Department of Computer Science
Permanent URI for this communityhttps://dspace.univ-soukahras.dz/handle/123456789/15
Browse
Item Detection and Classification of cardiac arrhythmias using deep learning(2024) Amira ZemmalAn electrocardiogram is a medical procedure that measures the electrical activity of the heart and is an important tool in diagnosing heart disease. It can detect changes in the pattern of electrical impulses that indicate problems such as heart rhythm disturbances and early warnings of heart attacks and other disorders. This work presents a proposal for arrhythmia detection and classification using 1D convolutional neural networks (CNN-1D) as feature extractors and classifiers. The objectives are as follows: Simplifying the feature extraction process using CNN-1D. Enhancing classification performance by decomposing the original multi-class problem into simpler binary subproblems and solving them using CNN-1D with different architectures and parameters. Overcoming the problem of unbalanced data by applying an oversampling method after decomposing the original problem. This method adds synthetic samples based on the number of training instances in each subproblem. To evaluate the proposed system, we conduct experiments on the MIT-BIH arrhythmia dataset and consider the recommendations of the Association for the Advancement of Medical Instrumentation, which defines five classes of interest. We compare the obtained results with some state-of-the-art methods. Our findings demonstrate that solving each subproblem independently can enhance accuracy, sensitivity, and specificity. ------------------------------------------------------------------------------------- مخطط كهربية القلب هو إجراء طبي يقيس النشاط الكهربائي للقلب وهو أداة مهمة في تشخيص أمراض القلب. ويمكنه اكتشاف التغيرات في نمط النبضات الكهربائية التي تشير إلى مشاكل مثل اضطرابات ضربات القلب والإنذارات المبكرة بالنوبات القلبية والاضطرابات الأخرى. تقدم هذه الأطروحة مقترحًا للكشف عن عدم انتظام ضربات القلب وتصنيفه باستخدام الشبكات العصبية التلافيفية أحادية الأبعاد (CNN-1D) كمستخرجات ومصنفات للميزات. الأهداف هي كما يلي: تبسيط عملية استخراج الميزة باستخدام CNN-1D. تحسين أداء التصنيف من خلال تحليل المشكلة الأصلية متعددة الفئات إلى مشكلات فرعية ثنائية أبسط وحلها باستخدام CNN-1D مع بنيات ومعلمات مختلفة. التغلب على مشكلة عدم توازن البيانات من خلال تطبيق أسلوب المعاينة بعد تحليل المشكلة الأصلية. تضيف هذه الطريقة عينات تركيبية بناءً على عدد حالات التدريب في كل مشكلة فرعية. لتقييم النظام المقترح، نقوم بإجراء تجارب على مجموعة بيانات عدم انتظام ضربات القلب MIT-BIH وننظر في توصيات جمعية النهوض بالأجهزة الطبية، التي تحدد خمس فئات من الاهتمام. قمنا بمقارنة النتائج التي تم الحصول عليها مع بعض الأساليب الحديثة. توضح النتائج التي توصلنا إليها أن حل كل مشكلة فرعية بشكل مستقل يمكن أن يعزز الدقة والحساسية والخصوصية. -------------------------------------------------------------------------------- Un électrocardiogramme est une procédure médicale qui mesure l'activité électrique du cœur et constitue un outil important dans le diagnostic des maladies cardiaques. Il peut détecter des changements dans le schéma des impulsions électriques qui indiquent des problèmes tels que des troubles du rythme cardiaque et des alertes précoces de crises cardiaques et d'autres troubles. Cette thèse présente une proposition de détection et de classification des arythmies utilisant des réseaux neuronaux convolutifs 1D (CNN-1D) comme extracteurs et classificateurs de caractéristiques. Les objectifs sont les suivants : Simplifier le processus d'extraction de fonctionnalités à l'aide de CNN-1D. Améliorer les performances de classification en décomposant le problème multi-classe d'origine en sous-problèmes binaires plus simples et en les résolvant à l'aide de CNN-1D avec différentes architectures et paramètres. Surmonter le problème des données déséquilibrées en appliquant une méthode de suréchantillonnage après avoir décomposé le problème d'origine. Cette méthode ajoute des échantillons synthétiques en fonction du nombre d'instances de formation dans chaque sous-problème. Pour évaluer le système proposé, nous menons des expériences sur l'ensemble de données sur les arythmies du MIT-BIH et prenons en compte les recommandations de l'Association pour l'avancement de l'instrumentation médicale, qui définit cinq classes d'intérêt. Nous comparons les résultats obtenus avec certaines méthodes de l'état de l'art. Nos résultats démontrent que la résolution indépendante de chaque sous-problème peut améliorer la précision, la sensibilité et la spécificité.