Bu öğeden alıntı yapmak, öğeye bağlanmak için bu tanımlayıcıyı kullanınız:
http://elartu.tntu.edu.ua/handle/lib/23628Tüm üstveri kaydı
| Dublin Core Alanı | Değer | Dil |
|---|---|---|
| dc.contributor.advisor | Петрик, Михайло Романович | - |
| dc.contributor.author | Кіфер, Віктор Михайлович | - |
| dc.date.accessioned | 2018-02-18T10:08:53Z | - |
| dc.date.available | 2018-02-18T10:08:53Z | - |
| dc.date.issued | 2018-02-20 | - |
| dc.date.submitted | 2018-02-09 | - |
| dc.identifier.citation | Кіфер В.М. Автоматичне виявлення аритмії серця на електрокардіограмах з допомогою методів машинного навчання [Рукопис]: комплексна дипломна робота на здобуття кваліфікації магістра за спеціальністю 121 / Віктор Михайлович Кіфер; ТНТУ. — Тернопіль, 2018. — 110 с. | uk_UA |
| dc.identifier.uri | http://elartu.tntu.edu.ua/handle/lib/23628 | - |
| dc.description | The project is dedicated to the development of the model for automated detection of heart arrhythmias on electrocardiograms using machine learning. The object of the study is the use of machine learning techniques to detect cardiac arrhythmias on ECG recordings. Subject of research: ECG signal processing methods and machine learning tools designed to provide automated classification of electrocardiograms. Purpose: to create a model for the automated detection of cardia arrhythmias using machine learning. The system is developed using the Python programming language and NumPy, SciPy, Scikit-Learn, Theano libraries. The system allows automatic analysis of short electrocardiogram recordings with on lead for the presence of cardiac arrhythmias. The model is capable of detecting the noise and supressing it. | uk_UA |
| dc.description.abstract | Магістерська робота присвячена розробці моделі для автоматичного виявлення аритмії серця на записах електрокардіограм засобами машинного навчання. Об’єктом дослідження є використання методів машинного навчання для виявлення аритмій серця на записах ЕКГ. Предмет дослідження: методи обробки сигналів ЕКГ та засоби машинного навчання, призначені для забезпечення автоматичної класифікації електрокардіограм Мета роботи: створення моделі для автоматичного виявлення аритмії серця засобами машинного навчання. Система розроблена з допомогою мови програмування Python та з застосуванням бібліотек NumPy, SciPy, Scikit-Learn, Theano. Система дозволяє проводити автоматичний аналіз коротких записів електрокардіограм з одним відведенням на предмет наявності аритмії серця. Система здатна виявляти сигналу шуми та здійснювати їх подавлення. | uk_UA |
| dc.description.tableofcontents | Перелік умовних позначень, символів, одиниць, скорочень і термінів 8 Вступ 10 1 Аналіз предметної області 12 1.1 Огляд літературних джерел 12 1.2 Електрична активність серця 15 1.3 Обґрунтування необхідності покращення існуючих рішень 19 1.4 Висновки до першого розділу 21 2 Методи вирішення задачі класифікації ЕКГ 22 2.1 Вимоги до системи 22 2.2 Опис методів проектування системи 23 2.3 Опис методології розробки проекту 25 2.4 Методи обробки та аналізу ЕКГ 26 2.5 Висновки до другого розділу 40 3 Розробка та тестування системи 41 3.1 Вибір засобів реалізації 41 3.2 Стандарти стилю коду 46 3.3 Реалізація проекту 48 3.4 Тестування проекту 64 3.5 Підготовка заявки на змагання 67 3.6 Результати 69 4 Обґрунтування економічної ефективності 72 4.1 Планування стадій та етапів проектування програмного забезпечення 72 4.2 Розрахунок витрат на реалізацію проекту та оцінка економічної ефективності 77 4.3 Розрахунок суми амортизаційних відрахувань 82 4.4 Визначення витрат на супровід і модернізацію програмного продукту та уточнений аналіз ефективності вкладених інвестицій 85 5 Охорона праці та безпека в надзвичайних ситуаціях 89 5.1 Охорони праці 89 5.2 Безпека в надзвичайних ситуаціях 93 6 Екологія 103 6.1Актуальність охорони довкілля 103 6.2 Забруднення довкілля, що виникають в результаті роботи комп’ютерів 104 6.3 Заходи зі зменшення забруднення та впливу на здоров’я людини 106 6.4 Висновки до шостого розділу 106 Висновки 107 Перелік використаних джерел 108 | uk_UA |
| dc.language.iso | uk | uk_UA |
| dc.publisher | ТНТУ | uk_UA |
| dc.subject | ЕЛЕКТРОКАРДІОГРАФІЯ | uk_UA |
| dc.subject | АРИТМІЯ СЕРЦЯ | uk_UA |
| dc.subject | МАШИННЕ НАВЧАННЯ | uk_UA |
| dc.subject | НЕЙРОННІ МЕРЕЖІ | uk_UA |
| dc.subject | ДЕРЕВА ПРИЙНЯТТЯ РІШЕНЬ | uk_UA |
| dc.subject | PHYSIONET | uk_UA |
| dc.subject | ELECTROCARDIOGRAM | uk_UA |
| dc.subject | HEART ARRYTHMIA | uk_UA |
| dc.title | Автоматичне виявлення аритмії серця на електрокардіограмах з допомогою методів машинного навчання | uk_UA |
| dc.title.alternative | Automated detection of heart arrhythmias on electrocardiograms using machine learing | uk_UA |
| dc.type | Thesis Abstract | uk_UA |
| dc.rights.holder | © Кіфер В.М., 2018 | uk_UA |
| dc.coverage.placename | Тернопіль | uk_UA |
| dc.relation.references | 1. T. Mitchell. Machine Learning . – New York: McGraw-Hill, 1997. 2. J. B. MacQueen. Some Methods for classification and Analysis of Multivariate Observations. – Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability, pp. 281-297, 1967. 3. L. Kaufman та P. Rousseeuw. Finding groups in data: An introduction to cluster analysis. – New York: Wiley, 1990. 4. W. Wang, J. Yang та R. Muntz. STING: A Statistical Information Grid Approach to Spatial Data Mining. – Proceedings of 23rd International Conference on Very Large Data Bases, Athens, 1997. 5. G. Sheikholeslami, S. Chatterjee та A. Zhang. WaveCluster: a wavelet-based clustering approach for spatial data in very large databases. – The International Journal on Very Large Data Bases, т. 8, pp. 289-304, 2000. 6. B. Scholkopf, C. Burges та A. Smola. Advances in Kernel Methods - SV Learning. – MIT Press, Cambridge, 1999. 7. T. B. A. Sejnowski. An information-maximization approach to blind separation and blind deconvolution. – Neural Comput, т. 7, № 6, pp. 1129-1159, 2005. 8. L. Saul та S. Roweis. Nonlinear dimensionality reduction by locally linear embedding. – Science, т. 290, p. 2000, 2000. 9. A. Petrenas, V. Marozas, A. Sörnmom та A. Lukosevicius. An echo state neural network for QRST cancellation during atrial fibrillation. – IEEE Trans Biomed Eng, т. 59, № 10, pp. 2950-2957, 2012. 10. S. Ladavich та B. Ghoraani. Rate-independent detection of atrial fibrillation by statistical modeling of atrial activity. – Biomed Signal Process Control, т. 18, № 4, pp. 274-281, 2015. 11. X. Du, N. Rao, M. Qian, D. Liu, J. Li, W. Feng, L. Yin та X. Chen. A novel method for real-time atrial fibrillation detection in electrocardiograms using multiple parameters. – Ann Noninvasive Electrocardiology, т. 19, № 3, pp. 217-225, 2014. 12. M. Garcia, J. Rodenas, R. Alcaraz та J. Rietta. Application of the relative wavelet energy to heart rate independent detection of atrial fibrillation. – Computer Methods and Programs in Biomedicine, т. 131, № 7, pp. 157-168, 2016. 13. J. Park, S. Lee та M. Jeon. Atrial fibrillation detection by heart rate variability in Poincare plot. – Biomedical Engineering Online, т. 8, p. 38, 2009. 14. S. Sarkar, D. Ritscher та R. Mehra. A detector for a chronic implantable atrial tachyarrhythmia monitor. – IEEE Transactions on Biomedical Engineering, т. 55, № 3, pp. 1219-1224, 2008. 15. K. Tateno та L. Glass. Automatic detection of atrial fibrillation using the coefficient of variation and density histograms of RR and deltaRR intervals. – Med Biol Eng Comput, т. 39, № 6, pp. 664-671, 2001. 16. D. Linker. Accurate, Automated Detection of Atrial Fibrillation in Ambulatory Recordings. – Cardiovasc Eng Technol, т. 7, № 2, pp. 182-189, 06 2016. 17. A. Petrenas, V. Marozas та L. Sörnmo. Low-complexity detection of atrial fibrillation in continuous long-term monitoring. – Comput Biol Med, т. 65, № 10, pp. 184-191, 2015. 18. S. Babaeizadeh, R. Gregg, E. Helfenbein, J. Lindauer та S. Zhou. Improvements in atrial fibrillation detection for real-time monitoring. – J Electrocardiol, т. 42, № 6, pp. 522-526, 2009. 19. A. Petrenas, L. Sörnmo, A. Lukoševicius та V. Marozas. Detection of occult paroxysmal atrial fibrillation. – Med Biol Eng Comput, т. 53, № 4, pp. 287-297, 2015. 20. R. Colloca, A. Johnson, L. Mainardi та G. Clifford. A support vector machine approach for reliable detection of atrial fibrillation events. – Computing in Cardiology, pp. 1047-1050, 2013. 21. Q. Li, C. Liu, J. Oster та G. Clifford. Signal processing and feature selection preprocessing for classification in noisy healthcare data. – Machine Learning for Healthcare Technologies, pp. 33-58, 2016. 22. Z. Wang, W. Yan та T. Oates. Time Series Classification from Scratch with Deep Neural Networks: A Strong Baseline. – arXiv preprint arXiv:1611.06455, 2016. 23. Закон України “Про авторське право і суміжні права” від 23.12.1993 № 3792-12. [Електронний ресурс]. Режим доступу: http://zakon2.rada.gov.ua /laws/show/3792-12. [Дата звернення: 21.11.2017]. 24. Закон України “Про оподаткування прибутку підприємств” від 28.12.1994 №334/94-ВР. [Електронний ресурс]. Режим доступу: http://zakon2.rada.gov.ua/laws/show/334/94-вр. [Дата звернення: 22.11.2017]. 25. Закон України “Про внесення змін до Податкового кодексу України та деяких законодавчих актів України щодо забезпечення збалансованості бюджетних надходжень у 2016 році” від 24.12.2015 № 909-VІІІ. [Електронний ресурс]. Режим доступу: http://zakon2.rada.gov.ua /laws/show/909-19. [Дата звернення: 22.11.2017]. 26. Закон України “Про внесення змін до Податкового кодексу України та деяких законодавчих актів України щодо податкової реформи” від 28.12.2014 №71-VIII. [Електронний ресурс]. Режим доступу: http://zakon3.rada.gov.ua/laws/show/71-19. [Дата звернення: 22.11.2017]. 27. Гандзюк М. П. Основи охорони праці: підручник. - 4-те вид. / М. П. Гандзюк, Є. П. Желібо, М. О. Халімовський; за ред. М. П. Гандзюка. - К. : Каравела, 2008. 28. Жидецький В.Ц. Основи охорони праці. Підручник. – Львів: Афіша, 2004. 29. Методичні вказівки до виконання магістерської роботи освітнього рівня “магістр” студентами усіх форм навчання для напряму підготовки 121 – “Інженерія програмного забезпечення” / Укладачі: Петрик М.Р., Михалик Д.М., Кінах Я.І., Гладьо С.В., Цуприк Г.Б. – Тернопіль: Вид-во ТНТУ імені Івана Пулюя, 2016 – 27 с. | uk_UA |
| dc.relation.referencesen | 1. T. Mitchell. Machine Learning . – New York: McGraw-Hill, 1997. 2. J. B. MacQueen. Some Methods for classification and Analysis of Multivariate Observations. – Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability, pp. 281-297, 1967. 3. L. Kaufman та P. Rousseeuw. Finding groups in data: An introduction to cluster analysis. – New York: Wiley, 1990. 4. W. Wang, J. Yang та R. Muntz. STING: A Statistical Information Grid Approach to Spatial Data Mining. – Proceedings of 23rd International Conference on Very Large Data Bases, Athens, 1997. 5. G. Sheikholeslami, S. Chatterjee та A. Zhang. WaveCluster: a wavelet-based clustering approach for spatial data in very large databases. – The International Journal on Very Large Data Bases, т. 8, pp. 289-304, 2000. 6. B. Scholkopf, C. Burges та A. Smola. Advances in Kernel Methods - SV Learning. – MIT Press, Cambridge, 1999. 7. T. B. A. Sejnowski. An information-maximization approach to blind separation and blind deconvolution. – Neural Comput, т. 7, № 6, pp. 1129-1159, 2005. 8. L. Saul та S. Roweis. Nonlinear dimensionality reduction by locally linear embedding. – Science, т. 290, p. 2000, 2000. 9. A. Petrenas, V. Marozas, A. Sörnmom та A. Lukosevicius. An echo state neural network for QRST cancellation during atrial fibrillation. – IEEE Trans Biomed Eng, т. 59, № 10, pp. 2950-2957, 2012. 10. S. Ladavich та B. Ghoraani. Rate-independent detection of atrial fibrillation by statistical modeling of atrial activity. – Biomed Signal Process Control, т. 18, № 4, pp. 274-281, 2015. 11. X. Du, N. Rao, M. Qian, D. Liu, J. Li, W. Feng, L. Yin та X. Chen. A novel method for real-time atrial fibrillation detection in electrocardiograms using multiple parameters. – Ann Noninvasive Electrocardiology, т. 19, № 3, pp. 217-225, 2014. 12. M. Garcia, J. Rodenas, R. Alcaraz та J. Rietta. Application of the relative wavelet energy to heart rate independent detection of atrial fibrillation. – Computer Methods and Programs in Biomedicine, т. 131, № 7, pp. 157-168, 2016. 13. J. Park, S. Lee та M. Jeon. Atrial fibrillation detection by heart rate variability in Poincare plot. – Biomedical Engineering Online, т. 8, p. 38, 2009. 14. S. Sarkar, D. Ritscher та R. Mehra. A detector for a chronic implantable atrial tachyarrhythmia monitor. – IEEE Transactions on Biomedical Engineering, т. 55, № 3, pp. 1219-1224, 2008. 15. K. Tateno та L. Glass. Automatic detection of atrial fibrillation using the coefficient of variation and density histograms of RR and deltaRR intervals. – Med Biol Eng Comput, т. 39, № 6, pp. 664-671, 2001. 16. D. Linker. Accurate, Automated Detection of Atrial Fibrillation in Ambulatory Recordings. – Cardiovasc Eng Technol, т. 7, № 2, pp. 182-189, 06 2016. 17. A. Petrenas, V. Marozas та L. Sörnmo. Low-complexity detection of atrial fibrillation in continuous long-term monitoring. – Comput Biol Med, т. 65, № 10, pp. 184-191, 2015. 18. S. Babaeizadeh, R. Gregg, E. Helfenbein, J. Lindauer та S. Zhou. Improvements in atrial fibrillation detection for real-time monitoring. – J Electrocardiol, т. 42, № 6, pp. 522-526, 2009. 19. A. Petrenas, L. Sörnmo, A. Lukoševicius та V. Marozas. Detection of occult paroxysmal atrial fibrillation. – Med Biol Eng Comput, т. 53, № 4, pp. 287-297, 2015. 20. R. Colloca, A. Johnson, L. Mainardi та G. Clifford. A support vector machine approach for reliable detection of atrial fibrillation events. – Computing in Cardiology, pp. 1047-1050, 2013. 21. Q. Li, C. Liu, J. Oster та G. Clifford. Signal processing and feature selection preprocessing for classification in noisy healthcare data. – Machine Learning for Healthcare Technologies, pp. 33-58, 2016. 22. Z. Wang, W. Yan та T. Oates. Time Series Classification from Scratch with Deep Neural Networks: A Strong Baseline. – arXiv preprint arXiv:1611.06455, 2016. 23. Закон України “Про авторське право і суміжні права” від 23.12.1993 № 3792-12. [Електронний ресурс]. Режим доступу: http://zakon2.rada.gov.ua /laws/show/3792-12. [Дата звернення: 21.11.2017]. 24. Закон України “Про оподаткування прибутку підприємств” від 28.12.1994 №334/94-ВР. [Електронний ресурс]. Режим доступу: http://zakon2.rada.gov.ua/laws/show/334/94-вр. [Дата звернення: 22.11.2017]. 25. Закон України “Про внесення змін до Податкового кодексу України та деяких законодавчих актів України щодо забезпечення збалансованості бюджетних надходжень у 2016 році” від 24.12.2015 № 909-VІІІ. [Електронний ресурс]. Режим доступу: http://zakon2.rada.gov.ua /laws/show/909-19. [Дата звернення: 22.11.2017]. 26. Закон України “Про внесення змін до Податкового кодексу України та деяких законодавчих актів України щодо податкової реформи” від 28.12.2014 №71-VIII. [Електронний ресурс]. Режим доступу: http://zakon3.rada.gov.ua/laws/show/71-19. [Дата звернення: 22.11.2017]. 27. Гандзюк М. П. Основи охорони праці: підручник. - 4-те вид. / М. П. Гандзюк, Є. П. Желібо, М. О. Халімовський; за ред. М. П. Гандзюка. - К. : Каравела, 2008. 28. Жидецький В.Ц. Основи охорони праці. Підручник. – Львів: Афіша, 2004. 29. Методичні вказівки до виконання магістерської роботи освітнього рівня “магістр” студентами усіх форм навчання для напряму підготовки 121 – “Інженерія програмного забезпечення” / Укладачі: Петрик М.Р., Михалик Д.М., Кінах Я.І., Гладьо С.В., Цуприк Г.Б. – Тернопіль: Вид-во ТНТУ імені Івана Пулюя, 2016 – 27 с. | uk_UA |
| dc.coverage.country | UA | uk_UA |
| Koleksiyonlarda Görünür: | 121 — інженерія програмного забезпечення | |
Bu öğenin dosyaları:
| Dosya | Açıklama | Boyut | Biçim | |
|---|---|---|---|---|
| Автореферат.pdf | 125,44 kB | Adobe PDF | Göster/Aç |
DSpace'deki bütün öğeler, aksi belirtilmedikçe, tüm hakları saklı tutulmak şartıyla telif hakkı ile korunmaktadır.
Yönetim Araçları