A fibrilação atrial é uma arritmia cardíaca que pode elevar o risco de morte e que está associada ao acidente vascular encefálico e à insuficiência cardíaca. Portanto, sua detecção é muito importante e constitui o objetivo principal deste mestrado. Esta dissertação faz uma revisão dos parâmetros usados para detectar a fibrilação atrial e que são extraídos do eletrocardiograma, do tacograma e da variabilidade da frequência cardíaca. Em seguida, propõe um conjunto de parâmetros que fornece uma alta acurácia nessa tarefa. Esse conjunto de parâmetros é aplicado à entrada de classificadores e fornece uma indicação da presença ou não de fibrilação atrial. Além disso, é feita a comparação entre o desempenho do classificador linear, da máquina de vetor de suporte, da rede neural artificial e da rede convolucional na detecção da fibrilação atrial. Outros aspectos metodológicos como o uso de base de dados distintas, a formação dos grupos de teste e treinamento e a viabilidade da utilização clínica da metodologia também são explorados nesta dissertação. Os resultados indicam que o melhor conjunto de atributos é formado por dez parâmetros obtidos do intervalo RR: a média dos valores absolutos dos ângulos de Poincaré, a média dos senos dos ângulos de Poincaré, o desvio padrão do valor absoluto das diferenças, a mediana dos desvios absolutos entre os intervalos RR e o seu valor médio, a variância, a entropia amostral, a entropia de Fuzzy, a entropia de Shannon, o coeficiente da entropia amostral e a entropia amostral quadrática. Com esses parâmetros normalizados foi obtida até 99,81% de acurácia com a máquina de vetor de suporte.

Atrial fibrillation (AF) is a cardiac arrhythmia that may increase mortality and is associated to stroke and heart failure. Therefore, AF detection is of utmost importance and it is the main objective of this master's research. This thesis reviews the literature and presents parameters used to detect AF, that are extracted from the electrocardiogram, the tachogram and the heart rate variability. Then, it proposes a set of parameters that provide high accuracy in this task. This set of parameters is applied to the input of classifiers and provides an indication of the AF presence or absence. Besides it, the AF detection performances of the linear classifier, the support vector machine, the artificial neural network and the convolutional network are compared. Other methodological aspects such as the use of different data bases, the selection of training and test sets and the feasibility of clinical application are also explored in this master's thesis. Results indicate that the best set of features is given by ten RR-interval parameters: the mean of the absolute values of the Poincaré angles, the mean of the sines of the Poincaré angles, the standard deviation of the absolute differences, the median of the absolute deviations between the RR intervals and theirs average value, the variance, the sample entropy, the Fuzzy entropy, the Shannon entropy, the coefficient of sample entropy and the quadratic sample entropy. Using these normalized parameters, a 99,81% accuracy was attained with the support vector machine.