Полное описание

Щетинин, Евгений Юрьевич. Обнаружение аномалий в электрокардиограммах методами глубокого обучения без учителя / Е. Ю. Щетинин. - DOI 10.37791/2687-0649-2022-17-6-81-93. - Текст : непосредственный // Приклад. информатика = Journal of Applied Informatics : научно-практический журнал. - 2022. - Том 17, N 6. - С. 81-93. - Библиогр. в конце ст. - ISSN 1993-8314.

ГРНТИ	УДК
28.23	004.8
28.23.25	004.85

Рубрики:
Искусственный интеллект
Глубокое обучение
Электрокардиограмма

Кл.слова (ненормированные): аномалии -- электрокардиограмма -- глубокое обучение без учителя -- автокодировщики
Аннотация: Обнаружение аномалий является важной задачей в различных областях производства и технологий, таких как структурные изменения, вредоносные вторжения в системы управления и контроля, финансовый надзор и управление рисками, цифровой скрининг состояния здоровья и др. Все более возрастающие потоки разнообразных данных и их структурная сложность требуют разработки передовых подходов к их решению. В настоящее время методы глубокого обучения достигли значительных успехов в обнаружении аномалий. Популярными стали методы глубокого обучения на основе различных моделей автоэнкодеров. В работе исследованы методы обнаружения аномалий методами глубокого обучения без учителя на примере набора электрокардиограмм (ЭКГ), содержащих нормальные ЭКГ- сигналы и ЭКГ-сигналы людей с различными сердечно-сосудистыми заболеваниями (аномалиями). Для обнаружения аномальных электрокардиограмм разработана модель автоэнкодера в виде глубокой нейронной сети с несколькими полностью связными слоями. Также для решения поставленной задачи предложен метод подбора порога отделения аномальных ЭКГ-сигналов от нормальных, состоящий в оптимизации соотношения показателей производительности модели автоэнкодера. В работе проведен сравнительный анализ эффективности применения к решению задачи обнаружения аномальных ЭКГ-сигналов различных моделей машинного обучения, таких как одноклассовый метод опорных векторов, изолирующий лес, случайный лес и представленная модель автоэнкодера. Для этого были использованы метрики точности: точность (accuracy), чувствительность (recall), полнота (precision) и f1-score. Результаты анализа показали, что модель автоэнкодера превзошла остальные модели с показателями точности accuracy = 98,8%, precision = 95,75%, recall = 99,12%, f1-score = 98,75%.

Нет сведений об экземплярах
Держатели документа:
Государственная публичная научно-техническая библиотека России : 123298, г. Москва, ул. 3-я Хорошевская, д. 17 (Шифр в БД-источнике (KATBW): -123048-281521)

Шифр в сводном ЭК: 776c0a40efb0ee5b4de67e436d137b43

Заказать
Заказ фрагмента документа ₽