Lokalizace fibrilace síní pro vyhodnocení zatížení pacienta

Abstract

Diplomová práce se zabývá problematikou detekce fibrilace síní ze záznamů EKG a lokalizace daných úseků fibrilace u signálů s paroxysmální fibrilací. Je vypracována rešerše týkající se fibrilace síní, vzniku této atologie a metod detekce fibrilace z EKG záznamů pomocí hlubokého učení. V jazyce Python je následně implementován model konvoluční neuronové sítě s reziduálními bloky pro klasifikaci krátkých (3 s) segmentů EKG signálu. Následně jsou výsledky klasifikace zpracovány a v signálech s paroxysmální fibrilací jsou lokalizovány úseky s fibrilací. Díky klasifikaci a lokalizaci je dále vyhodnoceno zatížení pacienta fibrilací. Implementovaný klasifikátor na testovací množině dosahuje výsledků F1 skóre 96,15 %. Při lokalizaci úseků s fibrilací algoritmem je dosaženo hodnoty MAE 0,95 s pro detekci začátků a 1,29 s pro detekci konců vůči referenčním polohám. Odhadované zatížení pacienta je porovnáno se skutečnou zátěží a dosahuje MAE 3 %.The diploma thesis deals with the problem of detection of atrial fibrillation from ECG recordings and localization of given fibrillation segments in signals with paroxysmal fibrillation. A research is done on atrial fibrillation, the origin of this pathology and methods of fibrillation detection from ECG recordings using deep learning. Subsequently, a convolutional neural network model with residual blocks is implemented in Python to classify short (3 s) segments of the ECG signal. Subsequently, the classification results are processed and the segments with paroxysmal fibrillation are localized in the signals with fibrillation. With the classification and localization, the burden assessment of fibrillation is further evaluated. The implemented classifier on the test set achieves an F1 score of 96,15 %. When the sections with fibrillation are localized by the algorithm, MAE of 0,95 s for detecting the beginnings and 1,29 s for detecting the ends with respect to the reference positions is achieved. The estimated patient's burden assessment is compared with the actual values and achieves MAE of 3 %