Розпізнавання станів електричної активності серця методами машинного навчання

Скорочена інформація про документ
dc.contributor.advisorІванушкіна, Наталія Георгіївна
dc.contributor.authorМневець, Антон Володимирович
dc.date.accessioned2022-09-29T11:51:03Z
dc.date.available2022-09-29T11:51:03Z
dc.date.issued2022
dc.description.abstractenWith the development of classification technologies, as well as the growing use of digital portable devices and the accumulation of ECG databases, it is possible to research, study, and apply machine learning techniques to automatically detect pathological activity of the cardiovascular system. Such systems could help doctors accurately diagnose the disease, and patients to seek medical help in a timely manner, avoiding the negative consequences of the disease. The classification is especially relevant on portable devices with a reduced number of leads, which are present today even in smart watches. The object of study are signals of electrical activity of the heart. The subject of research is the classification of signals of electrical activity of the heart by machine learning methods. The main goal of the study was to create a reliable classification model that can classify pathological conditions of the cardiac system, was scalable and had the ability to recognize pathological conditions of electrical activity of the heart by a reduced number of ECG signals. In the first section, basic pathologies were selected for classification. According to the selected classes, the analysis of biophysical properties and differences of selected pathological conditions was carried out, as well as the analysis of cardiography methods for detection of selected pathological conditions was carried out. In the second section, an analysis of machine learning methods for the classification of pathological states of electrical activity of the heart was performed, methods for the classification and processing of data for pathological conditions were selected. The third section analyzes the methods of pre-processing and preparation of the cardio signal, in particular the filtering from interference. The basic disturbances on a cardiocycle with pathologies of the form which are inherent in this pathological class were considered. For different types of noise, the best filtering methods were selected. In the fourth section, the development and selection of features for the classification of selected pathological classes, as well as the creation and testing of a classification model were performed. In the fifth section, a startup project was described on the topic "Software product for automatic determination of pathological electrical activity of the heart."uk
dc.description.abstractukЗ розвитком технологій класифікації, а також на фоні зростаючих об’ємів застосування цифрових портативних пристроїв та накопичення баз даних ЕКГ, з’являється можливість досліджувати, вивчати, та застосовувати методи машинного навчання для автоматичного виявлення патологічної активності серцево-судинної системи. Такі системи змогли б допомогти лікарям влучно діагностувати захворювання, а пацієнтам вчасно звертатися до лікарів за допомогою, уникнувши негативних наслідків хвороби. Особливо актуальною класифікація є на портативних пристроях зі скороченою кількістю відведень, які присутні сьогодні навіть в смарт- годинниках. Об'єкт дослідження – сигнали електричної активності серця. Предмет дослідження – класифікація сигналів електричної активності серця методами машинного навчання. Основною метою дослідження було створення надійної класифікаційної моделі, яка здатна класифікувати патологічні стани серцевої системи, була масштабованою та мала можливість розпізнавання патологічних станів електричної активності серця за зменшеною кількістю сигналів ЕКГ. У першому розділі було обрано базові патологічні стани електричної активності серця для класифікації, відповідно до обраних станів, було проведено аналіз їх біофізичних властивостей та відмінностей обраних патологічних станів, а також було виконано аналіз методів електрокардіографії для виявлення обраних патологічних станів.У другому розділі було проведено аналіз методів машинного навчання для класифікації патологічних станів електричної активності серця, обрано методи для класифікації та обробки даних для обраних патологічних станів. У третьому розділі було проведено аналіз методів попередньої обробки та підготовки кардіосигналу, зокрема фільтрації від завад. Було розглянуто базові завади на кардіоциклі зі змінами форми, які притаманні даному патологічному класу. Для різних типів шуму обрано найкращі методи фільтрації. У четвертому розділі було проведено розробку та виділення ознак для класифікації обраних патологій, а також створення та тестування класифікаційної моделі. У п’ятому розділі було проведено опис стартап-проекту на тему «Програмний продукт для автоматичного визначення патологічної електричної активності серця».uk
dc.format.page209 с.uk
dc.identifier.citationМневець, А. В. Розпізнавання станів електричної активності серця методами машинного навчання : магістерська дис. : 153 мікро- та наносистемна техніка / Мневець Антон Володимирович. – Київ, 2022. – 209 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/50083
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.subjectкласифікаціяuk
dc.subjectвиділення ознак ЕКГuk
dc.subjectфільтрація електрокардіосигналуuk
dc.subjectвейвлет перетворенняuk
dc.subjectстатистична обробка данихuk
dc.subjectкласифікатор випадкового лісуuk
dc.subjectT-SNEuk
dc.subjectкрос-валідаціяuk
dc.titleРозпізнавання станів електричної активності серця методами машинного навчанняuk
dc.typeMaster Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Mnevets_magistr.pdf
Розмір:
7.83 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
1.71 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (ЕІ)
Магістерські роботи