Details

Title: Извлечение диагностической информации из изображений ЭКГ с помощью методов глубокого обучения: выпускная квалификационная работа бакалавра: направление 11.03.02 «Инфокоммуникационные технологии и системы связи» ; образовательная программа 11.03.02_01 «Системы мобильной связи»
Creators: Костин Георгий Михайлович
Scientific adviser: Павлов Виталий Александрович; Уланов Анатолий Михайлович
Other creators: Забалуева Зоя Андреевна
Organization: Санкт-Петербургский политехнический университет Петра Великого. Институт физики, нанотехнологий и телекоммуникаций
Imprint: Санкт-Петербург, 2021
Collection: Выпускные квалификационные работы; Общая коллекция
Subjects: компьютерное зрение; электрокардиограмма; свёрточные нейронные сети; сегментация; глубокое обучение; u-net; yolact; извлечение информации; computer vision; electrocardiogram; convolutional neural net¬works; segmentation; deep learning; extracting information
Document type: Bachelor graduation qualification work
File type: PDF
Language: Russian
Level of education: Bachelor
Speciality code (FGOS): 11.03.02
Speciality group (FGOS): 110000 - Электроника, радиотехника и системы связи
Links: Отзыв руководителя; Отчет о проверке на объем и корректность внешних заимствований
DOI: 10.18720/SPBPU/3/2021/vr/vr21-2025
Rights: Доступ по паролю из сети Интернет (чтение)
Record key: ru\spstu\vkr\15101

Allowed Actions:

Action 'Read' will be available if you login or access site from another network

Group: Anonymous

Network: Internet

Annotation

Данная работа посвящена реализации алгоритма извлечения диагностической информации из изображений ЭКГ с помощью методов глубокого обучения. Были рассмотрены и проанализированы методы на основе глубокого обучения и алгоритмы классической сегментации. Анализ показал об неэффективности использования классических методов для решения поставленной задачи из-за имеющихся недостатков, таких как невозможность обеспечение связной сегментированной зоны ЭКГ-сигнала, необходимость непосредственного участия пользователя в случаях выделения объекта ограничивающим прямоугольников, ввода количества кластеров и других аспектов. Нейросетевая архитектура U-Net была выбрана для нахождения и ограничивания области ЭКГ-сигнала на изображении ЭКГ, обучение которой производилось на разработанном наборе данных. В среде разработке MATLAB был реализован алгоритм по автоматическому сегментированию и оцифровки ЭКГ-сигнала. Были получены оценки коэффициента Dice для оценивания достоверности работы нейросетевой архитектуры, значения которых свидетельствуют о высокой точности предложенного метода решения поставленной задачи.

This work is devoted to the implementation of the algorithm for extracting diag¬nostic information from the ECG using deep learning methods. Methods based on deep learning and classical segmentation algorithms were considered and analyzed. The analysis showed the inefficiency of using classical methods to solve the problem due to the existing shortcomings, such as the inability to provide a coherent segmented zone of the ECG signal, the need for direct user participation in cases of object allocation by bounding rectangles, entering the number of clusters, and other aspects. The U-Net neural network architecture was chosen to find and limit the ECG signal region in the ECG image, which was trained on the developed data set. In the development environment of the MATLAB package, an algorithm for automatic segmentation and digitization of the ECG signal was implemented. Esti¬mates of the bone coefficient were obtained for evaluating the reliability of the neural network architecture, the values of which indicate the high accuracy of the proposed method for solving the problem.

Document access rights

Network User group Action
ILC SPbPU Local Network All Read
External organizations N2 All Read
External organizations N1 All
Internet Authorized users SPbPU Read
Internet Authorized users (not from SPbPU, N2) Read
Internet Authorized users (not from SPbPU, N1)
-> Internet Anonymous

Table of Contents

  • Введение
  • Глава 1. Анализ существующих алгоритмов сегментации объектов на изображении
    • 1.1. Сегментация выделением краев
    • 1.2. Пороговый метод
    • 1.3. Сегментация по морфологическим водоразделам
    • 1.4. Сегментация методом К-средних
    • 1.5. Комбинационный метод
    • 1.6. Выводы
  • Глава 2. Нейросетевые подходы к решению задач сегментации объектов на изображениях
    • 2.1. U-Net
    • 2.2. YOLACT
    • 2.3. Выводы
  • Глава 3. Реализация алгоритма извлечения диагностической информации из изображений ЭКГ
    • 3.1. Разработка алгоритма
    • 3.2. Выводы
  • Заключение
  • Список литературы

Usage statistics

stat Access count: 4
Last 30 days: 0
Detailed usage statistics