ECODE Classifier: Detector de Doença de Chagas com ECG e Deep Learning

Este projeto implementa um pipeline completo e robusto para treinar e avaliar modelos de Deep Learning para a detecção da Doença de Chagas a partir de sinais de ECG de 8 derivações da base de dados eCODE.

O fluxo de trabalho inclui pré-processamento de dados, otimização de hiperparâmetros, treinamento, otimização de limiar de classificação e avaliação final com geração de relatórios e gráficos.

Configuração do Ambiente

1. Estrutura de Pastas: Certifique-se de que a pasta eCODE, contendo todos os subdiretórios de sinais (S0000000, S0010000, etc.), esteja localizada dentro da pasta data/.

2. Ambiente Virtual: É altamente recomendado criar um ambiente virtual para isolar as dependências do projeto.

   python3 -m venv .venv
   source .venv/bin/activate

3. Instalar Dependências: Instale todas as bibliotecas necessárias.

   pip install -r requirements.txt

Execução

1. Pré-processar os Dados (apenas uma vez): Cria o master_dataset.csv a partir dos dados brutos.

   python3 preprocess.py

2. Dividir os Dados (apenas uma vez): Cria os arquivos train_split.csv, val_split.csv e test_split.csv.

   python3 split_data.py

3. Otimizar Hiperparâmetros: Encontra os melhores parâmetros e os salva em outputs/best_params.json.

   python3 -m src.optimize --model transformer --n-trials 20 --n-folds 5

4. Treinar e Avaliar o Modelo Final: Lê os melhores parâmetros do passo anterior e executa o treinamento final e a avaliação completa.

   python3 -m src.train --model cnn --epochs 20

5. Monitorar o treinamento:

   tensorboard --logdir=runs