Erkennung fundamentaler Strukturen eines EKG Signals mit einem TensorFlow-basierten rekurrenten neuronalen Netzwerk

DSpace Repository


Dateien:

URI: http://hdl.handle.net/10900/139437
http://nbn-resolving.de/urn:nbn:de:bsz:21-dspace-1394372
http://dx.doi.org/10.15496/publikation-80784
Dokumentart: PhDThesis
Date: 2023-04-21
Language: German
Faculty: 4 Medizinische Fakultät
Department: Medizin
Advisor: Gawaz, Meinrad (Prof. Dr.)
Day of Oral Examination: 2023-03-06
DDC Classifikation: 004 - Data processing and computer science
610 - Medicine and health
Keywords: Elektrokardiogramm , Rekursives neuronales Netz , TensorFlow , Maschinelles Lernen , Künstliche Intelligenz , Überwachtes Lernen
License: http://tobias-lib.uni-tuebingen.de/doku/lic_mit_pod.php?la=de http://tobias-lib.uni-tuebingen.de/doku/lic_mit_pod.php?la=en
Order a printed copy: Print-on-Demand
Show full item record

Inhaltszusammenfassung:

Die hier vorliegende Arbeit hatte das Ziel, zu untersuchen, ob es möglich ist ein rekurrentes neuronales Netzwerk (RNN) zu entwickeln, welches in der Lage ist die Wellenspitzen der P- und T-Wellen und die Mitte der QRS-Komplexe in einem ihm vorgelegten EKG zu markieren. Die Leistung dieses Netzwerkes sollte anschließend mit Vertretern sowohl klassischer Methoden der EKG-Analyse, als auch ähnlichen Ansätzen mit artifiziellen neuronalen Netzwerk (ANN)-Komponenten, verglichen werden. Als Datensatz zum Trainieren und Evaluieren des Netzwerkes wurden 96 EKGs der QT-Datenbank eingesetzt. Das ANN wurde mit Hilfe der TensorFlow Softwarebibliothek in Python implementiert. Als RNN-Neuronentypen wurden sowohl Long short-term Memory (LSTM) als auch Gated recurrent Units (GRUs) untersucht. Zur Analyse der Netzwerkleistung wurden Metriken in Form der Sensitivität, Spezifität, Präzision, Korrektklassifikationsrate und dem F1-Wert berechnet. Im Rahmen einer ausführlichen Hyperparameterstudie wurden zunächst die optimalen Einstellungen der jeweiligen Parameter untersucht. Die jeweils relativ am besten abschneidende Parametereinstellung wurde dann anschließend als Einstellung eines "optimalen“ Netzwerkes verwendet. Die Ergebnisse aus diesen Testläufen wurden anschließend sowohl mit den Leistungen klassischer Methoden (ohne ANN-Einsatz) als auch zweier anderer Arbeiten, die ANN für ähnliche Zwecke zum Einsatz bringen, verglichen. Zusammenfassend kann festgehalten werden, dass das in dieser Arbeit entwickelte Netzwerk in der Lage ist, sich mit ähnlichen ANN in der Literatur zu messen, diese aber allesamt in ihrer Leistungsfähigkeit von konventionellen Methoden aktuell noch überschattet werden. Die generelle Einsatzfähigkeit von RNNs für diesen Aufgaben-/Biosignaltyp ist jedoch zweifellos gegeben. Verbesserungen, sowohl in Form einer veränderten Netzwerkstruktur als auch eines, noch zu schaffenden, vergrößerten Trainingsdatensatzes, könnten jedoch vielversprechende Leistungssteigerungen ermöglichen und für zukünftige medizinische Forschung einen wichtigen Beitrag leisten.

This item appears in the following Collection(s)