• Informações do Trabalho

Titulo Deep Learning no Delineamento de ECG: Revisão e Comparação entre CNNs e Transformers Subtítulo Autor MARIANA TREVIZANI NOCELLI Orientador LUCIANA CONCEICAO DIAS CAMPOS Resumo O eletrocardiograma (ECG) é essencial para o diagnóstico cardiovascular, mas sua interpretação manual é demorada e sujeita à variabilidade. Embora técnicas de aprendizado profundo (deep learning) prometam automatizar a segmentação de ondas, persistem desafios relacionados à escassez de dados anotados e à reprodutibilidade de arquiteturas complexas. Este trabalho combina uma revisão sistemática da literatura (2015–2025) com um estudo experimental de replicação. A revisão, composta por 42 estudos, mapeou a transição tecnológica de CNNs simples para modelos profundos e híbridos com mecanismos de atenção. A análise teórica identificou a predominância de bases públicas (QTDB, LUDB) e evidenciou que o Data Augmentation consolidou-se como um componente crítico — e não apenas acessório — para mitigar o severo desbalanceamento de classes em cenários de bases pequenas. Complementarmente, o estudo prático avaliou a reprodutibilidade de duas arquiteturas representativas utilizando a base LUDB com validação estatística robusta. Os resultados demonstraram a superioridade da abordagem puramente convolucional (Residual U-Net), que atingiu um F1-Score de 0,9544 (± 0,002), superando o modelo híbrido SEResUTer (F1-Score: 0,8373 ± 0,007), mesmo quando este último foi otimizado com aumento de dados. Conclui-se que, embora Transformers representem a tendência teórica, modelos convolucionais robustos permanecem como a escolha mais eficiente e estável para aplicações clínicas com restrição de dados rotulados. Palavras-Chave Eletrocardiograma (ECG), aprendizado de máquina, rede neural convolucional, segmentação de ondas, revisão sistemática.