Detekce úseků EKG vhodných pro další zpracování
Detection of ECG segments suitable for further processing
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Jozef Koleda
Vedoucí práce
Hejda Jan
Oponent práce
Dedecius Kamil
Studijní obor
Znalostní inženýrstvíStudijní program
Informatika 2009Instituce přidělující hodnost
katedra aplikované matematikyPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Elektrokardiogram alebo EKG zaznamenáva elektrickú aktivitu srdca a používa sa najmä na medicínske účely. V prípade dlhodobých experimentov môže byť EKG jedným zo sledovaných a vyhodnocovaných fyziologických javov. Počas merania môže nastať množstvo nepresností a chýb, ktoré je potrebné rýchlo detegovať a odstrániť, inak hrozí skreslenie výsledkov. Rozoznávame do-kopy 3 úrovne kvality EKG signálu, každá z nich závislá od možnosti detekcie relevantných EKG segmentov. V práci navrhujeme a realizujeme niekoľko modelov na princípe LSTM a konvolú-cie, vrátane špeciálnej architektúry využívajúcej Omni-Scale konvolučný blok. Modely fungujú na princípe posuvného okna, kde vyhodnocujeme každé krátke okno samostatne a následne vý-sledky jednotlivých okien spájame dokopy, aby sme získali výsledok pre dlhý záznam. Celkovo popisujeme tvorbu 4 modelov, ktoré sú následne implementované v rámci Python knižnice ecg-quality voľne dostupnej cez utilitu pip. Naše modely zaostávajú za ľuďmi vykonanou detekciou, ale dokážu v prípade trojtriednej klasifikácie pri signále najvyššej kvality dosiahnuť presnosť 97,7 % pri pokrytí 79,5 %. V prípade, že signál delíme binárne, dosahujú naše modely presnosť lepšieho signálu na úrovni vyše 99 %, čím poskytujú garanciu, že ak označia signál za nezávadný, naozaj ním aj je. Electrocardiogram or ECG measures the electrical activity of the heart. It is used mainly for medical uses. During long-term experiments, ECG can be one of the watched and analyzed physiological functions. While measuring, many inaccuracies and errors can happen. It is important to detect and remove these, as they can seriously impact the results of further analysis. We consider three different signal qualities, each of them dependent on the ability to detect certain relevant ECG segments. In the thesis, we use multiple models based on LSTM architecture or on the convolutional architecture, including a special Omni-Scale convolutional block. Our models use a sliding window method, where short windows are individually evaluated and these results are then combined to obtain results for longer recordings. We describe the creation of 4 models in total. These models are made available in a Python library ecg_quality through the pip utility. Our models are still behind human detection in terms of quality. However, a clean ECG signal can be detected with 97,7 % precision while retaining recall of 79,5 %. In the case, that we do a binary split on our three quality classes, our models achieve precision of the higher quality signal at over 99 %, which means they can strongly guarantee that if they label a signal to be clean, it really is clean.
Kolekce
- Bakalářské práce - 18105 [244]