EKG alapú szívinfarktus klasszifikáció konvolúciós és rekurrens neurális hálózatokkal.
Napjainkban a gyorsan fejlődő mesterséges intelligenciát egyre több helyen használjuk fel olyan feladatokhoz is, amelyeket korábban emberi beavatkozás nélkül megoldhatatlannak képzeltünk el. A neurális hálózatok folyamatosan kutatott területe azok orvostechnikai felhasználásának lehetőségei. Ezen a megoldásoknak a célja az orvosok munkájának megkönnyítése, a hibák valószínűségének csökkentése.
Az egyik ilyen feladat az aritmiák, azaz a szívritmus zavarok diagnosztizálása. Ezt jelenleg az orvosok az elektrokardiogramm (EKG) jel elemzésével végzik. Ez komoly specializált tudást és tapasztalatot, valamint időt igényel. Ha lenne olyan módszer, amely gyorsan megbízható osztályozást ad, azzal rengeteg forrást spórolhatnánk meg. Ezért a dolgozat célja, olyan módszerek kidolgozása, amelyek ezzen célkitűzés teljesítését közelebb hozzák.
Munkám első részében a jelek klasszifikációjára gyakran használt konvolúciós neurális hálót (CNN) hoztam létre, melynek tanítását nehezíti az aritmia osztályozáshoz található adathalmazok kis mérete és a heterogenitása, mely a különböző szívritmuszavarok gyakoriságának különbségéből fakad. Ennek következményeként több olyan módszert is alkalmazni kell, ami segíti a háló gyors tanulását.
Munkám második részében az idősorokhoz gyakran használt rekurrens hálózatok -azokon belül is egy long short-term memory (LSTM) hálózatot - valósítok meg, majd összehasonlítom az első részben kapott eredményekkel.
szerző
-
Ritter Áron
Villamosmérnöki szak, mesterképzés
mesterképzés (MA/MSc)
konzulens
-
Dr. Szegletes Luca
egyetemi adjunktus, Automatizálási és Alkalmazott Informatikai Tanszék
