Impacto de Técnicas de Redução de Dimensionalidade na Classificação de Arritmias Cardíacas

O trabalho investiga o uso de técnicas de Aprendizado de Máquina para auxiliar no diagnóstico de arritmias cardíacas a partir de sinais de eletrocardiograma (ECG), buscando reduzir limitações da análise visual tradicional, que pode ser complexa e subjetiva. Utilizou-se a base MIT-BIH Arrhythmia Database, na qual os exames foram segmentados em batimentos individuais e classificados nas categorias normais, supraventriculares, ventriculares e de fusão. Inicialmente, aplicaram-se métodos de redução de dimensionalidade (PCA, LDA e t-SNE) para diminuir o espaço de 300 características por batimento. Em seguida, três algoritmos de classificação foram avaliados: SVM, Gradient Boosting e XGBoost, em versões padrão e com otimização de hiperparâmetros. Os resultados indicam que a combinação PCA + XGBoost (default) apresentou o melhor desempenho geral, enquanto a otimização priorizou maior sensibilidade para classes minoritárias. O estudo demonstra que a combinação de redução de dimensionalidade e aprendizado de máquina pode melhorar a precisão e confiabilidade no diagnóstico automático de arritmias.