Predikce fibrilace síní prostřednictvím metod hlubokého učení
Atrial fibrillation detection via deep learning methods
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Nikola Zadorozhny
Vedoucí práce
Kubant 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
Tato práce se zabývá klasifikaci nejčastějšiho typu srdečnich arytmii, a to fibrilace sini pomoci konvolučnich neuronových siti (CNN). Čini tak skrze interpretaci 12-svodových záznamů EKG, které byly poskytnuty ve spolupráci s Institutem klinické a experimentálni mediciny (IKEM). V teoretické části práce jsou představeny kličové koncepty z oblasti neuronových siti, arytmologie, přeneseného učeni a augmentace dat. V praktické části práce je navržena a optimalizována CNN klasifikujici fibrilaci sini, problém malého množstvi dat tato práce řeši skrze implementaci technik přeneseného učeni a augmentace dat. Optimalizovaný model navržený v této práci dosahuje v kličových metrikách hodnot 90 % senzitivity, 94 % specificity a 0,89 F1-skóre. Oproti řešeni, které se použivá v klinické praxi, model dosahoval o 10 % vyšši hodnoty senzitivity, má tedy vyšši schopnost přesně detekovat pozitivni připady výskytu fibrilace sini. This work focuses on the classification of the most common type of cardiac arrhythmias, namely atrial fibrillation, using convolutional neural networks (CNN). It does so through the interpretation of 12-lead ECG recordings, which were provided in cooperation with the Institute of Clinical and Experimental Medicine (IKEM). In the theoretical part of the thesis, key concepts from the field of neural networks, arrhythmology, transfer learning and data augmentation are presented. In the practical part of the work, a CNN classifying atrial fibrillation is designed and optimized, while the problem of having a small amount of data is solved by this work through the implementation of transfer learning and data augmentation techniques. The optimized model proposed in this work achieves values of 90 % sensitivity, 94 % specificity and 0.89 F1-score in key metrics. Compared to the solution that is used in clinical practice, the model achieved a 10 % higher sensitivity value. Therefore, it has a higher ability to accurately detect positive cases of atrial fibrillation.
Kolekce
- Bakalářské práce - 18105 [244]