Classificação automática de arritmias utilizando mapeamento de sinais de ECG em grafos e redes neurais convolucionais de grafos.

Abstract

Conforme a Organização Mundial da Saúde (OMS), as doenças cardíacas figuram como a principal causa de morte em âmbito global. Embora muitas dessas condições possam ser

diagnosticadas antecipadamente, a incidência de casos segue em ascensão. Estimativas indi- cam que mais de 75% dos casos ocorrem em países de baixa renda ou em desenvolvimento,

e 17,9 milhões de pessoas morreram de doenças cardíacas apenas em 2019, totalizando 32% das mortes globais. A persistência desse aumento de casos realça a necessidade de novas abordagens que automatizem a detecção de arritmias em sinais de eletrocardiograma (ECG). Na literatura, inúmeras técnicas de extração de características são utilizadas para

representar o ECG como séries temporais unidimensionais, com o intuito de classificar pa- drões associados à arritmias. Notavelmente, abordagens baseadas em aprendizado profundo

(redes de convolução) têm obtido resultados impressionantes para tal tarefa. Entretanto, abordagens baseadas em grafos e redes complexas foram recentemente investigadas como alternativas para aprimorar o desempenho na detecção de arritmias, porém, ainda se apresenta como um desafio mapear ou representar adequadamente sinais de ECG na forma de grafos. Assim, este estudo explora a representação dos sinais de ECG em grafos por meio do Visibility Graph (VG) e Vector Visibility Graph (VVG). Adicionalmente, utilizamos a estrutura de grafo para a classificação de arritmias com Redes Neurais Convolucionais

de Grafos (Graph Convolutional Networks - GCNs). Experimentos envolvendo diferen- tes arquiteturas de GCNs foram avaliados no conjunto de dados MIT-BIH, seguindo os

paradigmas inter-patient e intra-patient. Os resultados indicam que a representação dos sinais de ECG por meio de VG e VVG é promissora, e que o VG provou ser mais eficiente em comparação ao método VVG para as arquiteturas de GCNs exploradas. Em relação à classe de batimentos ectópicos supraventriculares (S), os resultados evidenciam que no paradigma inter-patient ainda há um grande desafio a ser superado. Arquiteturas mais simples de GCNs tiveram melhores resultados do que as complexas, indicando que sua simplicidade melhora a captura das características essenciais dos dados e evita ruídos. Essas arquiteturas também são mais eficientes computacionalmente, o que é importante em cenários de recursos limitados.