Aprendizado de máquina aplicado à detecção de fibrilação atrial utilizando sensor de fotopletismografia em microcontrolador embarcado

Abstract

A Fibrilação Atrial (FA) é uma arritmia cardíaca que acomete 1-2% da população e, a sua presença, aumenta a probabilidade do indivíduo desenvolver um quadro clínico de derrame, podendo ser fatal. O monitoramento contínuo através de dispositivos como relógios inteligentes representa uma alternativa promissora aos métodos tradicionais, como o eletrocardiograma. Este estudo desenvolve e valida um modelo de aprendizado de máquina otimizado para a detecção de FA a partir de sinais simulados de fotopletismografia (PPG). Foram utilizados 4400 sinais de PPG simulados e processados em janelas de 10 segundos, foram também comparadas diferentes abordagens de aprendizado de máquina, como arquiteturas clássicas com engenharia e seleção de características e de aprendizado profundo. O modelo de Redes Neurais Convolucionais (CNN), projetado com enfoque na viabilidade de implementação da solução em sistemas embarcados, atingiu valores superiores sobre a abordagem de referência (Random Forest), alcançando um F1-Score de 0,71 e uma Área Sob a Curva ROC (AUC) de 0,9232. Os resultados validam a arquitetura CNN como o melhor compromisso entre alta performance preditiva e a exequibilidade em um dispositivo com recursos computacionais limitados.

Abstract: Atrial Fibrillation (AF) is a cardiac arrhythmia that affects 1-2% of the population, and its presence increases the individual?s probability of developing a clinical stroke, which can be fatal. Continuous monitoring through devices such as smartwatches represents a promising alternative to traditional methods, like the electrocardiogram. This study develops and validates an optimized machine learning model for AF detection from simulated photoplethysmography (PPG) signals. Using 4400 simulated PPG signals processed in 10-second windows, different machine learning approaches were also compared, such as classic architectures with feature engineering and selection, and deep learning. The Convolutional Neural Network (CNN) model, designed with a focus on the feasibility of implementing the solution in embedded systems, achieved superior results over the reference approach (Random Forest), reaching an F1-Score of 0.71 and an Area Under the ROC Curve (AUC) of 0.9232. The results validate the CNN architecture as the best compromise between high predictive performance and feasibility on a device with limited computational resources.