Metody hlubokého učení pro segmentaci elektrokardiografických signálů
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
P
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Práce se zabývá metodami hlubokého učení pro segmentaci elektrokardiografických záznamů z povrchového a intrakardiálního snímání se zaměřením na síňovou aktivitu. Teoretická část seznamuje se současnými přístupy segmentace a s problematikou spojenou s využíváním standardních EKG databází pro vývoj hlubokých modelů. V práci byl navržen řetězec metod pro zpracování multimodálních dat z elektrofyziologického vyšetření. Tyto metody byly následně využity pro sestavení trénovacích datových sad. V práci byl navržen hluboký model pro segmentaci intrakardiálních záznamů založený na modifikované architektuře s reziduálním spojením. Byla provedena série experimentů sledující vliv nastavení modelu a předzpracování datové sady na kvalitu segmentace. Jako zásadní činitel se ukázala přítomnost a způsob anotace záznamů s fibrilací síní. Mezi další významné parametry patřilo nastavení penalizační funkce a způsob augmentace trénovacích dat. V práci byla dále navržena nová metoda segmentace P vln využívající neúplné reference. Přístup byl inspirován metodou hlubokého kontrastního učení, která byla modifikována pro odlišení lokálních úseků signálů na různých úrovních abstrakce extrahovaných příznakových map. Výsledky byly analyzovány pomocí standardních metrik kvality a post-hoc vizuální analýzou. V dílčích případech bylo provedeno statistické srovnání experimentů pro různá nastavení. Výsledky práce ukázaly, že je možné využít intrakardiální signály pro zabudování vektorové reprezentace lokální síňové aktivace do hlubokých modelů.
The thesis deals with deep learning methods for the segmentation of surface and intracardiac electrocardiographic recording with focus on atrial activity. The theoretical part introduces current segmentation aproaches of electrocardiographic signals. Issues related to the development of deep learning models in context of standard ECG databases were also discussed. We proposed a pipeling for processing multimodal electrophysiology data from interventional procedures in order to build reliable training datasets. A deep model for segmentation of intracardiac recordings based on a modified residual architecture was proposed. A series of experiments was conducted to evaluate the effect of both model and dataset properties on segmentation quality. The annotation methodology of recordings with atrial fibrillation proved to be a crucial factor. Properties of loss function and type of data augmentation were revealed as secondary important parameters. A novel P wave segmentation method for incomplete references was proposed in the thesis. The approach was inspired by the deep contrast learning. It was modified to distinguish local segments of signals at different levels of abstraction of the extracted feature maps. Results were analyzed using standard quality metrics and post-hoc visual analysis. In some cases, a statistical comparison of experiments for different settings was performed. The results of the work showed that it is possible to use intracardiac signals for embedding a vector representation of local atrial activation into deep models.
The thesis deals with deep learning methods for the segmentation of surface and intracardiac electrocardiographic recording with focus on atrial activity. The theoretical part introduces current segmentation aproaches of electrocardiographic signals. Issues related to the development of deep learning models in context of standard ECG databases were also discussed. We proposed a pipeling for processing multimodal electrophysiology data from interventional procedures in order to build reliable training datasets. A deep model for segmentation of intracardiac recordings based on a modified residual architecture was proposed. A series of experiments was conducted to evaluate the effect of both model and dataset properties on segmentation quality. The annotation methodology of recordings with atrial fibrillation proved to be a crucial factor. Properties of loss function and type of data augmentation were revealed as secondary important parameters. A novel P wave segmentation method for incomplete references was proposed in the thesis. The approach was inspired by the deep contrast learning. It was modified to distinguish local segments of signals at different levels of abstraction of the extracted feature maps. Results were analyzed using standard quality metrics and post-hoc visual analysis. In some cases, a statistical comparison of experiments for different settings was performed. The results of the work showed that it is possible to use intracardiac signals for embedding a vector representation of local atrial activation into deep models.
Description
Keywords
Metody hlubokého učení, konvoluční neuronové sítě, automatická segmentace signálů, intervenční elektrofyziologické vyšetření, intrakardiální elektrogramy, lokální aktivační čas, síňová aktivita, skryté P vlny, poruchy srdečního rytmu, databáze signálů, Deep learning, convolutional neural networks, segmentation, cardiac mapping, intracardiac electrograms, local activation time, atrial activity, hidden P waves, arrhythmias
Citation
HEJČ, J. Metody hlubokého učení pro segmentaci elektrokardiografických signálů [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
bez specializace
Comittee
prof. Ing. Valentine Provazník, Ph.D. (předseda)
Ing. Josef Halámek, CSc. - oponent (člen)
prof. Ing. Martin Černý, Ph.D. - oponent (člen)
Ing. Lukáš Smital, Ph.D. (člen)
Ing. Andrea Němcová, Ph.D. (člen)
doc. Ing. Daniel Novák, Ph.D. (člen)
Date of acceptance
2024-05-14
Defence
Doktorand plně zodpověděl všechny dotazy oponentů i členek a členů komise.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení