Metody strojového učení pro klasifikaci KTG záznamů

Jan Burda

Diplomová práce

Classification of Cardiotocogram Data

Anotace:

Cílem této diplomové práce je najít, prozkoumat a porovnat jednotlivé vědecké práce, které se taktéž zabývají strojovým učením ohledně kardiotokografických záznamů. Tyto záznamy jsou porovnávány jak mezi sebou, tak mezi touto prací a dosaženými výsledky. Celkově je práce koncipována do několika kapitol, kdy je nejdříve sepsána teorie ohledně samotného kardiotokografu. Jeho principy a funkčnost jsou popsány v kapitole 1. Ve druhé kapitole Jsou shrnuty nejčastěji používané metody pro strojové učení, jako jsou metody ANN, k-NN, RF, nebo SVM. Kapitola 3 popisuje dvě hlavní databáze, dále jsou popsány a sumarizovány vědecké práce, které se zabývají touto problematikou a jejich výsledky jsou porovnány mezi sebou. Čtvrtá kapitola obsahuje popisky k použitému datasetu a popisuje postup při trénování zvolených metod – ANN a ANN optimalizovaná. Následná pátá kapitola popisuje implementaci metody a v poslední řadě je vytvořené srovnání dříve zmíněných prací s touto a diskuse s dosaženými výsledky.

Abstract:

The aim of this thesis is to find, examine and compare the various scientific works that also deal with machine learning on cardiotocographic records. These records are compared both among themselves and between this work and the results obtained. Overall, the thesis is organized into several chapters, where first the theory regarding the cardiotocograph itself is written. Its principles and functionality are described in Chapter 1. In Chapter 2, the most commonly used methods for machine learning, such as ANN, k-NN, RF, or SVM methods, are summarized. Chapter 3 describes the two main databases, then the research works that deal with this issue are described and summarized, and their results are compared with each other. The fourth chapter contains descriptions of the dataset used and describes the training procedure of the chosen methods – ANN and ANN optimized. Subsequently, the fifth chapter describes the implementation of the method and lastly, a comparison is made between the previously mentioned works and this one and a discussion with the obtained results.

Klíčová slova

Kardiotokografie, metody strojového učení, umělá neuronová síť

Keywords

Cardiotocography, machine learning methods, artificial neural network

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 4. 7. 2023

Obhajoba závěrečné práce

• Obhajoba proběhla 7. 8. 2023
• Vedoucí: Radana Vilímková Kahánková
• Oponent: Jan Pavlíček

VŠB – Technická univerzita Ostrava

Fakulta elektrotechniky a informatiky

Magisterský studijní program:
Biomedicínské inženýrství