Electrocardiogram-based detection of heart pathologies using nonlinear methods and machine learning

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.

Authors dc:creator

• Κοντός Σπυρίδων
• Kontos Spyridon

• Επιστήμες Υγείας
• Health Sciences

Language dc:language

English

Identifier

uoadl:5358071

OAI identifier oai:identifier

oai:lib.uoa.gr:uoadl:5358071