Reprezentace srdečních cyklů pro následnou klasifikaci

Abstract

Výběr úseku EKG hraje významnou roli při návrhu klasifikátoru srdečních cyklů. Typ vybraných úseků ovlivňuje klasifikaci nejen z hlediska typu a maximálního počtu rozpoznávaných patologických skupin, ale ovlivňuje také složitost klasifikačního modelu, a tudíž nepřímo udává nároky na paměť používané výpočetní techniky a čas potřebný pro klasifikaci. Tato práce je zaměřena právě na porovnání úspěšnosti klasifikace cyklů EKG při různých vstupních úsecích. Byly použity vstupní úseky QRST, RST, ST-T, QRS a T. Signál EKG byl získán z izolovaných králičích srdcí a rozdělen na typy podle maximální výchylky vlny T a změn ST úseku. Signál dále vstupuje do umělé neuronové sítě, kde je klasifikován na předdefinované typy. Byla použita síť s dvaceti čtyřmi neurony ve skryté a jedním neuronem ve výstupní vrstvě. Úspěšnost klasifikace je shrnuta v závěru práce.Selection of ECG segment plays a significant role in design of a heart beat classifier. The type of selected segments influences the classification not only in regard to the type and maximum number of recognized pathological groups but also in regard to the complexity of classification model, which consequently creates indirect demands on the memory of the computer technology used as well as on the time needed for the classification. The thesis is focused on the comparison of success rates of the ECG heart beat classifications in different input segments. The input segments used were QRST, RST, ST-T, QRS, and T. The ECG signal was obtained from isolated rabbit hearts and divided into individual types according to the T-wave amplitude and changes in the ST segment. The signal subsequently enters the artificial neural network where it is classified into predefined types. The network used had twenty-four neurons in the first layer and one neuron in the second layer. Efficiency of the classification is in the conclusion of this thesis.