Machine learning algorhtims for heart rhythm classification

Kalbin elektriksel aktivitesi bir elektrokardiyogram sinyali ile kaydedilir. üzerindeki elektrotlar cilt, kalbin depolarizasyonu ve repolarizasyonunun neden olduğu küçük voltaj değişikliklerini tespit eder kas. İki elektrot arasındaki elektrik potansiyeli ölçülebilir. Bir EKG lead'i, bir çift birbirine bağlanan elektrotlardır. Her kurşun, bir kalbin elektriksel sistemine benzersiz bir bakış açısı sunar. aktivite. EEG sinyalleri, çeşitli nörolojik hastalıkları keşfetme konusunda önemli bir potansiyele sahiptir. erken bir aşamada. MRI'dan neden üstün olduğunu kanıtladık. Uygun fiyatlı ve verimli olması, MRI ile karşılaştırıldığında daha düşük bir bütçeyle bile çeşitli araştırmalar için kullanılabilir. Birçok Farklı sınıflandırmaları sınıflandırmak için EEG kayıtları üzerinde Derin Öğrenme algoritmaları uygulanmıştır. nörolojik hastalıklar ve beyin arayüz uygulamaları. Bu araştırmamızda kapsamlı bir EEG verileri üzerinde çeşitli sinir ağlarının uygulanması ve bunların nasıl kullanılacağı hakkında literatür taraması sinir ağları, Nöbet, AD dahil olmak üzere çok sayıda nörolojik hastalığı kategorize edebildi ve Depresyon. Ön işleme aşaması, modelin performansını önemli ölçüde etkiler. Bu çalışmada, EKG veri kümeleri üzerinde farklı makine öğrenmesi algoritma modelleri eğitiyor ve karşılaştırıyoruz. birbirleriyle performansları. En azından deneyimizde her ikisinin de el yapımı olduğunu gördük. öznitelikler ve öznitelik çıkarıcıların her birinin hem olumlu hem de kötü özellikleri vardır.