Ανίχνευση καρδιακών παθήσεων από δεδομένα ECG χρησιμοποιώντας τεχνικές μηχανικής μάθησης και δεδομένα φορετών συσκευών
Loading...
Date
2026-02-27
Authors
Μπάλλας, Μιχαήλ
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Στην εργασία αυτή προτείνεται και αξιολογείται ένα υβριδικό μοντέλο βαθιάς μάθησης για την ανίχνευση καρδιακών παθήσεων από δεδομένα ηλεκτροκαρδιογραφήματος. Το προτεινόμενο μοντέλο συνδυάζει συνελικτικά νευρωνικά δίκτυα (convolutional neural networks -- CNNs) για την εξαγωγή τοπικών, μορφολογικών χαρακτηριστικών του σήματος, με μονάδες Αμφίδρομης Μακράς-Βραχείας Μνήμης (bidirectional long-short term memory units -- Bi LSTMs) για τη μελέτη χρονοσειρών καρδιακών παλμών και την ανίχνευση μοτίβων σε αυτές. Η διαδικασία της εκπαίδευσης του μοντέλου περιλαμβάνει προ-εκπαίδευση στο σύνολο δεδομένων PhysioNet 2017 1 και εκλέπτυνση (fine-tuning) των παραγόμενων μοντέλων στα σύνολα MIT-BIH 2 και MIT-AF 3, με στόχο να επιτευχθεί η βελτίωση της γενίκευσης σε διαφορετικές καρδιακές παθήσεις και συνθήκες καταγραφής. Επίσης, εφαρμόστηκαν τεχνικές βελτιστοποίησης, όπως πρόωρη διακοπή εκπαίδευσης, δυναμική αλλαγή ρυθμού μάθησης και χρήση ενδιάμεσου σετ επικύρωσης μετά από κάθε βήμα εκπαίδευσης. Τα πειραματικά αποτελέσματα, δείχνουν υψηλή ακρίβεια και ισχυρή απόδοση του μοντέλου. Επομένως, καταδεικνύεται η αξία των μεθόδων βαθιάς μάθησης στην αυτοματοποιημένη ανάλυση και διάγνωση καρδιαγγειακών παθήσεων σε χρονοσειρές ΗΚΓ σημάτων.
Description
Keywords
Ηλεκτροκαρδιογράφημα, Νευρωνικά δίκτυα, Ανίχνευση καρδιακών παθήσεων