Berpizteko bihotz erritmoak sailkatzeko ikasketa automatikoan oinarritutako algoritmo baten garapena
Laburpena Dokumentu hau berpizteko bihotz erritmoak sailkatzeko teknika ez-inbaditzaileen erabileran eta garapenean oinarrituta dago; zehatzago, ikasketa automatikoan oinarritutako algoritmo baten garapena dugu helburu. Ikasketa automatikoaren erabilera, ingelesez Machine Learning (ML) gisa ezaguna,...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2018 |
| País: | España |
| Institución: | Universidad del País Vasco |
| Repositorio: | Addi. Archivo Digital para la Docencia y la Investigación |
| OAI Identifier: | oai:addi.ehu.eus:10810/29791 |
| Acceso en línea: | http://hdl.handle.net/10810/29791 |
| Access Level: | acceso abierto |
| Palabra clave: | ikasketa automatikoa random forest balioztatze gurutzatua berpizte bihotz erritmoen gainbegiratutako sailkapena bihotz-biriketako gelditzea bihotz-biriketako berpiztea |
| Sumario: | Laburpena Dokumentu hau berpizteko bihotz erritmoak sailkatzeko teknika ez-inbaditzaileen erabileran eta garapenean oinarrituta dago; zehatzago, ikasketa automatikoan oinarritutako algoritmo baten garapena dugu helburu. Ikasketa automatikoaren erabilera, ingelesez Machine Learning (ML) gisa ezaguna, datu multzo batetik abiatuta ondorio esanguratsuak lortzeko aurkezten duen gaitasuna dela medio, asko nagusitu da azken urteotan. Kasu honetan, seinaleen elektrokardiogramek (EKG) aurkezten dituzten ezaugarri ezberdinez baliatuz, Supervised learning (Ikasketa gainbegiratua) deritzon ikasketan funtsatutako Random Forest (RF) izeneko sailkatzailea erabili da. Bihotz-biriketako gaixotasunak nabarmen hazi dira mundu mailako heriotza-tasa kausarik altuenak izatera ailegatuz. Izatez, Munduko Osasun Erakundearen esanetan, herrialde garatuen heriotzen %50a eta garapen bidean dauden herrialde askoren heriotza kausa nagusietako bat gaixotasun kardiobaskularrak dira [1]. Horrenbestez, biomedikuntza esparru zientifiko honekin loturiko ikerkuntza oro sustatzeak berebiziko garrantzia hartu du. Proiektu honek, egoera hauei aurre egiteko egun existitzen diren terapiek pazienteekiko duten eragina ebaluatzeko bai eta tratamenduen kalitatea hobetzeko ezinbestekoa den EKG seinaleen analisia eta azterketa errazteko berpizte bihotz erritmoen anotatze automatikoa ahalbidetzen du; era horretan, adituak diren medikuentzako euskarri edota laguntza izanik, diagnostiko objektibo zuzenak eta egokiak emateko ziurtasun handiagoa eskaintzen da. Ez hori bakarrik, proiektu honek etengabeko kontrolean egon behar duten pazienteen monitorizaziorako, zein larrialdi egoera baten aurrean hartu beharreko erabaki kritikoak azkarrak eta egokiak izateko ere laguntza handia ematen du. Proiektuaren xedea erdiesteko, 857 pazientez osaturiko datu-base batekin egin da lan. Garaturiko interfaze grafikoan oinarriturik, paziente bakoitzaren seinaleen analisia, anotazioa eta segmentazioa burutu da; eta, azkenik, 10-20 segundo bitarteko 3803 segmentuz osaturiko datu-basea lortu da. Hortik abiaturik, algoritmoaren prozesaketarako 4 eta 8 segundotako EKG seinale segmentuak erabili dira. Segmentu bakoitzeko 33 ezaugarri kalkulatu dira; eta, ondoren, ML algoritmoa elikatu da eta balioztatze gurutzatuarekin ebaluatu da. RF algoritmoak eskuragarri dituen parametro ezberdinen araberako algoritmoak sorturik, hauen errendimendua eta eraginkortasuna ebaluatzeko klase anitzeko sailkatzaileetan balio orokorra eskaintzen duten UMS (Unweighted Mean of Sensitivities) eta MulAcc (Multiway Accuracy) metrikak erabili dira. Seinale segmentu iraupen ezberdinen artean errendimendu aldeak ikusi dira, emaitza hobeak 8 segundotako seinale segmentuekin lortu direlarik. Orokorrean, sailkatzailearen zehaztasun maila %96.5koa izan da eta sentikortasun maila %88.0koa izan da, batez beste; gure emaitzek, beraz, berpizte bihotz erritmoak automatikoki identifikatzea eta sailkatzea posiblea dela baieztatu dute. |
|---|