Original title:
Automaticka diagnostika 12svodoveho EKG pomoci hlubokeho uceni
Translated title:
Automatic diagnosis of the 12-lead ECG using deep learning
Authors:
Blaude, Ondřej ; Chmelík, Jiří (referee) ; Provazník, Valentine (advisor) Document type: Master’s theses
Year:
2023
Language:
cze Publisher:
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií Abstract:
[cze][eng]
Tato diplomová práce má za cíl prozkoumat problematiku automatické diagnostiky EKG, a to na dvanáctisvodových záznamech. Tato problematika je řešena standardními metodami, jako například náhodný les, umělé neuronové sítě nebo K-nejbližších sousedů. Díky své schopnosti samostatně extrahovat příznaky se ale těší oblibě i metody hlubokého učení. Všechny tyto metody jsou popsány v teoretické části. V praktické části byly navrženy deeplearningové modely, jejichž funkčnost byla ověřována za pomoci dat z databáze PhysioNet. Byly vytvořeny dva pilotní modely, které byly následně optimalizovány. Z celého progresu optimalizace parametrů jsou k dispozici tři modely, z nichž nejlepší dosahuje F1 skóre 87,35 % a přesnosti 83,7 %, a druhý nejlepší dosahuje F1 skóre 77,74 % a přesnosti 84,53 %. Výsledky, kterých bylo dosaženo, jsou diskutovány a porovnány s výsledky podobných publikací.
The aim of this diploma thesis is to investigate the problematics of automatic ECG diagnostics, namely on twelve-lead recordings. This problem is solved by standard methods such as random forest, artificial neural networks or K-nearest neighbors. However, thanks to its ability to independently extract symptoms, deep learning methods are also popular. All these methods are described in the theoretical part. In the practical part, deep learning models were designed, functionality support was verified using data from the PhysioNet database. Two pilot models were created and subsequently optimized. From the entire parameter optimization procedure, three models are available, of which the best accuracy achieves an F1 score of 87.35% and 83.7%, and the second best achieves an F1 score of 77.74% and an accuracy of 84.53%. The results achieved are discussed and compared with those of similar publications.
Keywords:
1D convolutional neural network; artificial intelligence; classification; CNN; confusion matrix; deep learning; diagnostics; ECG; F1 score; machine learning; multi-label classification; Physionet database; Python; random forest; residual block; signal downsampling; standard twelve-lead ECG; SVM; 1D konvoluční neuronová síť; CNN; diagnostika; EKG; F1 skóre; hluboké učení; klasifikace; matice záměn; multi-label klasifikace; náhodný les; Physionet databáze; podvzorkování signálů; Python; reziduální blok; standardní dvanáctisvodové EKG; strojové učení; SVM; umělá inteligence
Institution: Brno University of Technology
(web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library. Original record: http://hdl.handle.net/11012/213858