CLASSIFICAÇÃO DE TIPOS DE RUÍDOS CARDÍACOS COM EDGE IMPULSE ATRAVÉS DE AUSCULTA CARDÍACA

Abstract

Este resumo apresenta um trabalho que aborda a classificação de ruídos cardíacos por meio do uso de técnicas de machine learning, em conjunto com a plataforma Edge Impulse. O objetivo principal do estudo é identificar e classificar diferentes tipos de ruídos cardíacos, como estenose aórtica, estenose mitral, insuficiência aórtica e insuficiência mitral. A classificação precisa de ruídos cardíacos é uma tarefa desafiadora devido à complexidade e à natureza não linear dos sinais (5). Os ruídos podem variar em intensidade, frequência e características temporais, o que dificulta sua interpretação e diferenciação precisa (5). Além disso, a presença de outros ruídos de fundo, como murmúrios respiratórios, pode introduzir ainda mais dificuldades na classificação correta dos ruídos cardíacos. No contexto deste trabalho, foram coletados dados de ruídos cardíacos de pacientes com os diferentes diagnósticos mencionados anteriormente. Esses dados foram submetidos a um processo de pré-processamento, no qual ruídos indesejados foram removidos e os sinais foram normalizados para garantir consistência na análise. Em seguida, foram aplicados algoritmos de machine learning, como redes neurais convolucionais (CNNs) e algoritmos de árvores de decisão, para treinar modelos capazes de classificar automaticamente os ruídos cardíacos em uma das quatro categorias mencionadas(1). No entanto, é importante ressaltar que a classificação precisa dos ruídos cardíacos apresenta desafios significativos. A variabilidade intra e interpaciente, bem como a sobreposição de características entre os diferentes tipos de ruídos, podem dificultar a distinção correta das condições cardíacas específicas. Apesar dessas dificuldades, a plataforma Edge Impulse proporcionou uma abordagem promissora para o desenvolvimento de sistemas de classificação de ruídos cardíacos. A implementação de algoritmos de machine learning em dispositivos de borda permite a detecção e classificação em tempo real, proporcionando um diagnóstico rápido e auxiliando os profissionais de saúde na identificação de condições cardíacas específicas.