Publicação
Classification Models for Sleep Apnea Detection
| datacite.subject.fos | Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática | por |
| dc.contributor.advisor | Pombo, Nuno Gonçalo Coelho Costa | |
| dc.contributor.advisor | Garcia, Nuno | |
| dc.contributor.advisor | Bousson, Kouamana | |
| dc.contributor.author | Pinho, André Miguel da Silva | |
| dc.date.accessioned | 2020-03-11T17:26:01Z | |
| dc.date.available | 2020-03-11T17:26:01Z | |
| dc.date.issued | 2019-04-01 | |
| dc.date.submitted | 2019-01-25 | |
| dc.description.abstract | A dissertação incide na selecção de características, importância das mesmas num modelo de classificação e diferentes tipos de classificação para uma melhor detecção de apneia de sono, recorrendo apenas a um electrocardiograma (ECG) e comparando a precisão dos diferentes modelos. Recorrendo ao uso da base de dados Physionet Apnea-ECG, um filtro Savitsky Golay (sgolay) foi aplicado aos registos para limpar o sinal e depois obter o complexo QRS de forma a obter o Heart Rate Variability (HRV) e o ECG-Derived Respi¬ration (EDR). As características extraídas destes dois métodos foram usadas para treino, teste e validação dos classificadores. As características obtidas foram analisadas por forma a se selecionar as mais relevantes no contexto da detecção de apnea. Os conjuntos de treino e teste foram obtidos dividindo aleatoriamente os dados até uma boa performance ser atingida usando o k-fold cross-validation (k=IO). De acordo com os resultados obtidos, a melhor precisão foi de 82.12%, com uma sensibilidade e uma especificidade de 88.41% e 72.29%, respectivamente. Estes resultados preliminares podem levar a estudos complementares para implementação numa aplicação real | por |
| dc.identifier.tid | 202365263 | |
| dc.identifier.uri | http://hdl.handle.net/10400.6/9998 | |
| dc.language.iso | por | por |
| dc.subject | Apneia de Sono | por |
| dc.subject | Ecg-Derived Respiration | por |
| dc.subject | Electrocardiograma | por |
| dc.subject | Heart Rate Variability | por |
| dc.subject | Linear Discriminant Analysis | por |
| dc.subject | Partial Least Squares Regression | por |
| dc.subject | Rede Neuronal | por |
| dc.subject | Support Vector Machine | por |
| dc.title | Classification Models for Sleep Apnea Detection | por |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | por |
| rcaap.type | masterThesis | por |
| thesis.degree.name | 2º Ciclo em Engenharia Informática | por |
Ficheiros
Principais
1 - 1 de 1
Miniatura indisponível
- Nome:
- 6794_14663.pdf
- Tamanho:
- 7.52 MB
- Formato:
- Adobe Portable Document Format