Preliminary Diagnosis of Pathologies of the Cardiovascular System Using Machine Learning Methods
Vinogradova-Zinkevič, Irina | Recenzentas / Rewiewer |
Darbo gynimo komisijos pirmininkas / Thesis Defence Board Chairman | |
Medvedev, Viktor | Darbo gynimo komisijos narys / Thesis Defence Board Member |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member |
Pasaulio sveikatos organizacijos duomenimis, širdies ir kraujagyslių ligos yra pagrindinė mirties priežastis visame pasaulyje. Tokia nerimą kelianti statistika skatina kurti programinį kompleksą, kurį galima naudoti nešiojamuose Holterio monitoriuose, kurie geba ne tik nustatyti širdies problemas atskiriems asmenims neprisijungus prie interneto, bet ir klasifikuoti širdies patologijas internete, matuojant elektrokardiogramą (EKG) naudojant 3 jutiklius. Kritinėmis situacijomis ši programinė įranga gali įspėti ligoninės dispečerių su išsamia informacija apie problemą ir atitinkamą EKG signalo segmentą.Šio tyrimo problema yra išbandyti hipotezę apie galimybę tiksliai identifikuoti pagrindinį širdies ir kraujagyslių ligų rinkinį, pagal Medicinos instrumentacijos pažangos asociaciją - elektrokardiografijos standartus - 57 dalį (AAMI EC57), naudojant įrašytus EKG signalus, naudojant 3 jutiklius arba per elektroninio stetoskopo garso takelį.Tyrimas sutelktas į širdies ir kraujagyslių ligų automatinio aptikimo metodus, naudojant elektroninio stetoskopo garso signalo arba Holterio stebėjimo metu gautų EKG signalų duomenis.Tyrimo tikslas yra patvirtinti hipotezę apie patologijų tikslų ir automatinį identifikavimą EKG signalų ir elektroninio stetoskopo įrašų kontekste.Hipotezė buvo patvirtinta, nes buvo pasiekta didelė tikslumo tikslumo, būtent 99,94% EKG klasifikacijai ant testinio rinkinio ir 87,05% širdies garsų klasifikacijai ant testinio rinkinio. Kiekvienas testinių rinkinių sudarė mažiausiai 20% visų duomenų rinkinio įrašų. Gauti modeliai galėjo tiksliai atskirti normalų širdies ritmą nuo ritmo su patologijomis. Visi mokymo duomenys buvo gauti iš viešai prieinamų saugyklų, leidžiančių palyginti su esamais darbais.Rašant (2023 m. Gegužė), EKG klasifikacijos modelis parodė didžiausią tikslumą tarp lyginamų darbų, o širdies garsų klasifikacijos modeliai pranoko visus modelius konkursinėje ataskaitoje, kurioje buvo paskelbtas naudojamas duomenų rinkinys. Šis tyrimas sudarytas iš 59 puslapių, 23 paveikslėlių, 12 lentelių, 8 formuliučių.
According to the World Health Organization, cardiovascular diseases are the leading cause of death worldwide. Such alarming statistics have prompted the development of a software complex that can be used on Holter monitors, capable of detecting and classifying cardiac pathologies in individuals in offline and online modes, during electrocardiography (ECG) measurements taken from 3 leads. In critical situations, this software can alert the hospital dispatch center with detailed information about the problem.The problem of this research is to test the hypothesis of the possibility of accurately identifying the basic set of cardiovascular pathologies, according to the Association for the Advancement of Medical Instrumentation - Electrocardiography Standards - Part 57 (AAMI EC57), from recorded ECG signals using 3 leads or through the audio track of an electronic stethoscope. The research focuses on the methods of automated detection of cardiovascular pathologies from the data of the audio signal of an electronic stethoscope or ECG signals obtained from holter monitoring.The aim of the research is to verify the hypothesis of accurate and automatic identification of pathologies in the context of ECG signals and recordings from an electronic stethoscope.Hypothesis was confirmed as high accuracies were achieved, specifically 99.94% for ECG classification on the test set and 87.05% for heart sound classification on the test set. Each of the test sets contained at least 20% of the total number of recordings in the dataset. The obtained models were able to accurately distinguish normal heart rhythm from rhythm with pathologies. All training data were obtained from publicly available repositories, allowing for comparison with existing works.At the time of writing (May 2023), the ECG classification model demonstrated the highest accuracy among the compared works, while the heart sound classification models outperformed all models in the competition report where the used dataset was published. Thesis consists of 59 pages, 23 figures, 12 tables, 8 formulas.