Original title:
SMV-2018-19: Systém pro analýzu EKG
Translated title:
SMV-2018-19: Systém for ECG analysis
Authors:
Plešinger, Filip ; Jurák, Pavel ; Halámek, Josef ; Viščor, Ivo Document type: Research reports
Year:
2018
Language:
cze Abstract:
[cze][eng] Předmětem smluvního výzkumu je vývoj algoritmů pro automatické zpracování EKG z jednosvodových EKG holterů. Jmenovitě se jedná o:\n- vývoj algoritmu pro detekci QRS komplexů s důrazem na odolnost vůči rušení\n- vývoj algoritmu pro analýzu arytmií na základě RR intervalů a dalších ukazatelů. Algoritmus využívá strojové učení (neuronovou síť). Vstupem jsou informace o QRS komplexech a další deskriptory extrahované z EKG signálu. Výstupem je kategorie hodnoceného EKG bloku (fibrilace síní, AV-blok, nekvalitní signál, supraventrikulární extrasystoly, komorové extrasystoly, sinusový rytmus, supraventrikulární tachykardie a komorová tachykardie)\n- implementaci algoritmů jako software pro .NET platformu v jazyce C#. Cílová aplikace je optimalizována pro použití na vícevláknových počítačích (předpokládán výpočetní server zhotovitele).A subject of this contracional research is development of algorithms for automated ECG processing from 1-lead ECG holters. Namely, it consists of:\n- development of algorithm for QRS recognition with focus on robustness against noise\n- development of classification algorithm to recognize arrhythmias, the algorithm is based on analysis of RR intervals and other ECG descriptors. The algorithm implements machine learning (neural networks). The input is Information related to QRS complexes and other descriptors extracted from ECG. The output is category of classified ECG block (atrial fibrillation, AB-block, non-quality signal, premature atrial contractions, premature ventricular contractions, sinus rhythm, supraventricular tachycardia and ventricular tachycardia)\n- Implemetation of these algorithms as software for .NET platform in C# language. It is optimized for multi-thread computers (computing server of the customer).\n
Keywords:
arrythmias; ECG; machine learning; neural networks; QRS
Institution: Institute of Scientific Instruments AS ČR
(web)
Document availability information: Fulltext is available at the institute of the Academy of Sciences. Original record: http://hdl.handle.net/11104/0291328