Please use this identifier to cite or link to this item:
Title: Ανίχνευση αρρυθμιών σε ΗΚΓ με χρήση τεχνικών αναγνώρισης προτύπων
Authors: Ηλιοπούλου, Παναγιώτα
Keywords: Επιλογή χαρακτηριστικών
Ταξινόμηση χαρακτηριστικών
Keywords (translated): Feature selection
Pattern classification
Abstract: Ο σκοπός της διπλωματικής εργασίας ήταν η ανάπτυξη ενός συστήματος για την ανίχνευση αρρυθμιών σε ηλεκτροκαρδιογραφήματα με χρήση τεχνικών αναγνώρισης προτύπων. Συγκεκριμένα, πραγματοποιήθηκε χρήση τεχνικών αναγνώρισης προτύπων για το διαχωρισμό δύο κλάσεων , αυτής με φυσιολογικά ηλεκτροκαρδιογραφήματα και αυτής με παθολογικά ηλεκτροκαρδιογραφήματα τα οποία προέρχονταν από ασθενείς με αρρυθμία. Για το σκοπό αυτό χρησιμοποιήθηκε η εκτεταμένη και ελεύθερα διαθέσιμη βάση με ηλεκτροκαρδιογραφήματα από το δικτυακό τόπο του UCI Machine Learning Repository η οποία περιέχει 452 περιστατικά με 279 χαρακτηριστικά για κάθε περιστατικό. Η μεθοδολογία που αναπτύχθηκε εξετάζει μεθόδους επιλογής των ουσιοδέστερων χαρακτηριστικών από τα δεδομένα ώστε να μειωθεί η διάσταση του χώρου των χαρακτηριστικών, να αναγνωριστούν εκείνα τα χαρακτηριστικά με τη μεγαλύτερη διαγνωστική ικανότητα και να εκτιμηθεί η απόδοση των μεθόδων αναγνώρισης προτύπων ως προς την ορθή ταξινόμηση των περιστατικών.
Abstract (translated): The scope of this thesis was the development of a framework for arrhythmia detection in electrocardiograms with the utilization of pattern recognition techniques. In detail pattern recognition methods were utilized to discriminate between two classes, where the first one contained normal electrocardiograms while the second one contained pathological electrocardiograms from patients exhibiting arrhythmias. For this purpose an extended and freely available database with electrocardiograms was used from the web site of the UCI Machine Learning Repository containing 452 cases with 279 characteristics for each case. The proposed methodology investigates methods for selecting the features with highest discrimination power from the data in order to reduce the dimensionality of the feature space, identify those characteristics with the highest diagnostic value and assess the performance of pattern recognition methods with respect to the accurate classification of the cases in the above data set.
Appears in Collections:Τμήμα Ιατρικής (ΜΔΕ)

Files in This Item:
File Description SizeFormat 
Iliopoulou(med).pdf1.78 MBAdobe PDFView/Open

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.