Tvorba datasetu a učení modelu neuronových sítí pro klasifikaci infarktu myokardu

Ondřej Škrob

Bakalářská práce

Dataset creation and neural network model learning for myocardial infarction classification

Anotace:

Práce se zabývá možnostmi detekce infarktu myokardu (IM) v EKG pomocí neuronových sítí (NS). IM se projevuje sérií změn na křivkách EKG. Použity zde byly data-set z fakultní nemocnice Brno a jiný veřejně dostupný data-set. Oba data-sety obsahují 12svodová EKG v obrazové podobě. Data byla pro účely učení předzpracována a zbavena nežádoucích elementů. Data byla klasifikována do 2 tříd (IM, zdraví). Samotná klasifikace byla provedena konvoluční neuronovou sítí ResNet–50. Během učení byla užita metoda předčasného zastavení, výsledky pak byly ověřeny cross-validací. Součástí práce je také metodika tvorby data-setů a učení modelu NS. Výsledný model dosáhl hodnoty accuracy 84,38 %, sensitivity 93,75 % a specificity 75,00 %. Na závěr bylo provedeno srovnání s existujícími pracemi a učiněna doporučení pro další rozvoj řešení.

Abstract:

The thesis explores the possibilities of myocardial infarction (MI) detection in electrocardiograms (ECG) using neural networks (NN). MI manifests as a series of changes in ECG curves. Datasets from the Brno University Hospital and other publicly available datasets were utilized. Both datasets contain 12-lead ECGs in image format. The data underwent preprocessing to remove unwanted elements for learning purposes. The data was classified into 2 classes (MI, healthy). The classification itself was performed using the convolutional neural network ResNet–50. Early stopping method was employed during training, and the results were verified through cross-validation. The thesis also includes methodology for dataset creation and NN model training. The resulting model achieved an accuracy of 84.38%, sensitivity of 93.75%, and specificity of 75.00%. Finally, comparisons were made with existing studies, and recommendations for further research were provided.

Klíčová slova

EKG, kardiogram, infarkt myokardu, ischemická choroba srdeční, strojové učení, hluboké učení, neuronové sítě, klasifikace, konvoluce, ResNet, PyTorch, metodika

Keywords

ECG, myocardial infarction, deep learning, neural networks, classification, convolution, ResNet, PyTorch, methodology, cardiogram, ischemic heart disease, machine learning

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 7. 6. 2024

Obhajoba závěrečné práce

• Obhajoba proběhla 19. 6. 2024
• Vedoucí: doc. Ing. Oldřich Trenz, Ph.D.
• Oponent: Petr Pernes, Ing.

Mendelova univerzita v Brně

Provozně ekonomická fakulta

Bakalářský studijní program / specializace:
Otevřená informatika / Zaměření pro Otevřenou informatiku