Класифікація ЕКГ сигналів методами машинного навчання
Тип публікації :
Стаття
Дата випуску :
12 жовтня 2022 р.
Автор(и) :
Ковальчук, М.
Харченко, В.
Яворський, А.
Бєда, І.
Панченко, Тарас В.
Мова основного тексту :
Англійська
eKNUTSHIR URL :
Випуск :
2
ISSN :
1812-5409
Початкова сторінка :
70
Кінцева сторінка :
77
Цитування :
[APA 7] Ковальчук, М., Харченко, В., Яворський, А., Бєда, І., & Панченко, Т. В. (2022). ECG signal classification using machine learning techniques. Bulletin of Taras Shevchenko National University of Kyiv. Physics and Mathematics, (2), 70–77. https://doi.org/10.17721/1812-5409.2022/2.9
[ДСТУ] ECG signal classification using machine learning techniques / М. Ковальчук et al. Bulletin of Taras Shevchenko National University of Kyiv. Physics and Mathematics. 2022. no. 2. P. 70—77. DOI: 10.17721/1812-5409.2022/2.9 (date of access: 18.07.2026).
Важливість аналізу електрокардіограм (ЕКГ) важко переоцінити. Ритм життя, стреси та інші фактори впливають на частоту захворювань та їх ранні прояви. Разом з тим, технологізація (цифровізація) життя та апаратно-програмних комплекси, такі як мобільні електронні кардіографи та носимі пристрої загалом, що бурхливо розвиваються останнім часом, відкривають нові можливості для швидкого аналізу стану людини за певними показниками, а також дозволяють проводити діагностику на новому рівні практично у реальному часі.
Існує багато методів для аналізу кардіограм. В даній роботі авторами запропоновано новий підхід, що ефективно розв’язує задачу аналізу ЕКГ. Дослідження базується на наборі даних PhysioNetComputing in Cardiology Challenge 2017 та MIT-BIH Arrhythmia Database. Алгоритм складається зтаких етапів: фільтрація даних, локалізація R піків, передискретизація ЕКГ, визначення класу ЕКГ задопомогою ансамблю з 1D CNN та підсумкового класифікатора.
Запропонований метод показує високу точність за метрикою F1, тому являє собою цінність дляподальших досліджень, оптимізації та впровадження.
Існує багато методів для аналізу кардіограм. В даній роботі авторами запропоновано новий підхід, що ефективно розв’язує задачу аналізу ЕКГ. Дослідження базується на наборі даних PhysioNetComputing in Cardiology Challenge 2017 та MIT-BIH Arrhythmia Database. Алгоритм складається зтаких етапів: фільтрація даних, локалізація R піків, передискретизація ЕКГ, визначення класу ЕКГ задопомогою ансамблю з 1D CNN та підсумкового класифікатора.
Запропонований метод показує високу точність за метрикою F1, тому являє собою цінність дляподальших досліджень, оптимізації та впровадження.
Файл(и) :![Ескіз]()
Вантажиться...
Формат :
Adobe PDF
Розмір :
880.12 KB
Контрольна сума :
(MD5):cff6fe6b7dd4ff2e0b1fcfcfaafc87f5
Якщо не вказано інше, ця робота розповсюджується на умовах ліцензії Creative Commons Attribution 4.0 International