{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5358071"},"canonical_url":"https://search.dev.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5358071","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Electrocardiogram-based detection of heart pathologies using nonlinear methods and machine learning","abstract":"Το Ηλεκτροκαρδιογράφημα (ΗΚΓ) παραμένει το πλέον ευρέως χρησιμοποιούμενο, μη επεμβατικό διαγνωστικό εργαλείο στην καρδιολογία· ωστόσο, η ακριβής ερμηνεία του δυσχεραίνεται από τεχνουργήματα (artifacts) σήματος, θόρυβο και διακύμανση μεταξύ παρατηρητών. Τα αυτοματοποιημένα συστήματα ανάλυσης βασίζονταν ιστορικά σε γραμμικές ή κανoνοβασιζόμενες (rule-based) προσεγγίσεις, οι οποίες αποδίδουν καλά σε σαφώς οριοθετημένες ανωμαλίες, αλλά δυσκολεύονται στην αναγνώριση λεπτών ή πολυπαραγοντικών παθολογιών. Η παρούσα διπλωματική εργασία διερευνά κατά πόσο μη γραμμικά δυναμικά χαρακτηριστικά του ΗΚΓ, σε συνδυασμό με μηχανική μάθηση, μπορούν να βελτιώσουν την αυτοματοποιημένη ανίχνευση καρδιακών παθήσεων. Αναλύθηκε κοόρτη από τη βάση δεδομένων PTB-XL (21.837 καταγραφές από 18.885 ασθενείς) σε έξι διαγνωστικές κατηγορίες—τις πέντε υπερκλάσεις (superclasses) της PTB-XL (Φυσιολογικό, Έμφραγμα Μυοκαρδίου [MI], αλλοιώσεις ST–T, Διαταραχές Αγωγιμότητας, Υπερτροφία) καθώς και μία παράγωγη κατηγορία Αρρυθμίας. Τα σήματα προεπεξεργάστηκαν με φιλτράρισμα και εξομάλυνση, πριν από την εξαγωγή πλήθους μη γραμμικών μεταβλητών, συμπεριλαμβανομένων της εντροπίας, δεικτών κλιμάκωσης φρακταλικής φύσης, εκθετών Lyapunov, μετρικών ποσοτικοποίησης επαναληπτικότητας (recurrence quantification) και μέτρων αποσύνθεσης εμπειρικών τρόπων (empirical mode decomposition). Τα χαρακτηριστικά αξιολογήθηκαν με πολλαπλούς ταξινομητές, με έμφαση στην απόδοση ανά κατηγορία και στην ερμηνευσιμότητα των χαρακτηριστικών σε επίπεδο απαγωγής (lead) και παθολογίας. Για την αντιμετώπιση της ανισορροπίας κλάσεων και τη διασφάλιση αξιόπιστης αξιολόγησης, εφαρμόστηκε διαχωρισμός δεδομένων σε επίπεδο ασθενούς (patient-wise split), σε συνδυασμό με διαστρωματωμένη κατά ασθενή K-fold διασταυρούμενη επικύρωση, επαναδειγματοληψία SMOTE και βελτιστοποίηση κατωφλίου απόφασης βάσει του δείκτη Youden (J). Τα μοντέλα με την καλύτερη απόδοση παρουσίασαν ισχυρή διακριτική ικανότητα (AUC ≈ 0,856–0,919) και ανέδειξαν σχέσεις χαρακτηριστικών–παθολογίας που ευθυγραμμίζονται με γνωστές αρχές της κλινικής φυσιολογίας.","abstract_html":"Το Ηλεκτροκαρδιογράφημα (ΗΚΓ) παραμένει το πλέον ευρέως χρησιμοποιούμενο, μη επεμβατικό διαγνωστικό εργαλείο στην καρδιολογία· ωστόσο, η ακριβής ερμηνεία του δυσχεραίνεται από τεχνουργήματα (artifacts) σήματος, θόρυβο και διακύμανση μεταξύ παρατηρητών. Τα αυτοματοποιημένα συστήματα ανάλυσης βασίζονταν ιστορικά σε γραμμικές ή κανoνοβασιζόμενες (rule-based) προσεγγίσεις, οι οποίες αποδίδουν καλά σε σαφώς οριοθετημένες ανωμαλίες, αλλά δυσκολεύονται στην αναγνώριση λεπτών ή πολυπαραγοντικών παθολογιών. Η παρούσα διπλωματική εργασία διερευνά κατά πόσο μη γραμμικά δυναμικά χαρακτηριστικά του ΗΚΓ, σε συνδυασμό με μηχανική μάθηση, μπορούν να βελτιώσουν την αυτοματοποιημένη ανίχνευση καρδιακών παθήσεων. Αναλύθηκε κοόρτη από τη βάση δεδομένων PTB-XL (21.837 καταγραφές από 18.885 ασθενείς) σε έξι διαγνωστικές κατηγορίες—τις πέντε υπερκλάσεις (superclasses) της PTB-XL (Φυσιολογικό, Έμφραγμα Μυοκαρδίου [MI], αλλοιώσεις ST–T, Διαταραχές Αγωγιμότητας, Υπερτροφία) καθώς και μία παράγωγη κατηγορία Αρρυθμίας. Τα σήματα προεπεξεργάστηκαν με φιλτράρισμα και εξομάλυνση, πριν από την εξαγωγή πλήθους μη γραμμικών μεταβλητών, συμπεριλαμβανομένων της εντροπίας, δεικτών κλιμάκωσης φρακταλικής φύσης, εκθετών Lyapunov, μετρικών ποσοτικοποίησης επαναληπτικότητας (recurrence quantification) και μέτρων αποσύνθεσης εμπειρικών τρόπων (empirical mode decomposition). Τα χαρακτηριστικά αξιολογήθηκαν με πολλαπλούς ταξινομητές, με έμφαση στην απόδοση ανά κατηγορία και στην ερμηνευσιμότητα των χαρακτηριστικών σε επίπεδο απαγωγής (lead) και παθολογίας. Για την αντιμετώπιση της ανισορροπίας κλάσεων και τη διασφάλιση αξιόπιστης αξιολόγησης, εφαρμόστηκε διαχωρισμός δεδομένων σε επίπεδο ασθενούς (patient-wise split), σε συνδυασμό με διαστρωματωμένη κατά ασθενή K-fold διασταυρούμενη επικύρωση, επαναδειγματοληψία SMOTE και βελτιστοποίηση κατωφλίου απόφασης βάσει του δείκτη Youden (J). Τα μοντέλα με την καλύτερη απόδοση παρουσίασαν ισχυρή διακριτική ικανότητα (AUC ≈ 0,856–0,919) και ανέδειξαν σχέσεις χαρακτηριστικών–παθολογίας που ευθυγραμμίζονται με γνωστές αρχές της κλινικής φυσιολογίας.","abstract_has_math":false,"creators":["Κοντός Σπυρίδων","Kontos Spyridon"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-07-24T01:01:47Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5358071"],"render_values":[{"text":"uoadl:5358071","href":null,"code":true}]}]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5358071","outbound_label":"Repository record","outbound_source":"dc:identifier"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Κοντός Σπυρίδων","Kontos Spyridon"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Επιστήμες Υγείας","Health Sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5358071","https://pergamos.lib.uoa.gr/uoa/dl/object/5358071"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Το Ηλεκτροκαρδιογράφημα (ΗΚΓ) παραμένει το πλέον ευρέως χρησιμοποιούμενο, μη επεμβατικό διαγνωστικό εργαλείο στην καρδιολογία· ωστόσο, η ακριβής ερμηνεία του δυσχεραίνεται από τεχνουργήματα (artifacts) σήματος, θόρυβο και διακύμανση μεταξύ παρατηρητών. Τα αυτοματοποιημένα συστήματα ανάλυσης βασίζονταν ιστορικά σε γραμμικές ή κανoνοβασιζόμενες (rule-based) προσεγγίσεις, οι οποίες αποδίδουν καλά σε σαφώς οριοθετημένες ανωμαλίες, αλλά δυσκολεύονται στην αναγνώριση λεπτών ή πολυπαραγοντικών παθολογιών. Η παρούσα διπλωματική εργασία διερευνά κατά πόσο μη γραμμικά δυναμικά χαρακτηριστικά του ΗΚΓ, σε συνδυασμό με μηχανική μάθηση, μπορούν να βελτιώσουν την αυτοματοποιημένη ανίχνευση καρδιακών παθήσεων. Αναλύθηκε κοόρτη από τη βάση δεδομένων PTB-XL (21.837 καταγραφές από 18.885 ασθενείς) σε έξι διαγνωστικές κατηγορίες—τις πέντε υπερκλάσεις (superclasses) της PTB-XL (Φυσιολογικό, Έμφραγμα Μυοκαρδίου [MI], αλλοιώσεις ST–T, Διαταραχές Αγωγιμότητας, Υπερτροφία) καθώς και μία παράγωγη κατηγορία Αρρυθμίας. Τα σήματα προεπεξεργάστηκαν με φιλτράρισμα και εξομάλυνση, πριν από την εξαγωγή πλήθους μη γραμμικών μεταβλητών, συμπεριλαμβανομένων της εντροπίας, δεικτών κλιμάκωσης φρακταλικής φύσης, εκθετών Lyapunov, μετρικών ποσοτικοποίησης επαναληπτικότητας (recurrence quantification) και μέτρων αποσύνθεσης εμπειρικών τρόπων (empirical mode decomposition). Τα χαρακτηριστικά αξιολογήθηκαν με πολλαπλούς ταξινομητές, με έμφαση στην απόδοση ανά κατηγορία και στην ερμηνευσιμότητα των χαρακτηριστικών σε επίπεδο απαγωγής (lead) και παθολογίας. Για την αντιμετώπιση της ανισορροπίας κλάσεων και τη διασφάλιση αξιόπιστης αξιολόγησης, εφαρμόστηκε διαχωρισμός δεδομένων σε επίπεδο ασθενούς (patient-wise split), σε συνδυασμό με διαστρωματωμένη κατά ασθενή K-fold διασταυρούμενη επικύρωση, επαναδειγματοληψία SMOTE και βελτιστοποίηση κατωφλίου απόφασης βάσει του δείκτη Youden (J). Τα μοντέλα με την καλύτερη απόδοση παρουσίασαν ισχυρή διακριτική ικανότητα (AUC ≈ 0,856–0,919) και ανέδειξαν σχέσεις χαρακτηριστικών–παθολογίας που ευθυγραμμίζονται με γνωστές αρχές της κλινικής φυσιολογίας.","Electrocardiography (ECG) remains the most widely used non-invasive diagnostic tool in cardiology, yet accurate interpretation is challenged by signal artifacts, noise, and interobserver variability. Automated analysis systems have historically relied on linear or rule-based approaches, which perform well on well-defined abnormalities but struggle with subtle or multifactorial pathologies. This thesis investigates whether nonlinear dynamical features of the ECG, when combined with machine learning, can improve automated detection of cardiac conditions. A cohort from the PTB-XL database (21,837 recordings from 18,885 patients) was analyzed across six diagnostic categories—the five PTB-XL superclasses (Normal, MI, ST-T changes, Conduction Disturbance, Hypertrophy) plus a derived Arrhythmia category. Signals were preprocessed with bandpass filtering and smoothing, before extracting a number of nonlinear descriptors, including entropy, fractal scaling indices, Lyapunov exponents, recurrence quantification, and empirical mode decomposition metrics. These features were evaluated with multiple classifiers, with emphasis on per-class performance and feature interpretability at the lead and pathology level. To address class imbalance and ensure robust evaluation, a patient-wise data split was applied, combined with K-fold patient-wise cross-validation, SMOTE resampling, and decision-threshold optimization based on Youden’s J. The best-performing models achieved strong discriminative ability (AUC ≈ 0.856–0.919) and highlighted feature–pathology relationships that align with known clinical physiology."]},{"key":"dc:title","label":"Title","values":["Electrocardiogram-based detection of heart pathologies using nonlinear methods and machine learning"]}]}],"canonical_facts":{"dc:creator":["Κοντός Σπυρίδων","Kontos Spyridon"],"dc:date":["2026"],"dc:description":["Το Ηλεκτροκαρδιογράφημα (ΗΚΓ) παραμένει το πλέον ευρέως χρησιμοποιούμενο, μη επεμβατικό διαγνωστικό εργαλείο στην καρδιολογία· ωστόσο, η ακριβής ερμηνεία του δυσχεραίνεται από τεχνουργήματα (artifacts) σήματος, θόρυβο και διακύμανση μεταξύ παρατηρητών. Τα αυτοματοποιημένα συστήματα ανάλυσης βασίζονταν ιστορικά σε γραμμικές ή κανoνοβασιζόμενες (rule-based) προσεγγίσεις, οι οποίες αποδίδουν καλά σε σαφώς οριοθετημένες ανωμαλίες, αλλά δυσκολεύονται στην αναγνώριση λεπτών ή πολυπαραγοντικών παθολογιών. Η παρούσα διπλωματική εργασία διερευνά κατά πόσο μη γραμμικά δυναμικά χαρακτηριστικά του ΗΚΓ, σε συνδυασμό με μηχανική μάθηση, μπορούν να βελτιώσουν την αυτοματοποιημένη ανίχνευση καρδιακών παθήσεων. Αναλύθηκε κοόρτη από τη βάση δεδομένων PTB-XL (21.837 καταγραφές από 18.885 ασθενείς) σε έξι διαγνωστικές κατηγορίες—τις πέντε υπερκλάσεις (superclasses) της PTB-XL (Φυσιολογικό, Έμφραγμα Μυοκαρδίου [MI], αλλοιώσεις ST–T, Διαταραχές Αγωγιμότητας, Υπερτροφία) καθώς και μία παράγωγη κατηγορία Αρρυθμίας. Τα σήματα προεπεξεργάστηκαν με φιλτράρισμα και εξομάλυνση, πριν από την εξαγωγή πλήθους μη γραμμικών μεταβλητών, συμπεριλαμβανομένων της εντροπίας, δεικτών κλιμάκωσης φρακταλικής φύσης, εκθετών Lyapunov, μετρικών ποσοτικοποίησης επαναληπτικότητας (recurrence quantification) και μέτρων αποσύνθεσης εμπειρικών τρόπων (empirical mode decomposition). Τα χαρακτηριστικά αξιολογήθηκαν με πολλαπλούς ταξινομητές, με έμφαση στην απόδοση ανά κατηγορία και στην ερμηνευσιμότητα των χαρακτηριστικών σε επίπεδο απαγωγής (lead) και παθολογίας. Για την αντιμετώπιση της ανισορροπίας κλάσεων και τη διασφάλιση αξιόπιστης αξιολόγησης, εφαρμόστηκε διαχωρισμός δεδομένων σε επίπεδο ασθενούς (patient-wise split), σε συνδυασμό με διαστρωματωμένη κατά ασθενή K-fold διασταυρούμενη επικύρωση, επαναδειγματοληψία SMOTE και βελτιστοποίηση κατωφλίου απόφασης βάσει του δείκτη Youden (J). Τα μοντέλα με την καλύτερη απόδοση παρουσίασαν ισχυρή διακριτική ικανότητα (AUC ≈ 0,856–0,919) και ανέδειξαν σχέσεις χαρακτηριστικών–παθολογίας που ευθυγραμμίζονται με γνωστές αρχές της κλινικής φυσιολογίας.","Electrocardiography (ECG) remains the most widely used non-invasive diagnostic tool in cardiology, yet accurate interpretation is challenged by signal artifacts, noise, and interobserver variability. Automated analysis systems have historically relied on linear or rule-based approaches, which perform well on well-defined abnormalities but struggle with subtle or multifactorial pathologies. This thesis investigates whether nonlinear dynamical features of the ECG, when combined with machine learning, can improve automated detection of cardiac conditions. A cohort from the PTB-XL database (21,837 recordings from 18,885 patients) was analyzed across six diagnostic categories—the five PTB-XL superclasses (Normal, MI, ST-T changes, Conduction Disturbance, Hypertrophy) plus a derived Arrhythmia category. Signals were preprocessed with bandpass filtering and smoothing, before extracting a number of nonlinear descriptors, including entropy, fractal scaling indices, Lyapunov exponents, recurrence quantification, and empirical mode decomposition metrics. These features were evaluated with multiple classifiers, with emphasis on per-class performance and feature interpretability at the lead and pathology level. To address class imbalance and ensure robust evaluation, a patient-wise data split was applied, combined with K-fold patient-wise cross-validation, SMOTE resampling, and decision-threshold optimization based on Youden’s J. The best-performing models achieved strong discriminative ability (AUC ≈ 0.856–0.919) and highlighted feature–pathology relationships that align with known clinical physiology."],"dc:identifier":["uoadl:5358071","https://pergamos.lib.uoa.gr/uoa/dl/object/5358071"],"dc:language":["English"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Electrocardiogram-based detection of heart pathologies using nonlinear methods and machine learning"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-07-24T01:01:47Z"}