Identifikace abnormálních EKG segmentů pomocí metody Multiple-Instance Learning

Abstract

Srdeční arytmie jsou velmi častým srdečním onemocněním, jejichž výskyt v populaci se zvyšuje. Tato práce se zabývá automatickou detekcí komorových extrasystol ze záznamů 12svodového EKG, k čemuž využívá hlubokého učení. Prostřednictvím techniky založené na přístupu Multiple-Instance Learning je dále provedena lokalizace těchto arytmií (klíčových instancí) v záznamu. V teoretické části práce je popsána základní elektrofyziologie srdce a princip fungování hlubokého učení zejména se zaměřením na konvoluční neuronové sítě. V rámci programového řešení v jazyce Python byl využit model postavený na architektuře InceptionTime, pomocí něhož byla provedena klasifikace signálů do vybraných tříd. Pro zjištění lokalit klíčových instancí v EKG byla implementována metoda Grad-CAM. Hodnocení kvality detekce arytmií proběhlo prostřednictvím výpočtu F1 skóre a výsledky byly na konci práce diskutovány.Heart arrhythmias are a very common heart disease whose incidence is rising. This thesis is focused on the detection of premature ventricular contractions from 12-lead ECG records by means of deep learning. The location of these arrhythmias (key instances) in the record was found using a technique based on Multiple-Instance Learning. In the theoretical part of the thesis, basic electrophysiology of the heart and deep learning with a focus on the convolutional neural networks are described. Afterward, a program was created using the Python programming language, which contains a model based on the InceptionTime architecture, using which classification of the signals into the selected classes was performed. Grad-CAM was implemented to find locations of the key instances in the ECGs. The evaluation of the arrhythmia detection quality was done using the F1 score and the results were discussed at the end of the thesis.