Av. Fernando Ferrari, Vitória, ES. Av. Vitória, Vitória, ES. 9, Rue Charles Fourier EVRY CEDEX France

Transcrição

1 SOBRE O USO DE REDES BAYESIANAS NA DETECÇÃO DE EPISÓDIOS DE ESV: ASPECTOS DE SEGMENTAÇÃO DO SINAL DE ECG LORENA S.C. OLIVEIRA 1,3, RODRIGO V. ANDREÃO 1,2, MARIO SARCINELLI FILHO 1, JÉRÔME BOUDY 3, BERNADETTE DORIZZI 3 1 Programa de Pós-Graduação em Engenharia Elétrica, Universidade Federal do Espirito Santo Av. Fernando Ferrari, Vitória, ES 2 Instituto Federal de Educação, Ciência e Tecnologia do Espírito Santo Av. Vitória, Vitória, ES 3 TELECOM et Management Sud-Paris 9, Rue Charles Fourier EVRY CEDEX France s: lorenasco@yahoo.com.br, rodrigo@ele.ufes.br, mario.sarcinelli@ele.ufes.br, jerome.boudy@int-evry.fr, Bernadette.Dorizzi@it-sudparis.eu Abstract This paper presents a system to support medical decision-making, using a Static Bayesian Network (BN) implemented using the MATLAB toolbox BNT (Bayesian Net Toolbox). The problem addressed is the identification of Premature Ventricular Contraction (PVC) in ECG records (Electrocardiogram). The motivation for using the BN technology is the possibility of taking into account the uncertainty present in the clinical reasoning. Moreover, the probabilistic inference model is quite suitable for this type of problem, for it provides a representation using randomness (random variables are used to propagate the uncertainty relevant to the problem). Based on some experimental results, it is claimed that the BN is a classifier suitable for the problem addressed, with a performance that is independent of the algorithm adopted for ECG segmentation. Keywords Bayesian Network, Electrocardiogram, PVC detection, Artificial Intelligence, Medical Informatics, Decision- Support Systems. Resumo Este trabalho apresenta um sistema para apoio à decisão médica, utilizando uma Rede Bayesiana (RB) implementada através do toolbox BNT do MATLAB. O problema abordado consiste na identificação de Extra-Sístoles Ventriculares (ESV) em registros de ECG (Eletrocardiograma). A motivação para o uso da tecnologia de Redes Bayesianas é o fato de ela ser adequada para o tratamento de incerteza, presente em todo raciocínio clínico. Mais ainda, a inferência probabilística é muito boa para modelar este tipo de problema, por representá-lo utilizando aleatoriedade (variáveis aleatórias são utilizadas para propagar a incerteza pertinente ao problema). Resultados experimentais apresentados permitem observar que a Rede Bayesiana é um classificador adequado para o problema tratado, e que apresenta um desempenho que independe do algoritmo utilizado para segmentar o sinal de ECG. 1 Introdução A Inteligência Artificial é um campo de estudo que procura explicar e emular o comportamento inteligente, o aprendizado, e a adaptação, através de processos computacionais. Porém, nas diversas áreas que abordam este comportamento inteligente, a incerteza está presente, e é necessário inseri-la em tais sistemas. Uma forma de fazê-lo é através da teoria de probabilidades, que tem se mostrado um formalismo muito útil para a representação da incerteza. Quando se pensa em modelar um Sistema de Auxílio ao Diagnóstico é preciso considerar a incerteza, sempre presente no raciocínio do especialista médico, que é o que se busca modelar. Neste sentido, é proposta neste trabalho uma abordagem estatística, baseada em inferência probabilística, para o desenvolvimento de um sistema capaz de classificar episódios de Extra-Sístoles Ventriculares (ESV), a partir de registros de ECG, ponderando as incertezas inerentes ao problema de diagnóstico médico. A base para efetuar esta classificação é a utilização de Redes Bayesianas (RB). Muitos trabalhos utilizam também regras heurísticas ou redes neurais para a construção de tais sistemas. Este tipo de metodologia não leva em consideração a idéia de incerteza, que é um aspecto chave para simulação do raciocínio do especialista. Um exemplo deste tipo de metodologia é apresentado em (Andreão, Dorizzi e Boudy, 2006). Ali, após uma análise preliminar via Modelos Ocultos de Markov (HMM), é utilizada uma heurística para classificação das anomalias presentes no ECG. Entretanto, as a- bordagens heurísticas dependem de ajustes nos critérios de decisão pré-estabelecidos sempre que novos casos reais são encontrados, isto é, a intervenção do especialista é fundamental, ao contrário da abordagem via RB, onde a intervenção do especialista é mínima, pois o treinamento do sistema é efetuado automaticamente. Por sua vez, a Rede Neural (RN) é um classificador muito empregado na análise de ECG, como mostra Kuppuraj (1993), que desenvolveu um sistema que emprega rede neural para detectar ritmos

2 anormais no registro de ECG. Em (Maglaveras e Strintzis, 1998) também é utilizada uma Rede Neural supervisionada para detecção automática de episódios isquêmicos. Porém, estes sistemas funcionam como verdadeiras caixas pretas, de características extremamente rígidas, sendo incapazes de se adaptarem ao sinal de ECG do paciente. Já as Redes Bayesianas permitem uma representação gráfica interativa (diferentemente das redes neurais, cujo conteúdo é muitas vezes inacessível), e possuem flexibilidade na modelagem de problemas mais complexos. Mais ainda, o sistema baseado em RB também pode evoluir, caso sejam disponibilizados novos dados de treinamento. Em particular, o interesse pela abordagem estatística se deve à sua capacidade de se adaptar automaticamente às variações de morfologia do sinal (Andreão, 2004). De fato, a literatura já apresenta alguns trabalhos nesta área, como o de Ono e co-autores (2004), que propõem um método de classificação baseado nas regras de Bayes, porém utilizando o magnetocardiograma (MCG). Um outro exemplo é o trabalho de Gao e co-autores (2005), que esboça um sistema para a detecção de arritmias cardíacas no sinal ECG, baseado em uma inferência bayesiana e em rede neural. Nesta mesma linha de pesquisa, Wiggins e coautores (2005) desenvolveram um sistema para classificação da idade dos pacientes, com base em informações extraídas do sinal de ECG, cuja abordagem se baseia em Redes Bayesianas evolutivas, sendo a evolução feita via um algoritmo genético. Outro trabalho, apresentado por Przytula, Dash e Thompson (2003), mostra a evolução das Redes Bayesianas para diagnóstico. Ali também se descrevem todas as fases envolvidas na implementação do sistema. Motivado pelos resultados já obtidos usando a abordagem estatística, e tendo em conta que ainda há muito que explorar em tal abordagem, dado que os primeiros resultados são bem recentes, os autores adotaram o paradigma de Redes Bayesianas para analisar a ocorrência de ESV s em um registro de ECG, para levar em conta a incerteza embutida no problema (Oliveira, Andreão e Sarcinelli-Filho, 2008). Nesta linha, este artigo utiliza a abordagem Bayesiana, testando duas estruturas de rede, em conexão com dois algoritmos distintos para a segmentação do sinal de ECG e com duas bases de dados distintas. Pretende-se, com isto, verificar a independência da classificação realizada em relação à segmentação do sinal, assim como a influência do volume de dados disponível para treinamento da rede, buscando criar um sistema robusto, apto a realizar a classificação de extra-sístoles ventriculares. 2 O Eletrocardiograma (ECG) O Eletrocardiograma (ECG) é o registro dos fenômenos elétricos associados à atividade cardíaca. Ele permite a caracterização de diversas cardiopatias, através das modificações específicas da forma de onda do sinal (ressalvando-se que há algumas anomalias cardíacas que não alteram o ECG). A análise automática do ECG é um tema de pesquisa que surgiu há quase três décadas, mas que ainda é muito discutido no domínio biomédico. O interesse pelo ECG deve-se ao fato de que ele é um e- xame eficaz para o diagnóstico de arritmias cardíacas, problemas de condução do impulso elétrico responsável pela contração do músculo cardíaco e de doenças do coração (Kadish et al., 2001). 2.1 Componentes individuais do ECG A Figura 1 mostra, resumidamente, a condução do impulso cardíaco pelo coração humano, e um segmento de ECG correspondente a um batimento cardíaco. A onda P ali mostrada representa a despolarização atrial. Ela é uma saliência de morfologia arredondada, simétrica, de pequena amplitude, e que precede imediatamente todos os complexos QRS. O complexo QRS corresponde à despolarização ventricular. O segmento ST corresponde à fase inicial da repolarização ventricular, e é o segmento de linha que se segue ao complexo QRS, unindo-o à onda T. Conforme a Figura 1b, o batimento cardíaco é constituído por formas elementares (ou ondas elementares), sendo que tal conjunto de ondas elementares se repete ao longo do tempo. O estudo das amplitudes e da morfologia destes segmentos elementa- a) b) Figura 1: a) Relação entre a estimulação cardíaca e o instante de aparição das ondas no eletrocardiograma: 1) Nodo sinusal; 2) Átrio; 3) Nodo AV; 4) Feixe de His; 5) Fibras de Purkinje; 6) Músculo ventricular (Andreão, 2004). b) Ilustração de um batimento cardíaco, destacando os segmentos mais importantes. J

3 res constitui a base da análise do ECG. 2.2 Extra-Sístoles Ventriculares (ESV) Este trabalho é voltado para a detecção de ESV s (Extra-Sístoles Ventriculares), que são anomalias cardíacas causadas por contrações prematuras do ventrículo, que interrompem brevemente o compasso normal das batidas. Assim, um ESV é um batimento cardíaco anômalo, passível de ser detectado a partir do ECG, que é provocado pela ativação elétrica antecipada dos ventrículos, em relação ao batimento cardíaco normal. Em particular, a análise deste tipo de arritmia cardíaca recebeu muita atenção, como é mostrado em (Strintzis et al., 1992) e em (Maglaveras e Strintzis, 1998). O batimento classificado como ESV é caracterizado pela presença de um complexo QRS prematuro, seguido, na maior parte dos casos, de um repouso compensador. Outra característica é a ausência de uma onda P antes do complexo QRS prematuro. Por fim, uma terceira característica dessa arritmia é a deformação da onda QRS, que fica mais larga (ver segmento de ECG da Figura 2). Extra-Sístoles Ventriculares, quando encontradas na ausência de doença cardiovascular, podem não ter nenhum significado, mas quando encontradas após infarto agudo do miocárdio ou na insuficiência cardíaca, por exemplo, são muito significativas. A sua identificação também tem grande importância para a correta classificação de episódios isquêmicos. 3 Os Algoritmos de Segmentação do Sinal ECG Para comprovar que a Rede Bayesiana é uma boa ferramenta para classificação de ESV s, independentemente do algoritmo de segmentação do sinal ECG utilizado, foram selecionados dois algoritmos de segmentação para gerar as variáveis de entrada da rede, um deles proposto por Andreão, Dorizzi e Boudy (2006) e o outro proposto por Aguiar (2008). O algoritmo proposto por Andreão, Dorizzi e Boudy (2006), a partir daqui denominado Primeiro Algoritmo de Segmentação do ECG, calcula a verossimilhança da onda QRS e identifica o intervalo entre dois picos R sucessivos, enquanto que o algoritmo de segmentação proposto por Aguiar (2008), a partir daqui denominado Segundo Algoritmo de Segmentação do ECG, calcula a distância QS e também identifica o intervalo entre dois picos R sucessivos. Figura 2: Batimentos contidos em um sinal ECG, identificados como Normal ou ESV. 4 As Bases de Dados Utilizadas O aprendizado em Redes Bayesianas tem como objetivo a obtenção das probabilidades de cada nó da rede (Heckerman, Geiger e Chickering, 1995). Para este aprendizado, é necessário um algoritmo e uma base de dados. No caso de auxílio ao diagnóstico médico, a base de dados corresponde, geralmente, aos dados clínicos de casos anteriores, isto é, o domínio do problema modelado pela rede. Neste trabalho foram utilizadas duas bases de dados, que são a MIT-BIH database (1997) e a QT Database (Laguna et al., 1997), ambas contendo batimentos cardíacos rotulados como normais ou ESV s por especialistas médicos. Utilizando as duas bases de dados, também será verificado, neste trabalho, se o treinamento da rede sofre influência da quantidade de batimentos ESV disponíveis (a base de dados MIT-BIH possui um número maior de batimentos ESV que a QT). Utilizando-se a base de dados MIT-BIH, para o caso do Primeiro Algoritmo de Segmentação do ECG, foram usados batimentos cardíacos para treinamento e teste da rede, sendo que deste total apenas 6,6% correspondem a episódios de ESV. Já para o caso do Segundo Algoritmo de Segmentação do ECG, foram usados batimentos cardíacos, sendo 6,4% deles rotulados como episódios de ESV. Na seqüência, utilizando-se a base de dados QT database, para a qual somente o Primeiro Algoritmo de Segmentação do ECG foi utilizado, batimentos foram considerados, sendo que somente 5,5% deles são rotulados como episódios de ESV. 5 Identificação dos Nós ou Variáveis Aleatórias da Rede Bayesiana As variáveis aleatórias foram associadas aos seguintes nós que modelam a Rede Bayesiana: ESV, que representa a possibilidade de o- correr ou não esta arritmia ventricular; Batimento Prematuro, que indica a probabilidade de acontecer ou não um complexo QRS prematuro; Batimento Ventricular, que tem a função de indicar a probabilidade de ocorrência de uma deformação do complexo QRS, que fica mais largo quando deformado (Figura 2); LLC1 e LLC2, que representam exatamente o valor numérico da verossimilhança do complexo QRS, obtido através do Primeiro e do Segundo Algoritmos de Segmentação do ECG. A diferença entre estes dois nós está na terminação, C1 ou C2, que representam, respectivamente, canal 1 e canal 2 (registro de ECG com duas derivações);

4 RRC1 e RRC2, que representam exatamente o valor numérico do tempo entre dois picos R sucessivos, obtidos através do Primeiro e do Segundo Algoritmos de Segmentação do ECG. A diferença entre os dois nós é o canal utilizado, a saber, 1 ou 2 (registro de ECG com duas derivações). Os valores dos nós RR e LL foram estimados, primeiro utilizando um algoritmo que calcula o valor numérico do tempo entre dois picos R consecutivos e o valor numérico da verossimilhança (Primeiro Algoritmo de Segmentação do ECG), e depois utilizando um algoritmo que calcula o valor numérico do tempo entre dois picos R consecutivos e a distância QS do complexo QRS (Segundo Algoritmo de Segmentação do ECG). Em ambos os casos, os valores resultantes foram normalizados, para melhorar a separação entre os tipos de batimentos de interesse (Normal, Ventricular e Prematuro). Esta normalização é necessária porque existe uma grande diversidade de morfologias no sinal ECG para pessoas diferentes. A Figura 3 (a e b) ilustra as gaussianas para o nó LL, formadas utilizando-se os registros da base de dados MIT-BIH e o Primeiro e o Segundo Algoritmos de Segmentação do ECG, respectivamente. 6 Topologia da Rede Bayesiana A estrutura da Rede Bayesiana especifica alguns tipos de variáveis (ocultas versus observáveis, discretas versus contínuas, etc.), o nome da variável e um tipo de função de probabilidade do nó (gaussiana, tabela de probabilidade, determinística, etc.) (Buntine, 1991). Neste trabalho, para que fosse feito o treinamento da rede, todos os nós foram considerados observáveis. Os nós discretos são ESV, Batimento Prematuro e Batimento Ventricular, enquanto os nós contínuos são LLC1, LLC2, RRC1 e RRC2. As relações causais, quantificadas por valores de probabilidade condicional, estão ilustradas nos grafos direcionados representados na Figura 4, que correspondem às Redes Bayesianas implementadas. Destaque-se que foram usadas duas estruturas de rede porque o Primeiro Algoritmo de Segmentação do ECG aplicado à base de dados MIT-BIH gera resultados apenas para um canal (Andreão, Dorizzi e Boudy, 2006). Já para os demais casos, há a disponibilidade dos resultados da segmentação do ECG para dois canais, e uma topologia considerando que uma fusão de canais (Oliveira, Andreão e Sarcinelli Filho, 2008) é utilizada. O método de treinamento utilizado para as redes implementadas foi o learn_params_em (Pearl, 1991), e o algoritmo de teste implementado foi o junction-tree (Pearl, 1991). Como já mencionado, cada rede foi implementada utilizando o toolbox BNT, disponibilizado pelo MATLAB. 7 Resultados As duas bases de dados empregadas para a classificação de ESV foram divididas em duas partes, uma para treinamento (aproximadamente 75% dos batimentos) e outra para teste (aproximadamente 25% dos batimentos). Em ambos os casos, foi respei- ESV (a) BatimentoPrematuro BatimentoVentricular RR (a) ESV LL BatimentoVentricular BatimentoPrematuro (b) Figura 3: (a) Gaussianas normalizadas para os batimentos Normal e Ventricular, representando o valor da verossimilhança da onda QRS (Andreão, Dorizzi e Boudy, 2006). (b) Gaussianas normalizadas para os batimentos Normal e Ventricular, representando o valor da distância QS (Aguiar, 2008). LLCI LLC2 RR (b) Figura 4: Rede Bayesiana para (a) um canal, e (b) dois canais.

5 tada a proporção de batimentos ESV na parte de treinamento e na parte de teste. Os resultados foram avaliados utilizando Matriz de Confusão, que favorece a visualização dos erros e oferece uma medida efetiva da qualidade da classificação ao mostrar o número de classificações corretas e incorretas (falsos positivos e falsos negativos). Com base nesta matriz pode-se avaliar o desempenho do sistema calculando as seguintes medidas de desempenho: Sensibilidade, que é a capacidade de o sistema reconhecer os verdadeiros positivos; Especificidade que é a capacidade de o sistema reconhecer os verdadeiros negativos; Valor Preditivo Positivo, que é a probabilidade de um caso identificado como positivo ser de fato positivo; Valor Preditivo Negativo, que é a probabilidade de um caso identificado como negativo ser de fato negativo. 7.1 Base de Dados QT com o Primeiro Algoritmo de Segmentação do ECG O melhor resultado obtido quando utilizados a base de dados QT e o Primeiro Algoritmo de Segmentação do ECG corresponde à rede da Figura 4-b, e é apresentado na Tabela 1. Tabela 1: Resultado da Rede Bayesiana para a base de dados QT com o Primeiro Algoritmo de Segmentação do ECG. Sensibilidade (Se) 78,15% Especificidade (Es) 99,72% Valor Preditivo Positivo (VPP) 96,33% Valor Preditivo Negativo (VPN) 99,96% 7.2 Base de Dados MIT-BIH com o Primeiro Algoritmo de Segmentação do ECG O melhor resultado obtido utilizando a base de dados MIT-BIH e o Primeiro Algoritmo de Segmentação do ECG corresponde à rede da Figura 4-a, e é apresentado na Tabela Base de Dados MIT-BIH com o Segundo Algoritmo de Segmentação do ECG O melhor resultado obtido utilizando a base de dados MIT-BIH e o Segundo Algoritmo de Segmentação do ECG corresponde à rede da Figura 4-b, e é Tabela 2: Resultado da Rede Bayesiana para a base de dados MIT-BIH com o Primeiro Algoritmo de Segmentação do ECG. Sensibilidade (Se) 79,53% Especificidade (Es) 98,79% Valor Preditivo Positivo (VPP) 93,92% Valor Preditivo Negativo (VPN) 99,69% Tabela 3: Resultado da Rede Bayesiana para a base de dados MIT-BIH com o Segundo Algoritmo de Segmentação do ECG. apresentado na Tabela 3. Sensibilidade (Se) 82,33% Especificidade (Es) 99,59% Valor Preditivo Positivo (VPP) 87,62% Valor Preditivo Negativo (VPN) 99,37% 8 Conclusão Neste trabalho foi implementada uma Rede Bayesiana, cujo desempenho foi avaliado usando diferentes bases de dados e diferentes algoritmos de segmentação do ECG, para gerar os dados de entrada da rede, com o objetivo de verificar como as RB se comportam em relação ao método de segmentação do sinal de entrada e em relação ao número de casos disponíveis do padrão que se deseja detectar (no caso, batimentos cardíacos correspondentes a Extra-Sístoles Ventriculares). Analisado os resultados para a topologia de rede com dois canais (Tabelas 1 e 3), pode-se verificar que os valores dos índices Se e VPP correspondentes ao Segundo Algoritmo de Segmentação do ECG são melhores. Isto, sem dúvida, se deve à maior quantidade de batimentos ESV contidos na base de dados utilizada (MIT-BIH), em comparação com a base de dados QT. Comparando-se a mesma base de dados (MIT- BIH) nas Tabelas 2 e 3 o resultado correspondente ao índice Se associado ao Segundo Algoritmo de Segmentação do ECG é melhor que aquele correspondente ao Primeiro Algoritmo de Segmentação do ECG, neste caso porque no caso da Tabela 3 foram utilizados dois canais, ao passo que o resultado obtido com o Primeiro Algoritmo de Segmentação do ECG corresponde a apenas um canal. Já o valor do índice VPP correspondente ao caso da Tabela 2, onde é usado o Primeiro Algoritmo de Segmentação do ECG, é melhor que aquele da Tabela 3. Isto se deve ao fato de que as gaussianas geradas para a variável LL a partir dos valores obtidos através do Segundo Algoritmo de Segmentação do ECG, são mais difíceis de separar que as geradas com o Primeiro Algoritmo de Segmentação do ECG, e também por causa da quantidade de batimentos utilizados. Assim sendo, pode-se observar que há um equilíbrio na classificação da Rede Bayesiana, ou seja, seu desempenho é muito pouco influenciado pelo Algoritmo usado na segmentação do ECG para gerar os dados de entrada da rede, no que tange à detecção de episódios de ESV. Por outro lado, também se pode afirmar que o treinamento da rede, quando se utilizou a base de dados QT, foi prejudicado pelo fato do número de batimentos ESV ali disponíveis ser muito pequeno. Esta afirmação baseia-se no fato de que o índice Se é maior para os casos em que se utilizou a base de

6 dados MIT-BIH, a qual possui maior número de batimentos rotulados como ESV, permitindo, assim, um treinamento mais adequado da rede. Agradecimentos Os autores agradecem à CAPES (Coordenação de Aperfeiçoamento de Pessoal de Nível Superior) e à FAPES (Fundação de Apoio à Ciência e Tecnologia do Espírito Santo), pelo apoio financeiro para a realização desta pesquisa. Eles também agradecem à TELECOM et Management Sud-Paris, por proporcionar a oportunidade de estágio sanduíche a Lorena S. C. Oliveira. Referências Bibliográficas Andreão, R. V., Dorizzi, B. e Boudy, J. (2006). ECG Signal Analysis Through Hidden Markov Models, IEEE Transactions on Biomedical Engineering, 53(8): Andreão, R. V., Dorizzi, B., Mota J. C. M. e Boudy, J. (2004). Ischemia Detection Based on HMM Beat Segmentation and ST Segment Analysis, Proceedings of the IFMBE, Vol. V, João Pessoa. Aguiar, R. O. (2008). Classificador Automático e Não-Supervisionado de Batimentos Cardiacos Baseado no Algoritmo Dynamic Time Warping, Dissertação de Mestrado, Universidade Federal do Espirito Santo (UFES), Vitória. Buntine, W. L. (1991). Theory Refinement on Bayesian Networks, Proceedings of the 7 th Conference on Uncertainty in Artificial Intelligence, Los Angeles, pp Gao, D., Madden, M., Chambres, D. e Lyons, G. (2005). Bayesian ANN Classifier for ECG Arrhythmia Diagnostic System: A Comparison Study, Proceedings of the International Joint Conference on Neural Networks, Vol IV, Montreal, pp Heckerman D., Geiger D. e Chickering D.M. (1995). Learning Bayesian Networks: The Combination of Knowledge and Statistical Data, Machine Learning, 20: Kadish, A. H., Buxton, A. E., Kennedy, H. L., Knight, B. P, Mason, J. W., Schuger, C. D., Tracy, C. M., Winters, W. L., Boone, A. W., Elnicki, M., Hirshfeld, J. W., Lorell, B. H., Rodgers, G. (2001). ACC/AHA Clinical Competence Statement on Electrocardiography and Ambulatory Electrocardiography, Journal of the American College of Cardiology, 38(7): Kuppuraj, R. N. (1993). A Neural Network System to Classify Simulated ECG Rhythms, Proceedings of the IEEE Biomedical Engineering Conference, New Orleans. Laguna, P., Mark, R. G., Goldberger, A. e Moody, G. B. (1997). A Database for evaluation of algorithms for measurement of QT and other waveform intervals in the ECG. Computers in Cardiology, Lund, pp Maglaveras, N. e Strintzis, G. M. (1998). An Adaptive Backpropagation Neural Network for Real-Time Ischemia Episodes Detection: Development and Performance Analysis Using the European ST-T Database. IEEE Transactions on Biomedical Engineering, 45(7): MIT-BIH Harvard-MIT (1997). Arrhythmia DataBase Directory, viewed 11/09/2008, html/mitdbdir/mitdbdir.htm. Oliveira, L. C., Andreão, R. V. e Sarcinelli Filho M. (2008). Utilizando Redes Bayesianas para Detectar Extra-Sistoles Ventriculares em Batimentos Cardiacos por Aanalise do Registro de ECG, Anais do XVII Congresso Brasileiro de Automática, Juiz de Fora. Ono, Y., Ishiyama, A., Kasai, N., Yamada S., On, K., Watanabe, S., Yamaguchi, I., Miyashita, T. e Tsukada, K. (2004). Bayesian classification of myocardial excitation abnormality using magnetocardiogram maps for mass screening, Neurology and Clinical Neurophysiology, 43. Pearl, J. (1991). Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference, Revised Second Printing. San Mateo: Morgan Kaufmann. Przytula, K. W., Dash, D. e Thompson, D. (2003). Evaluation of Bayesian Networks Used for Diagnostics, Proceedings of the IEEE Aerospace Conference, pp Strintzis, M., Stalidis, G., Magnisalis, X., e Maglaveras, N. (1992). Use of Neural Networks for electrocardiogram feature extraction, recognition and classification, Neural Network World Journal, 3-4: Wiggins, M., Saad, A., Litt, B. e Vachtsevanos, G. (2005). Evolving a Bayesian classifier for ECGbased age classification in medical applications, Applied Soft Computing, 8(1):