência Artificial Definição (Fonte: AAAI ): "the scientific understanding of the mechanisms
Leia maisInteligência Artificial. Prof. Tiago A. E. Ferreira Aula 20 - Backpropagation
Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 20 - Backroagation Introdução Redes de uma camada resolvem aenas roblemas linearmente searáveis Solução: utilizar mais de uma camada Camada 1: uma
Leia maisMultiplexador. Permitem que vários equipamentos compartilhem um único canal de comunicação
Multiplexadores Permitem que vários equipamentos compartilhem um único canal de comunicação Transmissor 1 Receptor 1 Transmissor 2 Multiplexador Multiplexador Receptor 2 Transmissor 3 Receptor 3 Economia
Leia maisSistema Circulatório. Sistema Circulatório. Ciências Naturais 9º ano
Sistema Circulatório Índice Sangue Coração Ciclo cardíaco Vasos sanguíneos Pequena e grande circulação Sistema linfático Sangue Promove a reparação de tecidos lesionados. Colabora na resposta imunológica
Leia maisPROCESSO DE DESENVOLVIMENTO DE SOFTWARE. Modelos de Processo de Desenvolvimento de Software
PROCESSO DE DESENVOLVIMENTO DE SOFTWARE Introdução Modelos de Processo de Desenvolvimento de Software Os modelos de processos de desenvolvimento de software surgiram pela necessidade de dar resposta às
Leia mais5 ANÁLISE AUTOMÁTICA DE SINAIS DE ECG
67 5 ANÁLISE AUTOMÁTICA DE SINAIS DE ECG Nesse capítulo descreve-se o funcionamento do programa desenvolvido, juntamente com seu pré-processamento e resultados obtidos. O algoritmo desenvolvido tem a finalidade
Leia maisA ESCOLHA CERTA. UM PARCEIRO QUE SE IMPORTA COM VOCÊ. Serviços Inteligentes
Serviços Inteligentes UM PARCEIRO QUE SE IMPORTA COM VOCÊ. Oferecemos 100 anos de liderança na inovação de imagens e em TI na área de saúde. Nossa equipe de serviços em todo o mundo trabalha junto com
Leia maisREVISÃO SIMPLIFICADA DA FISIOLOGIA CARDIOVASCULAR.
REVISÃO SIMPLIFICADA DA FISIOLOGIA CARDIOVASCULAR. INTRODUÇÃO Como somos complexos seres multicelulares e como todas as nossas células, enquanto vivas, desempenhando suas funções, necessitam constantemente
Leia maisMINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br
MINERAÇÃO DE DADOS APLICADA Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br Processo Weka uma Ferramenta Livre para Data Mining O que é Weka? Weka é um Software livre do tipo open source para
Leia maisOTIMIZAÇÃO DE REDES NEURAIS PARA PREVISÃO DE SÉRIES TEMPORAIS
OTIMIZAÇÃO DE REDES NEURAIS PARA PREVISÃO DE SÉRIES TEMPORAIS Trabalho de Conclusão de Curso Engenharia da Computação Adélia Carolina de Andrade Barros Orientador: Prof. Dr. Adriano Lorena Inácio de Oliveira
Leia maisSIMPÓSIO DE ELETROCARDIOGRAMA
SIMPÓSIO DE ELETROCARDIOGRAMA www.gerenciamentoetreinamento.com Treinamentos Corporativos Contato: XX 12 9190 0182 E mail: gomesdacosta@gerenciamentoetreinamento.com SIMPÓSIO DE ELETROCARDIOGRAMA Márcio
Leia maisDESENVOLVIMENTO DE UM ELETROCARDIÓGRAFO COM MICROCONTROLADOR MSP 430
19 a 21 de mar o de 2010 152 DESENVOLVIMENTO DE UM ELETROCARDIÓGRAFO COM MICROCONTROLADOR MSP 430 Luiz Dionisio Pedrini, Walter Antonio Gontijo Engenharia de Computação Universidade do Vale do Itajaí (UNIVALI)
Leia maisUNIVERSIDADE FEDERAL DE CAMPINA GRANDE CENTRO DE ENGENHARIA ELÉTRICA E INFORMÁTICA
UNIVERSIDADE FEDERAL DE CAMPINA GRANDE CENTRO DE ENGENHARIA ELÉTRICA E INFORMÁTICA DEPARTAMENTO DE ENGENHARIA ELÉTRICA ELETRÔNICA SÉRIE DE EXERCÍCIO #A (1) CONVERSOR A/D APROXIMAÇÃO SUCESSIVA (SAR) A figura
Leia maisProtocolo em Rampa Manual de Referência Rápida
Protocolo em Rampa Manual de Referência Rápida 1 O que é o Protocolo em Rampa O protocolo em rampa é um protocolo para testes de esforço que não possui estágios. Nele o incremento da carga se dá de maneira
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala [quinta-feira, 7:30 12:00] Atendimento Segunda
Leia maisDECODIFICADOR DE DISPLAY DE 7 SEGMENTOS COM LATCH
UNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ENGENHARIA ELÉTRICA DECODIFICADOR DE DISPLAY DE 7 SEGMENTOS COM LATCH Projeto para a matéria TE130 Projeto de Circuitos Integrados Digitais, ministrada pelo
Leia maisMAPEAMENTO ELETROANATOMICO NA ABLAÇÃO. Cristiane Miranda Hospital São Lucas - RJ
MAPEAMENTO ELETROANATOMICO NA ABLAÇÃO Cristiane Miranda Hospital São Lucas - RJ Técnica da ablação Ao final do período, 66% dos pacientes tratados com ablação permaneceram livres dos sintomas, contra 16%
Leia maisUma Proposta de Tecnologia Embarcada na Internação Domiciliar Capítulo 4 Avaliação/validação da implementação do SMD 113
Capítulo 4 Avaliação/validação da implementação do SMD 113 CAPÍTULO 4 AVALIAÇÃO/VALIDAÇÃO DA IMPLEMENTAÇÃO DO SMD Para a avaliação e validação do SMD o equipamento biomédico utilizado foi um Oxímetro Dixtal,
Leia mais2 O CORAÇÃO E A ATIVIDADE ELÉTRICA CARDÍACA
26 2 O CORAÇÃO E A ATIVIDADE ELÉTRICA CARDÍACA O coração normal (Figura 2), é um órgão predominantemente muscular que funciona como uma bomba de ejeção pulsante. A sua função é ejetar o sangue para o sistema
Leia maisFunções de Posicionamento para Controle de Eixos
Funções de Posicionamento para Controle de Eixos Resumo Atualmente muitos Controladores Programáveis (CPs) classificados como de pequeno porte possuem, integrados em um único invólucro, uma densidade significativa
Leia maisAutomatização do processo de determinação do número de ciclos de treinamento de uma Rede Neural Artificial
Automatização do processo de determinação do número de ciclos de treinamento de uma Rede Neural Artificial André Ricardo Gonçalves; Maria Angélica de Oliveira Camargo Brunetto Laboratório Protem Departamento
Leia maisGERENCIAMENTO DO CONHECIMENTO NA EMPRESA DIGITAL
Capítulo 10 GERENCIAMENTO DO CONHECIMENTO NA EMPRESA DIGITAL 10.1 2003 by Prentice Hall OBJETIVOS Por que hoje as empresas necessitam de programas de gestão do conhecimento e sistemas para gestão do conhecimento?
Leia maisCONTROLE DIGITAL DE VOLUME 1.-----------------------------------------------------------------------------
CONTROLE DIGITAL DE VOLUME 1.----------------------------------------------------------------------------- Uma boa gama de aplicações atuais utiliza o controle de volume digital. Não nos referimos apenas
Leia maisFISIOLOGIA DO SANGUE HEMATÓCRITO 08/10/2008 ERITRÓCITOS OU HEMÁCIAS HEMATÓCRITO PLASMA: CELULAR:
FISIOLOGIA DO SANGUE Sistema Circulatório PLASMA: semelhante ao líquido intersticial PROTEÍNAS PLASMÁTICAS Albumina pressão coloidosmótica Globulinas transporte e substrato imunidade, anticorpos Fibrinogênio
Leia maisFisiologia Cardiovascular
Fisiologia Cardiovascular Conceitos e funções do sistema circulatório O coração Eletrocardiograma A circulação Regulação da circulação Aula prática - ECG Aula prática Medida de PA Conceitos e funções do
Leia maisDETECÇÃO E CLASSIFICAÇÃO DE ARRITMIAS CARDÍACAS UTILIZANDO REDES NEURAIS ARTIFICIAIS AUTO-ORGANIZÁVEIS
SÉRGIO RENATO ROGAL JÚNIOR DETECÇÃO E CLASSIFICAÇÃO DE ARRITMIAS CARDÍACAS UTILIZANDO REDES NEURAIS ARTIFICIAIS AUTO-ORGANIZÁVEIS Dissertação de Mestrado apresentada ao Programa de Pós-Graduação em Informática
Leia mais15 Computador, projeto e manufatura
A U A UL LA Computador, projeto e manufatura Um problema Depois de pronto o desenho de uma peça ou objeto, de que maneira ele é utilizado na fabricação? Parte da resposta está na Aula 2, que aborda as
Leia maisACIONAMENTOS ELETRÔNICOS (INVERSOR DE FREQUÊNCIA)
ACIONAMENTOS ELETRÔNICOS (INVERSOR DE FREQUÊNCIA) 1. Introdução 1.1 Inversor de Frequência A necessidade de aumento de produção e diminuição de custos faz surgir uma grande infinidade de equipamentos desenvolvidos
Leia maisMicrosoft Access: Criar consultas para um novo banco de dados. Vitor Valerio de Souza Campos
Microsoft Access: Criar consultas para um novo banco de Vitor Valerio de Souza Campos Conteúdo do curso Visão geral: consultas são essenciais Lição: inclui sete seções Tarefas práticas sugeridas Teste.
Leia maisRelatório da Aula Prática sobre Redes Neurais Artificiais
Relatório da Aula Prática sobre Redes Neurais Artificiais Instituto de Informática UFRGS Carlos Eduardo Ramisch Cartão: 134657 INF01017 Redes Neurais e Sistemas Fuzzy Porto Alegre, 16 de outubro de 2006.
Leia maisPós-Graduação "Lato Sensu" Especialização em Análise de Dados e Data Mining
Pós-Graduação "Lato Sensu" Especialização em Análise de Dados e Data Mining Inscrições Abertas Início das Aulas: 24/03/2015 Dias e horários das aulas: Terça-Feira 19h00 às 22h45 Semanal Quinta-Feira 19h00
Leia maisGERENCIAMENTO DO CONHECIMENTO NA EMPRESA DIGITAL
GERENCIAMENTO DO CONHECIMENTO NA EMPRESA DIGITAL 1 OBJETIVOS 1. Por que hoje as empresas necessitam de programas de gestão do conhecimento e sistemas para gestão do conhecimento? 2. Quais são as aplicações
Leia maisEntendendo como funciona o NAT
Entendendo como funciona o NAT Vamos inicialmente entender exatamente qual a função do NAT e em que situações ele é indicado. O NAT surgiu como uma alternativa real para o problema de falta de endereços
Leia mais