ECG Arrhythmia Detection and Classification

Adam Ivora

Bachelor's thesis

Abstract:

V této práci se zabýváme návrhem modelu strojového učení pro klasifikaci srdečních arytmií z jednosvodového signálu EKG (elektrokardiogramu), který zaznamenávají telemonitorovací zařízení. Součástí práce je srovnání více metod strojového učení na třech datových sadách, z nichž dvě jsou veřejné. Ve srovnání jsou použity jak klasické metody strojového učení založené na doménových znalostech, tak neuronové sítě, které jako vstup dostávají syrový signál. Průměrovaná F1 skóre jsou v rozsahu od 0.43 do 0.79. Díky nízkému času běhu již natrénovaného modelu může být model použit jako součást serverové aplikace na zpracování EKG. Praktickým výstupem práce je veřejný repozitář se srovnáním výše zmiňovaných metod na volně dostupných EKG datových sadách.

Abstract:

In the thesis we design a machine learning (ML) model for classification of heart arrhythmia from a 1-lead ECG (electrocardiogram) signal recorded by telemonitoring devices. A part of the thesis is devoted to the comparison of multiple ML methods on three datasets, two of which are publicly available. Both the classical ML methods based on domain knowledge features and neural networks trained on the raw signal are tested in the comparison. The F1 macro averaged scores on the unseen data partitions are in the range of 0.43 to 0.79. Thanks to low inference time, the model can be used as a part of a server ECG processing application. The output of the thesis is a public repository with the comparison of the methods mentioned above on the publicly available ECG datasets.

Keywords

machine learning, electrocardiography, telemedicine, signal processing, neural networks

Language used: English

Date on which the thesis was submitted / produced: 20. 7. 2020

Thesis defence

• Date of defence: 23. 9. 2020
• Supervisor: doc. RNDr. Tomáš Brázdil, Ph.D.
• Reader: doc. RNDr. Petr Holub, Ph.D.

Masaryk University

Faculty of Informatics

Bachelor programme / field:
Applied Informatics / Applied Informatics