Vliv kódování výstupu hluboké neuronové sítě na kvalitu modelu u multi-label klasifikace

Abstract

Cieľom diplomovej práce je navrhnúť metódu hlbokého učenia na klasifikáciu arytmií zo záznamov EKG a porovnať aký má vplyv kódovanie jej výstupov na celkovú kvalitu modelu. Vybraná bola 1D konvolučná neurónová sieť a boli na nej vyskúšané a porovnané metódy kódovania labelov pomocou one-hot kódovania, ordinálneho kódovania, metódy využívajúcej autoenkóder a metódy word embbeding. Dosiahnuté výsledky ukazujú, že využitím metódy word embbeding sa dá zvýšiť klasifikačná schopnosť navrhnutej siete.

The aim of the diploma thesis is to propose a method of deep learning for the classification of arrhythmias from ECG recordings and to compare the effect of coding its outputs on the overall quality of the model. A 1D convolutional neural network was selected and methods of label coding using one-hot coding, ordinal coding, the method using an autoencoder and the word embbeding method were tested and compared on it. The obtained results show that the use of the word embbeding method can increase the classification capacity of the proposed network.