TargetEqualizer: Uma Abordagem para Lidar com o Desequilíbrio de Classes na Previsão de Distúrbios Cardiovasculares através da Classificação de Batimentos Cardíacos com Aprendizado de Máquina

Abstract

Este artigo introduz o TargetEqualizer, uma solução para lidar com o desequilíbrio de classes em conjuntos de dados de doenças cardiovasculares, mantendo a especificidade das previsões. Utilizou-se o método em modelos de aprendizado de máquina para prever doenças cardíacas com dados de sons cardíacos capturados por estetoscópios, seguindo o framework Cross-Industry Standard Process for Data Mining em 585 arquivos de áudio distribuídos em cinco classes. Inicialmente, os sons cardíacos foram convertidos em espectrogramas. O TargetEqualizer, uma combinação de oversampling e undersampling, equilibrou a distribuição dos dados, aprimorando a acurácia dos modelos. Foram treinados os modelos de Random Forest, Logistic Regression e Support Vector Machine com o conjunto de dados balanceado, avaliando-os com acurácia, precisão, recall e F1-Score, demonstrando a eficácia da abordagem. Os resultados indicam alta acurácia, com Random Forest alcançando 90,47% e Logistic Regression e Support Vector Machine atingindo 87,30%.  Isso compete efetivamente com estudos semelhantes e mantém a especificidade das previsões, ao contrário da prática comum de agrupar doenças cardíacas em duas classes, garantindo diagnósticos mais precisos.

Palavras-chave: Classificação de Batimentos Cardíacos, Distúrbios Cardiovasculares, Espectrograma, Modelos de Aprendizado de Máquina, Balanceamento de Classes.

DOI: 10.7176/RHSS/13-19-02

Publication date: December 31^st 2023