Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Decision support system for arrhythmia prediction using convolutional neural network structure without preprocessing

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F62690094%3A18450%2F19%3A50015698" target="_blank" >RIV/62690094:18450/19:50015698 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://link.springer.com/article/10.1007/s10489-019-01461-0" target="_blank" >https://link.springer.com/article/10.1007/s10489-019-01461-0</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1007/s10489-019-01461-0" target="_blank" >10.1007/s10489-019-01461-0</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Decision support system for arrhythmia prediction using convolutional neural network structure without preprocessing

  • Popis výsledku v původním jazyce

    Arrhythmia is a disease-influencing heart and is manifested by an irregular heartbeat. Atrial fibrillation (A(fib)), atrial flutter (A(fl)), and ventricular fibrillation (V-fib) are heart arrhythmias affecting predominantly senior citizens. An electrocardiogram (ECG) is a device serving to measure the ECG signal and diagnosis of an abnormal pattern which represents a heartbeat defects. Though it is possible to analyze these signals manually, in some cases it is a difficult task due to the often signal distortion by noise. Furthermore, manual analyzation of patterns is subjective and can lead to an inaccurate diagnosis. An automated computer-aided diagnosis (CAD) is a technique to eliminate these shortcomings. In this work, we present an 6-layer deep convolutional neural network (CNN) for automatic ECG pattern classification of the normal (N-r), A(fib), A(fl), and V-fib classes. This proposed CNN model requires simple feature extraction and no pre-processing of ECG signals. For two seconds ECG segments, the model obtained the accuracy of 97.78%, specificity and sensitivity of 98.82% and 99.76% respectively. This proposed system can be used as an assistant automatic tool in a clinical environment as a decision support system.

  • Název v anglickém jazyce

    Decision support system for arrhythmia prediction using convolutional neural network structure without preprocessing

  • Popis výsledku anglicky

    Arrhythmia is a disease-influencing heart and is manifested by an irregular heartbeat. Atrial fibrillation (A(fib)), atrial flutter (A(fl)), and ventricular fibrillation (V-fib) are heart arrhythmias affecting predominantly senior citizens. An electrocardiogram (ECG) is a device serving to measure the ECG signal and diagnosis of an abnormal pattern which represents a heartbeat defects. Though it is possible to analyze these signals manually, in some cases it is a difficult task due to the often signal distortion by noise. Furthermore, manual analyzation of patterns is subjective and can lead to an inaccurate diagnosis. An automated computer-aided diagnosis (CAD) is a technique to eliminate these shortcomings. In this work, we present an 6-layer deep convolutional neural network (CNN) for automatic ECG pattern classification of the normal (N-r), A(fib), A(fl), and V-fib classes. This proposed CNN model requires simple feature extraction and no pre-processing of ECG signals. For two seconds ECG segments, the model obtained the accuracy of 97.78%, specificity and sensitivity of 98.82% and 99.76% respectively. This proposed system can be used as an assistant automatic tool in a clinical environment as a decision support system.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2019

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    Applied Intelligence

  • ISSN

    0924-669X

  • e-ISSN

  • Svazek periodika

    49

  • Číslo periodika v rámci svazku

    9

  • Stát vydavatele periodika

    NL - Nizozemsko

  • Počet stran výsledku

    9

  • Strana od-do

    3383-3391

  • Kód UT WoS článku

    000482434300014

  • EID výsledku v databázi Scopus

    2-s2.0-85065165094