Průzkum modifikací Fourierovy transformace a jejich vliv na přesnost modelů strojového učení pro klasifikaci EKG dat

Abstract

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.