Machine learning tools for Diagnosis of Heart Arrhythmia
Metody strojového učení pro klasifikaci arytmie EEG signálu
bakalářská práce (OBHÁJENO)
![Náhled dokumentu](/bitstream/handle/20.500.11956/119455/thumbnail.png?sequence=8&isAllowed=y)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/119455Identifikátory
SIS: 220882
Kolekce
- Kvalifikační práce [10926]
Autor
Vedoucí práce
Oponent práce
Pilát, Martin
Fakulta / součást
Matematicko-fyzikální fakulta
Obor
Obecná informatika
Katedra / ústav / klinika
Katedra teoretické informatiky a matematické logiky
Datum obhajoby
7. 7. 2020
Nakladatel
Univerzita Karlova, Matematicko-fyzikální fakultaJazyk
Angličtina
Známka
Výborně
Klíčová slova (česky)
strojové učeníKlíčová slova (anglicky)
Machine Learning, Heart Arrhythmia, Electrocardiogram, Discrete Wavelet Transform, Support Vector Machine, MIT-BIH Arrhythmia DatabaseNázev: Nástroje strojového učení pro diagnostiku srdeční arytmie Autor: Glejdis Shkëmbi Katedra / ústav: Katedra teoretické informatiky a matematické logiky Vedoucí bakalářské práce: Mgr. Marta Vomlelová, Ph.D., Katedra teoretické informatiky a matematické logiky Abstrakt: Elektrokardiogram (EKG) je považován za nejspolehlivější, nejúčinnější a nejnákladnější nástroj používaný ve zdravotnictví k diagnostice srdeční arytmie. Vizuální znázornění EKG signálů manuálně zdravotnickými pracovníky je však složité a časově náročné a může vést k lidským chybám a nepřesnostem při rozpoznávání tepu. V tomto dokumentu jsou porovnávány různé techniky strojového učení pro klasifikaci pěti tříd EKG srdečních tepů pomocí funkcí Discrete Wavelet Transform (DWT). Zejména je zdůrazněna významná úloha statistických prvků koeficientů DWT při rozlišování různými tříd srdečního tepu. Výkonnost modelů byla vyhodnoceny pomocí online databáze arytmií MIT-BIH. Získané výsledky ukazují spolehlivost přístupů založených na strojovém učení pro diagnozy srdeční arytmie z EKG signálů. Klíčová slova: Elektrokardiogram (EKG); Discrete Wavelet Transform (DWT); Support Vector Machine (SVM); Random Forest; Srdeční arytmie.
Title: Machine Learning Tools for Diagnosis of Heart Arrhythmia Author: Glejdis Shkëmbi Department / Institute: Department of Theoretical Computer Science and Mathematical Logic Supervisor of the bachelor thesis: Mgr. Marta Vomlelová, Ph.D., Department of Theoretical Computer Science and Mathematical Logic Abstract: Electrocardiogram (ECG) is considered to be the most reliable, efficient and low-cost tool used in the healthcare industry to diagnose cardiac arrhythmia. However, visual representation of ECG signals manually by medical workers is intricate and time-consuming, and may lead to human mistakes and inaccuracy in heartbeat recognition. In this paper, different machine learning techniques for the classification of five classes of ECG heartbeats using Discrete Wavelet Transform (DWT) features are compared. In particular, the significant role of statistical features of DWT coefficients in distinguishing between different heartbeat classes is highlighted. Performances of the models have been evaluated using the online MIT-BIH arrhythmia database. The obtained results indicate the reliability of the machine learning-based approaches for diagnoses of cardiac arrhythmia from ECG signals. Keywords: Electrocardiogram (ECG); Discrete Wavelet Transform (DWT); Support Vector Machine (SVM); Random Forest; Heart...