Detecção de sinais cardíacos anômalos

Descrição do problema

Neste problema busca-se desenvolver um modelo de classificação de imagens capaz de distinguir entre sinais ECG normais e ECG anormais, partindo de um conjunto de dados com informações médicas reais.

Os dados fornecidos no âmbito deste problema são representados sob a forma de imagens ECG, cada imagem correspondendo a um registro completo da atividade elétrica do coração para um paciente. As imagens podem ser utilizadas diretamente como dados de entrada para modelos de classificação de imagens.

O que é um ECG?

ECG (Eletrocardiograma) é uma investigação médica não invasiva que registra a atividade elétrica do coração ao longo do tempo.
Cada batimento do coração é controlado por impulsos elétricos, e o ECG mede esses sinais usando eletrodos colocados na superfície do corpo.

O ECG é utilizado em larga escala para:

• detecção de arritmias cardíacas
• identificação do infarto do miocárdio
• monitorização do ritmo cardíaco
• avaliação do estado geral do coração

Anomalias no sinal ECG podem indicar afecções cardíacas graves, motivo pelo qual a automatização do processo de análise é extremamente importante na prática médica.

Conjunto de dados

O conjunto de dados utilizado contém registros ECG pré-processados, com as seguintes características:

• Cada exemplo corresponde a um paciente
• Cada ECG é composto por 140 pontos de medição
• Cada imagem é etiquetada com:
  • 0 – ECG normal
  • 1 – ECG anormal

Os dados são organizados em arquivos CSV:

• train.csv – imagens e etiquetas para treinamento
• test.csv – imagens sem etiquetas (para inferência)

Objetivo do problema

O objetivo é construir um modelo de classificação de imagens que, com base em uma imagem ECG, prediga se o sinal cardíaco é normal ou anormal.

O modelo deve:

• aprender padrões visuais relevantes dos sinais ECG
• generalizar corretamente em dados não vistos
• obter boas performances no conjunto de teste

Arquivo de submissão

Ao final, você gerará um arquivo submission.csv com a forma:

1image_path,label2images/ecg_000001.png,03images/ecg_000002.png,1

Avaliação

A métrica usada para avaliação do modelo é a acurácia:

1accuracy = (número_predições_corretas / número_total_predições)

Barema de pontuação

• accuracy ≥ 98% → 100 pontos
• accuracy < 90% → 0 pontos
• caso contrário → pontuação proporcional entre 0 e 100