Classificador de Doenças Cardíacas com ECG - ES413

Este projeto desenvolve um sistema de classificação automática de doenças cardíacas utilizando sinais de eletrocardiograma (ECG), aplicando técnicas avançadas de processamento de sinais digitais e machine learning. Desenvolvido para a disciplina ES413 - Sinais e Sistemas para Engenharia da Computação.

Objetivo

Implementar um pipeline completo para:

• Pré-processamento de sinais ECG do dataset PTB-XL
• Extração de características relevantes no domínio do tempo e frequência
• Classificação automática de condições cardíacas
• Avaliação e validação dos modelos desenvolvidos

Dataset

PTB-XL: Maior dataset público de ECG disponível

• 21.837 registros de ECG de 10 segundos
• 12 derivações padrão (I, II, III, aVR, aVL, aVF, V1-V6)
• Frequência de amostragem: 100 Hz e 500 Hz
• Classes principais: NORM, MI, STTC, CD, HYP

Estrutura do Projeto

Projeto_SSC/
├── README.md                           # Documentação principal
├── requirements.txt                    # Dependências Python
├── .gitignore                         # Arquivos ignorados pelo Git
├── notebook/                          # Notebooks Jupyter (pipeline principal)
│   ├── I_preprocessamento_sinais.ipynb    # Pré-processamento de sinais ECG
│   ├── II_extracao_caracteristicas.ipynb # Extração de features
│   ├── III_classificacao_algoritmos.ipynb # Treinamento de modelos
│   └── IV_avaliacao_resultados.ipynb     # Análise e avaliação
├── src/                               # Código fonte modularizado
│   ├── preprocessing/                     # Módulos de pré-processamento
│   ├── feature_extraction/               # Extratores de características
│   └── classification/                   # Algoritmos de classificação
├── data/                              # Dados do projeto
│   ├── raw/                              # Dados brutos (PTB-XL)
│   └── features/                         # Características extraídas
├── docs/                              # Documentação técnica
│   ├── referencias/                      # Bibliografia e referências
│   └── *.pdf                            # Relatórios técnicos
└── results/                           # Resultados e modelos
    └── classification/                   # Modelos treinados e métricas

Tecnologias Utilizadas

Bibliotecas Principais

• NumPy & SciPy: Computação científica e processamento de sinais
• Pandas: Manipulação e análise de dados
• WFDB: Leitura de dados biomédicos PTB-XL
• Scikit-learn: Machine learning e avaliação de modelos
• Matplotlib & Seaborn: Visualização de dados

Algoritmos Implementados

• Pré-processamento: Filtragem digital, normalização, remoção de baseline
• Extração de features: Características temporais, espectrais e entropia
• Classificação: Random Forest com validação cruzada
• Avaliação: Métricas clínicas e análise de confusão

Como Executar

1. Preparação do Ambiente

# Clonar o repositório
git clone https://github.com/SapoSopa/Projeto_SSC.git
cd Projeto_SSC

# Instalar dependências
pip install -r requirements.txt

# Baixar dataset PTB-XL (instruções no Notebook I)

2. Pipeline de Execução

Execute os notebooks na seguinte ordem:

# 1. Pré-processamento dos sinais ECG
jupyter notebook notebook/I_preprocessamento_sinais.ipynb

# 2. Extração de características
jupyter notebook notebook/II_extracao_caracteristicas.ipynb

# 3. Treinamento dos classificadores
jupyter notebook notebook/III_classificacao_algoritmos.ipynb

# 4. Avaliação e análise dos resultados
jupyter notebook notebook/IV_avaliacao_resultados.ipynb

3. Estrutura de Dados Esperada

data/raw/
└── ptb-xl-a-large-publicly-available-electrocardiography-dataset-1.0.1/
    ├── ptbxl_database.csv
    ├── records100/
    └── records500/

Documentação Técnica

• /docs/referencias/bibliografia.md - Referências bibliográficas
• /src/preprocessing/preprocessamento_tecnica.md - Documentação do módulo de pré-processamento
• /src/feature_extraction/extract_features_tecnica.md - Documentação da extração de características
• /docs/*.pdf - Relatórios técnicos detalhados

Metodologia Científica

Pipeline de Processamento

1. Carregamento: Dados PTB-XL em formato WFDB
2. Pré-processamento: Filtro passa-banda (0.5-45 Hz), normalização Z-score
3. Extração de Features: 25 características temporais e espectrais por canal
4. Classificação: Random Forest com GridSearch e validação cruzada
5. Avaliação: Métricas clínicas e interpretação médica

Validação

• Divisão estratificada: 80% treino / 20% teste
• Validação cruzada: 5-fold para otimização de hiperparâmetros
• Métricas clínicas: Focadas em sensibilidade e especificidade

Limitações Atuais

• Performance moderada (79.25% acurácia)
• Necessita validação clínica externa
• Desbalanceamento entre classes

Requisitos do Sistema

• Python: 3.8 ou superior
• Espaço em disco: ~5GB para dataset PTB-XL
• Sistema operacional: Windows, Linux ou macOS

Colaboradores

Esdras Gabriel	Gabriel Campos	Henrique César	João Victor	Luiz Gustavo	Márcio Júnior

Licença

Este projeto foi desenvolvido para fins acadêmicos na disciplina ES413 - Sinais e Sistemas para Engenharia da Computação.

---