Název:
Identifikace segmentů supraventrikulárních tachykardií pomocí metody multiple-instance learning
Překlad názvu:
Identification of supraventricular tachycardia segments using multiple-instance learning
Autoři:
Abbrent, Jakub ; Novotná, Petra (oponent) ; Ronzhina, Marina (vedoucí práce) Typ dokumentu: Diplomové práce
Rok:
2022
Jazyk:
cze
Nakladatel: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstrakt: [cze][eng]
Supraventrikulární tachykardie mají v populaci vysokou incidenci a často způsobují zhoršení zdravotního stavu. Cílem této diplomové práce je automaticky detekovat a lokalizovat paroxysmální fibrilace síní v záznamech EKG. Algoritmus implementovaný v jazyce Python používá k detekci konvoluční neuronovou síť ResNet s využitím multi-instančního učení a rozhodovacích pravidel. K lokalizaci slouží výstup detekce v podobě feature signálu. Při klasifikaci bylo na testovací množině dosaženo F1 skóre 0,87. Následně byly lokalizovány paroxysmální fibrilace síní s odchylkou -0,40±2,26 sekund pro začátky a 1,09±2,75 sekund pro konce epizod. V závěru práce jsou získané výsledky vyhodnoceny a diskutovány.
Supraventricular tachycardias have a high incidence in the population and often cause health disorders. The aim of this thesis is to automatically detect and localize atrial fibrillation in ECG records. The algorithm, implemented in Python, uses a convolutional neural network ResNet for detection with multiple-instance learning and decision rules. The output of the detection in the form of a feature signal is used for localization. The classification achieved F1 score of 0.87 on the test dataset. Then, paroxysmal atrial fibrillation was localized with a deviation of -0.40±2.26 seconds for the onsets and 1.09±2.75 seconds for the terminations of the episodes. Lastly, the obtained results are evaluated and discussed.
Klíčová slova:
EKG; feature signál; fibrilace síní; hluboké učení; konvoluční neuronové sítě; multi-instanční učení; ResNet; atrial fibrillation; convolutional neural networks; deep learning; ECG; feature signal; multiple-instance learning; ResNet
Instituce: Vysoké učení technické v Brně
(web)
Informace o dostupnosti dokumentu:
Plný text je dostupný v Digitální knihovně VUT. Původní záznam: http://hdl.handle.net/11012/204914