Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "electrocardiography" wg kryterium: Temat


Wyświetlanie 1-2 z 2
Tytuł:
Zastosowanie aproksymacji wielomianowej do wyznaczania załomków EKG
Polynomial approximation for t wave parameter recognition in ECG processing
Autorzy:
Maciejewski, M.
Powiązania:
https://bibliotekanauki.pl/articles/408788.pdf
Data publikacji:
2017
Wydawca:
Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
Tematy:
algorytm aproksymacji
elektrokardiografia
wielomian
approximation algorithms
electrocardiography
polynomial
Opis:
W celu wdrożenia elementów systemu telemedycznego związanego z diagnostyką [3], konieczne jest wcześniejsze zweryfikowanie wartości diagnostycznej algorytmów decyzyjnych odpowiedzialnych za wykrywanie stanów zagrożenia życia. Analiza przebiegu EKG jest w stanie dać informację o wielu takich stanach związanych z zaburzeniami układu krążenia [8]. W tym celu konieczne jest podjęcie szeregu działań prowadzących do budowy odpowiednich modeli. Pierwszym krokiem jest filtracja i przygotowanie danych [1], następnie ekstrakcja parametrów z przebiegów EKG, analiza wyników, porównanie ich z posiadanymi modelami oraz postawienie diagnozy. Każdy z tych kroków wymaga zastosowania odpowiedniego podejścia w celu zminimalizowania popełnianego błędu [4], wynikającego z niekiedy znacznie zniekształconego sygnału [7]. W celu ekstrakcji parametrów czasowych z odfiltrowanego i przygotowanego sygnału EKG konieczne jest najpierw wykrycie załomka R w zespole QRS [6], następnie wyznaczenie załomków P, Q, S, T i znalezienie ich początku i końca oraz określenie interesujących nas interwałów [2]. Zaproponowana tutaj metoda bazuje na aproksymacji przebiegu w oknie czasowym zawierającym dany załomek wielomianem określonego rzędu. Takie podejście pozwala następnie na wyznaczenie punktów przegięcia i, co za tym idzie, granic załomka. Metoda została zastosowana do przetwarzania przebiegów zarejestrowanych w warunkach laboratoryjnych w spoczynku i w trakcie kontrolowanego wysiłku, wyniki zostały porównane i przedstawione w niniejszej pracy.
To succesfully implement a telemedical system for diagnostic purposes it is necessary to verify the diagnostic value of the decision algorithms used to detect life threatening situations. ECG analysis is a useful tool for obtaining information about the overall patient condition, especially for the circulatory system. Proper recognition cannot be performed without creation of proper models, The first step is signal filtration and data preparation, followed by parameter extraction, comparison with the model and diagnosis presentation. Each of these steps reqires a certain approach to minimize the error. Proper filtration needs to be performed. Then, the QRS complex is detected and rythm is calculated. Afterwards, the remaining waves are detected. To be able to perform valuable time dependencies it is necessary to exactly mark the beginnings and ends of intervals. The proposed method is based on opproximating the signal around the wave with a polynomial of a certain degree. This allows detection of inflection points corresponding to the borders of the wave. The method was applied to a set of ECG signals recorced during rest and activity, the results are presented and discussed.
Źródło:
Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska; 2017, 7, 4; 92-95
2083-0157
2391-6761
Pojawia się w:
Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Atrial fibrillation detection on electrocardiograms with convolutional neural networks
Detekcja migotania przedsionków na elektrokardiogramach z wykorzystaniem konwolucyjnej sieci neuronowej
Autorzy:
Kifer, Viktor
Zagorodna, Natalia
Hevko, Olena
Powiązania:
https://bibliotekanauki.pl/articles/408581.pdf
Data publikacji:
2019
Wydawca:
Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
Tematy:
electrocardiography
machine learning
neural network
elektrokardiografia
nauczanie maszynowe
sieć neuronowa
Opis:
In this paper, we present our research which confirms the suitability of the convolutional neural network usage for the classification of single-lead ECG recordings. The proposed method was designed for classifying normal sinus rhythm, atrial fibrillation (AF), non-AF related other abnormal heart rhythms and noisy signals. The method combines manually selected features with the features learned by the deep neural network. The Physionet Challenge 2017 dataset of over 8500 ECG recordings was used for the model training and validation. The trained model reaches an average F1-score 0.71 in classifying normal sinus rhythm, AF and other rhythms respectively.
W tej pracy, przedstawiamy nasze badania, które potwierdzają przydatność zastosowania konwolucyjnych sieci neuronowych dla klasyfikacji zapisów jedno-odprowadzeniowego EKG. (tak brzmi ta nazwa). Proponowana metoda została zaprojektowana dla klasyfikowania prawidłowego rytmu zatokowego, migotania przedsionków (AF), poza-AF powiązanych z innymi nieprawidłowymi rytmami serca i zaszumionymi (głośnymi?) sygnałami. Ta metoda łączy cechy wyselekcjonowane ręcznie z cechami wyuczonymi przez głębokie sieci neuronowe. Zbiór danych Physionet Challenge 2017 zawierający ponad 8500 zapisów EKG został zastosowany dla modelu szkolenia oraz walidacji. Model nauczony (wyszkolony?) osiąga odpowiednio średni F1-wynik 0.71 w klasyfikowaniu prawidłowego rytmu zatokowego, rytmu AF oraz innych rytmów.
Źródło:
Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska; 2019, 9, 4; 69-73
2083-0157
2391-6761
Pojawia się w:
Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-2 z 2

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies