Detekce fibrilace síní v krátkodobých EKG záznamech
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Fibrilace síní je diagnostikována u 1-2 % populace, v příštích dekádách se očekává výrazný nárůst počtu pacientů s touto arytmií v souvislosti se stárnutím populace a vyšším výskytem některých onemocnění, která jsou považována za její rizikové faktory. Cílem této práce je popsat problematiku fibrilace síní a metody, které umožňují její detekci v EKG záznamu. V úvodní části se nachází literární rešerše zabývající se fyziologií srdce a fibrilací síní. V další části jsou uvedené některé metody sloužící k detekci FS. V praktické části je zhodnocena funkčnost dodaného softwaru pro detekci FS firmou BTL. Dále je zde navržen detektor fibrilace síní. K detekci bylo vybráno několik parametrů, poukazující na variabilitu RR intervalů. Jedná se o parametry směrodatné odchylky, koeficient šikmosti a špičatosti, variační koeficient, střední kvadratickou odchylku, normalizovanou absolutní odchylku, normalizovanou absolutní diferenci, mediánovou absolutní odchylku a entropii. Bylo využito třech různých klasifikačních modelů: metoda podpůrných vektorů (SVM), K-nearest neghbor (KNN) a diskriminační analýza (DA). Nejlepších výsledků dosahuje klasifikační model SVM. Výsledky ukazatelů úspěšnosti (sensitivita: 67,1 %; specificita: 97,0 %; F-measure: 66,8 %; accuracy: 92,9 %).
Atrial fibrillation is diagnosed in 1-2% of the population, in next decades, it expects a significant increase in the number of patients with this arrhythmia in connection with the aging of the population and the higher incidence of some diseases that are considered as risk factors of atrial fibrillation. The aim of this work is to describe the problem of atrial fibrillation and the methods that allow its detection in the ECG record. In the first part of work there is a theory dealing with cardiac physiology and atrial fibrillation. There is also basic descreption of the detection of atrial fibrillation. In the practical part of work, there is described software for detection of atrial fibrillation, which is provided by BTL company. Furthermore, an atrial fibrillation detector is designed. Several parameters were selected to detect the variation of RR intervals. These are the parameters of the standard deviation, coefficient of skewness and kurtosis, coefficient of variation, root mean square of the successive differences, normalized absolute deviation, normalized absolute difference, median absolute deviation and entropy. Three different classification models were used: support vector machine (SVM), k-nearest neighbor (KNN) and discriminant analysis classification. The SVM classification model achieves the best results. Results of success indicators (sensitivity: 67.1%; specificity: 97.0%; F-measure: 66.8%; accuracy: 92.9%).
Atrial fibrillation is diagnosed in 1-2% of the population, in next decades, it expects a significant increase in the number of patients with this arrhythmia in connection with the aging of the population and the higher incidence of some diseases that are considered as risk factors of atrial fibrillation. The aim of this work is to describe the problem of atrial fibrillation and the methods that allow its detection in the ECG record. In the first part of work there is a theory dealing with cardiac physiology and atrial fibrillation. There is also basic descreption of the detection of atrial fibrillation. In the practical part of work, there is described software for detection of atrial fibrillation, which is provided by BTL company. Furthermore, an atrial fibrillation detector is designed. Several parameters were selected to detect the variation of RR intervals. These are the parameters of the standard deviation, coefficient of skewness and kurtosis, coefficient of variation, root mean square of the successive differences, normalized absolute deviation, normalized absolute difference, median absolute deviation and entropy. Three different classification models were used: support vector machine (SVM), k-nearest neighbor (KNN) and discriminant analysis classification. The SVM classification model achieves the best results. Results of success indicators (sensitivity: 67.1%; specificity: 97.0%; F-measure: 66.8%; accuracy: 92.9%).
Description
Keywords
Srdce, elektrokardiogram, srdeční arytmie, fibrilace síní, detekce fibrilace síní, metoda podpůrných vektorů, k-nearest neighbor, diskriminační analýza, Heart, electrocardiogram, cardiac arrhythmia, atrial fibrillation, detection of atrial fibrillation, support vector machine, k-nearest neighbor, discriminant analysis
Citation
AMBROŽOVÁ, M. Detekce fibrilace síní v krátkodobých EKG záznamech [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2019.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Biomedicínské inženýrství a bioinformatika
Comittee
doc. Ing. Radim Kolář, Ph.D. (předseda)
Ing. Jan Odstrčilík, Ph.D. (místopředseda)
Ing. Marina Ronzhina, Ph.D. (člen)
RNDr. Petr Fuchs, Ph.D. (člen)
Ing. Jiří Sekora (člen)
Date of acceptance
2019-06-05
Defence
Studentka prezentovala výsledky své práce a komise byla seznámena s posudky. Ing. Sekora se zeptal na náhodnost rozdělení použitých dat. Doc. Kolář se zeptal proč nemá studentka uvedenou specificitu, když uvádí senzitivitu. Dále se dotázal na zvolené příznaky a způsob jejich volby. Co je kritériem správného výběru. Co znamenají odlehlé hodnoty v prezentovaném grafu. Studentka obhájila diplomovou práci a odpověděla na otázky členů komise a oponenta.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení