{"componentChunkName":"component---src-templates-project-pt-js","path":"/pt/projects/arrhythmia-ecg-recognition","webpackCompilationHash":"616a92a4504883dda87b","result":{"pageContext":{"isCreatedByStatefulCreatePages":false,"id":"arrhythmia-ecg-recognition","lang":"pt","content":{"id":"arrhythmia-ecg-recognition","header":{"title":"Projeto de Reconhecimento de Arritmias em Eletrocardiogramas","subtitle":"Desenvolvido com Transformadas Discretas de Wavelet e ferramentas de aprendizado de máquina.","links":[{"title":"Github","url":"https://github.com/davikawasaki/arrhythmia-ecg-analysis-ai","icon":"socialMediaGithubCircleIcon"}],"date":{"start":"1494853200","end":"1508418000"}},"about":{"categories":[{"title":"Desenvolvimento de Software","abbr":"DVS"},{"title":"Aprendizado de Máquina","abbr":"AM"},{"title":"Ciência de Dados","abbr":"CD"},{"title":"Processamento Digital de Sinais","abbr":"PDS"},{"title":"Open Source","abbr":"OS"}],"text":["Projeto de inteligência artificial desenvolvido durante o bacharelado em Engenharia da Computação com o foco em classificar arritmias cardíacas utilizando aprendizado de máquina supervisionado. Isso é realizado por meio da extração de tipos misturados de características provenientes de ondas cardíacas presentes em eletrocardiogramas (ECG). Esse processo de extração utilizou transformadas wavelet discretas para filtragem dos sinais, extraindo dados usados em uma coletânea de algoritmos de aprendizado de máquina que classificam as características exportadas junto de labels de verdadeiro e falso (contém ou não arritmias). O objetivo, no final, foi classificar pelo menos dois tipos de arritmia por meio de características extraídas utilizando os softwares Weka e MATLAB.","Com os resultados (divisão de treinamento/teste e matriz de confusão) obtidos nos testes para cada software, a extração e análise de arritmias tiveram bons resultados nos testes para o algoritmo de Máquina de Vetores de Suporte (total de 97,90%) e de Vizinhos Mais Próximos (total de 91,49%), enquanto para algoritmos de Redes Bayesianas (74,47%) e BoostedTrees (21,30%) os resultados foram piores.","Funções desempenhadas: Engenheiro de dados, desenvolvedor.","Ferramentas usadas: MATLAB R2017b, Weka 3.8.1."]},"gallery":{"title":"Destaques do Projeto","photos":[]},"contact":{"title":"Entre em contato para parcerias ou propostas","links":[{"type":"email","svg":"socialMediaEmailCircleIcon","url":"mailto:davishinjik@gmail.com"},{"type":"linkedin","svg":"socialMediaLinkedinCircleIcon","url":"https://www.linkedin.com/in/davikawasaki/"}]},"footer":{"text":"© Desde 2017. Feito com ♥ na Dinamarca."}}}}}