Průzkum modifikací Fourierovy transformace a jejich vliv na přesnost modelů strojového učení pro klasifikaci EKG dat
Exploring Modifications of Fourier Transform and their Impact on Accuracy of Machine Learning Techniques for ECG Classification
Typ dokumentu
diplomová prácemaster thesis
Autor
Bogdan Buliakov
Vedoucí práce
Čepek Miroslav
Oponent práce
Kalvoda Tomáš
Studijní obor
Znalostní inženýrstvíStudijní program
InformatikaInstituce 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 si klade za cíl prozkoumat techniky strojového učení a možnosti zpracování časových signálů se zaměřením na EKG. Práce zkoumá vliv modifikací Fourierovy transformace na výkonnost modelů strojového učení a porovná přesnost modelů ve frekvenční oblasti s jednotlivými modifikacemi modelů pracujících v časové oblasti. Jednotlivé kroky: 1) Přezkoumat modely strojového učení pro klasifikaci časových signálů (částečné a celé) a techniky pro předzpracování časových signálů. 2) Popsat a prozkoumat vhodný soubor dat. Například CODE-15 pro klasifikaci EKG. 3) Projít si Fourierovu transformaci, její úpravy a navrhnout své úpravy. 4) Vytvořit základní model a experimentovat s upravenými modely a zdokumentovat dopad úprav na přesnost modelu. 5) Porovnovat výsledky s technikami přímo pomocí dat v časové oblasti. This thesis aims to explore machine learning techniques and options to process time signals with focus on ECG. The thesis explores impact of modifications of Fourier tranform on performace of machine learning models and will compare the accuracy of models in frequency domain with individual modifications to models working in time domain. Individual steps: 1) Review machine learning models for time signal classification (partial and whole) and techniques for preprocessing time signals. 2) Describe and explore suitable dataset. For example CODE-15 for ECG Classification. 3) Review Fourier transform, it's modifications and propose your modifications. 4) Create a baseline model and experiment with modified models and document the impact of modifications on accuracy of the model. 5) Compare the results with techniques directly using the time domain data. Literature: Carlos Mateo, Juan Antonio Talavera. Short-time Fourier transform with the window size fixed in the frequency domain. Digital Signal Processing. Volume 77. 2018. ISSN 1051-2004. https://doi.org/10.1016/j.dsp.2017.11.003. Ribeiro, Antônio H., et al. "Automatic diagnosis of the 12-lead ECG using a deep neural network." Nature communications 11.1 (2020): 1760.
Kolekce
- Diplomové práce - 18105 [236]