Resumo: Estudos demonstram que o sinal de Eletrocardiograma (ECG) é capaz de detectar informações importantes do coração, que podem ser utilizadas para diversas aplicações e análises. Uma destas é a identificação da mudança da glicose sanguínea. Atualmente, as formas de medir a glicose sanguínea são invasivas e podem resultar em eritemas e coceiras. O desenvolvimento de sensores vestíveis levou à criação de diferentes áreas de pesquisa com dados em condições livres, incluindo sensores de ECG, que podem ser utilizados para melhorar a qualidade de vida de pacientes que precisam monitorar sua glicose continuamente. Porém, um dos problemas do sinal de ECG é sua vulnerabilidade a ruídos e artefatos. Tais ruídos são normalmente separados em desvio da linha de base, interferência de linha de energia, artefatos musculares e artefatos de movimento. Destes, os artefatos de movimento do eletrodo (EMs) são particularmente difíceis de remover, por conta de sua semelhança com ritmos sinusais de ECG normais. Em situações de ambiente não controlado, artefatos EM são mais frequentes e podem perturbar o sinal. Apesar da extensa quantidade de pesquisas sobre filtragem de ECG, existe uma falta de padrões metodológicos, fazendo com que comparações diretas entre trabalhos sejam uma tarefa desafiadora. Neste trabalho, Filtro Estendido de Kalman com pesos e Autocodificadores de remoção de ruído foram utilizados para remoção de artefatos de movimento do sinal de ECG. Este trabalho propõe uma metodologia para validar as técnicas de filtragem utilizando diferentes conjuntos de dados, em um experimento utilizando conjuntos de dados cruzados, separando participantes em treino, validação e teste, e misturando a entrada com segmentos limpos e com artefatos reais. Os artefatos também foram divididos em treino, validação e teste, para não enviesar os resultados dos modelos. Por fim, aplicamos os métodos para filtrar o ECG do conjunto de dados D1NAMO, que contém ECG e glicose capturados em condições livres, para identificar eventos de hiperglicemia utilizando características da Variabilidade da Frequência Cardíaca (HRV) do ECG Ver menos

Abstract: Research studies show that the Electrocardiogram (ECG) signal detects important heart information and can be used for various applications and analyses. One of such is the identification of changes in blood glucose. The current forms of measuring blood glucose are invasive and can result in erythema and itching. The development of wearable sensor technologies led to new research areas of free-living data collection, including ECG sensors, that can be used to improve the quality of life of patients who need to monitor their glucose levels. However, one of the problems with the ECG signal is its vulnerability to noise and artifacts. Such noises are usually separated into baseline wander, power line interference, muscle artifacts, and movement or motion artifacts. Among these, electrode motion artifacts (EMs) are particularly difficult to remove due to their resemblance to normal ECG sinus rhythms. In the non-controlled situations, EM artifacts are more frequent and can disrupt the signal. Despite extensive research about ECG filtering, there is a lack of standardized methodologies, making direct comparisons between filtering techniques challenging. In this work, a Weighted Extended Kalman Filter and Denoising Autoencoders were used to remove movement artifacts from ECG signals. We propose a methodology to validate filtering techniques using different datasets in a cross-dataset experiment, where subjects are separated into training, validation, and test sets, and the input is mixed with clean segments and real artifacts. The artifacts were also divided into train, validation, and test sets to avoid biasing the model results. We then applied those methods to filter the ECG from the D1NAMO dataset, which collected ECG and glucose in non-controlled conditions, to identify hyperglycemic events using Heart Rate Variability (HRV) features from the ECG Ver menos