Σχεδίαση μεθόδου πρόβλεψης παροξυσμικής κολπικής μαρμαρυγής μέσω ανάλυσης ECG σημάτων με χρήση αλγορίθμων μηχανικής μάθησης

Φούντα, Πηνελόπη; Founta, Pinelopi

dc.contributor.author	Φούντα, Πηνελόπη	el
dc.contributor.author	Founta, Pinelopi	en
dc.date.accessioned	2015-10-07T08:36:29Z
dc.date.available	2015-10-07T08:36:29Z
dc.date.issued	2015-10-07
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/41406
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.9862
dc.rights	Default License
dc.subject	Παροξυσμική	el
dc.subject	Κοπλική μαρμαρυγή	el
dc.subject	Πρόβλεψη	el
dc.subject	Μηχανική μάθηση	el
dc.subject	ΗΚΓ	el
dc.subject	Paroxysmal	en
dc.subject	Atrial fibrillation	el
dc.subject	Prediction	el
dc.subject	Machine learning	el
dc.subject	ECG	el
dc.title	Σχεδίαση μεθόδου πρόβλεψης παροξυσμικής κολπικής μαρμαρυγής μέσω ανάλυσης ECG σημάτων με χρήση αλγορίθμων μηχανικής μάθησης	el
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	24-07
heal.abstract	Η Κολπική Μαρμαρυγή (ΚΜ) είναι η πιο κοινότυπη αρρυθμία και επηρεάζει από 0.5% ως 1% του γενικού πληθυσμού. Συνήθως η ΚΜ ξεκινά με παροξυσμικά επεισόδια. Κάποιοι ασθενείς παρουσιάζουν μόνο Παροξυσμική Κολπική Μαρμαρυγή (ΠΚΜ), κυρίως σε περιπτώσεις χορήγησης αντι-αρρυθμικής αγωγής, αλλά στην πλειονότητα των περιστατικών, η ΠΚΜ προχωράει σε μόνιμη ΚΜ. Η ΚΜ συνδέεται με αυξημένο κίνδυνο εγκεφαλικού επεισοδίου, καρδιακή ανεπάρκεια και άνοια, γι αυτό είναι πολύ σημαντικό να προβλεφθούν τα επεισόδια πριν η ΠΚΜ εξελιχθεί σε ΚΜ. Παρά τις πολύχρονες έρευνες, δεν έχει εξακριβωθεί ακόμη και σήμερα ο μηχανισμός μετάβασης από τα επεισόδια της ΠΚΜ στη μόνιμη κατάστασή της. Έτσι, η πρόβλεψη και η θεραπεία της ασθένειας είναι ανεπαρκείς. Για την αποτελεσματική πρόβλεψη και κατά συνέπεια τη θεραπεία της ΚΜ απαιτείται ένας αυτοματοποιημένος τρόπος διάγνωσής της, που να βασίζεται στην ανάλυση των ηλεκτροκαρδιογραφημάτων. Κάτι τέτοιο αποτελεί ακόμη και σήμερα μια τεχνική πρόκληση. Η ΠΚΜ μπορεί εύκολα να περάσει απαρατήρητη αφού μετά το πέρας του επεισοδίου ή πολύ πριν από αυτό, τίποτα δεν αποδεικνύει ότι συνέβη ή ότι πρόκειται να συμβεί. Έχει αποδειχθεί ότι η ΚΜ διαφοροποιεί ένα ΗΚΓ στα ακόλουθα τρία σημεία: μορφολογία του P κύματος, δυναμική των RR διαστημάτων και αυξημένη παρουσία έκτοπων παλμών. Η παρούσα μελέτη ξεκίνησε με σκοπό την αναπαραγωγή ενός διαγωνισμού που οργανώθηκε από τη Physionet, κι έγινε μια προσπάθεια σχεδιασμού μιας αυτοματοποιημένης μεθόδου διάγνωσης ΠΚΜ, βασιζόμενη στην ανάλυση των ECG σημάτων με χρήση αλγορίθμων μηχανικής μάθησης. Η μέθοδος αυτή από μια διαδικασία δύο σταδίων: το πρώτο στάδιο είναι η εξαγωγή των χαρακτηριστικών και το δεύτερο η δημιουργία ενός ταξινομητή που βασίζεται στα HRV χαρακτηριστικά που εξήχθησαν. Τα ΗΚΓ που χρησιμοποιήθηκαν στην προτεινόμενη μέθοδο προέρχονται από την Βάση Δεδομένων Πρόβλεψης Κολπικής Μαρμαρυγής (AFPDB). Αυτή η βάση δεδομένων συνίσταται από 100 ψηφιοποιημένα σετ ECG καταγραφών, με δειγματοληψία στα 128 Hz και 12 bit ανάλυση από 48 διαφορετικά υποκείμενα. Για τους σκοπούς της διπλωματικής όλα τα σήματα χρησιμοποιήθηκαν για τη διαμόρφωση του συνόλου των εκπαιδευτικών δεδομένων και στη συνέχεια ακολούθησε επικύρωση των SVMs με τη μέθοδο της διασταυρούμενης επικύρωσης.	el
heal.abstract	Atrial fibrillation (A-fib) is the most common arrhythmia in clinical practice and affects 0.5% to 1% of the general population. Usually A-fib starts with paroxysmal episodes. Some patients experience only Paroxysmal Atrial Fibrillation (PAF) mainly for patients who take antiarrhythmic medication but a majority progress to persistent A-fib. A-fib is associated with increased risk of stroke, heart failure and dementia so it is important to detect PAF episodes before PAF progress to a persistent situation. However, despite many years of research, the fundamental mechanisms governing the transition from paroxysmal to persistent and permanent forms are poorly understood so both prevention and treatment are insufficient. To effectively treat or prevent A-fib, automatic A-fib detection based on Electrocardiograph (ECG) monitoring is highly desirable but also technically challenging. PAF can easily go unnoticed as it does not show any severe symptoms, no obvious signs can be visually observed from the ECG signal shortly after or before an episode of A-fib. It has been recommended that A-fib alternates a normal ECG signal in the following three points: Signal-averages P – wave morphology, R-R interval dynamics, and atrial ectopy. The study presented, started aiming at reproducing a challenge organized by Physionet and an attempt for an efficient way of PAF’s diagnosis based on ECG signals analysis, was made, with the use of machine learning algorithms. This work similar to others, employs a two-step procedure; extraction of features and building a classifier based on the extracted features. Next, SVMs were fed with features taken from the HRV series from time and frequency domains. ECG signals came from Atrial Fibrillation Prediction Database (AFPDB). This database is consisted of 100 digitized ECG record sets (ECG records in pairs), sampled at 128 Hz and 12 bit resolution, from 48 subjects. For the aims of this study, all the data were used for the training task and the SVMs were validated with 5-fold cross validation.	en
heal.advisorName	Κουτσούρης, Δημήτριος-Διονύσιος	el
heal.committeeMemberName	Κουτσούρης, Δημήτριος-Διονύσιος	el
heal.committeeMemberName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Ματσόπουλος, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	91 σ.
heal.fullTextAvailability	true