Almeida Neto, Fernando Gonçalves deLUZ, Luigi Fernando Marques da2022-04-182022-04-182021-07-15LUZ, Luigi Fernando Marques da. PyCBPE: umframework open­source para estudo de desempenho de algoritmos de aprendizagem de máquina aplicados para estimar a pressão arterial através de sinais de fotopletismografia. 2021. 84 f.Trabalho de conclusão de curso (Graduação em Engenharia Eletrônica) - Unidade Acadêmica do Cabo de Santo Agostinho, Universidade Federal Rural de Pernambuco, 2021.https://repository.ufrpe.br/handle/123456789/2896Doenças cardíacas são uma grande causa de mortes na atualidade. Um indicador tí­ pico de doenças cardíacas graves é a pressão arterial elevada, que pode ser usada para auxiliar no diagnóstico de muitas doenças do coração. Contudo, o diagnóstico apropriado de muitas doenças pode requerer um monitoramento contínuo da pressão sanguínea, o que pode ser difícil de se obter, uma vez que o método padrão, baseado no esfigmomanômetro, não permite medições contínuas e a cânula invasiva é custosa, desconfortável para o paciente e necessita de infraestrutura hospitalar. Como alternativa, técnicas aplicando sinais de fotopletismografia (PPG) têm sido propostas recentemente para estimar a pressão arterial. Essas técnicas usam sinais de PPG, que podem ser aferidos através de um sensor não­invasivo, aplicados no dedo do paciente, por exemplo. Avanços recentes na literatura mostram que esses sinais podem ser usados como entradas para modelos de algoritmos de aprendizagem de máquina, com o propósito de estimar a pressão arterial de forma a atender alguns padrões internacionais para equipamentos médicos. Embora o número de trabalhos relacionados a este campo de estudo esteja aumentando, os autores normalmente não disponibilizam suas simulações, o que dificulta a comparação entre essas diferentes abordagens. Este trabalho propõe um framework de código aberto para auxiliar na comparação de desempenho entre algoritmos de aprendizagem de máquina, aplicados para estimar a pressão arterial a partir de sinais de PPG. A metodologia utilizada para desenvolver o framework é detalhada neste documento e uma comparação de desempenho entre modelos gerados por quatro algoritmos de aprendizagem de máquina (Regressão Linear, Árvore de Decisão, Random Forest e AdaBoost) é apresentada. A comparação mostra que usando o framework proposto, os modelos conseguem alcançar desempenhos semelhantes aos obtidos na literatura.84 f.poropenAccesshttps://creativecommons.org/licenses/by-nc-sa/4.0/deed.pt_BRPressão arterialFotopletismografiaAprendizagem de máquinaFramework open­sourcebachelorThesisatribution non - commercial - no derivs 3.0 Brazilhttps://n2t.net/ark:/57462/001300000kfp0