Automated ECG processing using artificial neural networks

Cílem práce byl návrh metod strojového učení pro klasifikaci mezi fibrilujícími a nefibrilujícími pacienty na základě parametrických dat extrahovaných z EKG záznamů. Celkem byla získána data od 583 pacientů, přičemž 542 z nich fibrilaci komor neprodělalo a zbylých 42 ji prodělalo. K hodnocení byly navrženy celkem tři modely strojového učení, jeden model na principu metody logistické regrese a dvě neuronové sítě lišící se druhem aktivační funkce. Tyto modely předpokládaly rozdílné rozložení parametrických dat mezi fibrilující a nefibrilujíci skupinou pacientů. Ze získaných výsledků vyplývá, že neuronové sítě se pro účel klasifikace hodí více nežli model logistické regrese. Je navrženo využití těchto neuronových sítí jako metody, která by mohla sloužit jako dodatečná metoda predikce při použití jiných více přesných metod.The aim of the thesis was to design machine learning methods for classification between fibrillating and non-fibrillating patients based on parametric data extracted from ECG recordings, which were obtained from 583 patients, of whom 542 did not undergo ventricular fibrillation and the remaining 42 underwent ventricular fibrillation. A total of three machine learning models were proposed for evaluation, one model based on the principle of logistic regression and two neural networks differing in the type of activation function. These models assumed a different distribution of parametric data between the fibrillating and non-fibrillating groups of patients. The obtained results show that neural networks are more suitable for the purpose of classification than the logistic regression model. It is proposed to use these neural networks as a method that could serve as an additional method of prediction using other more accurate methods