Návrh algoritmu pro detekci R-vrcholů založeného na umělé inteligenci

Abstract

Tato bakalářská práce se věnuje problematice automatické detekce R-vrcholů v elektrokardiografických (EKG) signálech s využitím metod umělé inteligence. Hlavním předmětem je návrh, trénink a testování čtyř architektur neuronových sítí v prostředí MATLAB. Tato skupina zahrnuje základní a hlubokou konvoluční síť (CNN), rekurentní síť (BiLSTM) a jejich hybridní kombinaci. Pro trénink byla využita databáze MIT-BIH NSRDB, přičemž data byla upravena do podoby tříkanálového vstupu pro zvýšení robustnosti detekce. Navržené modely byly testovány na nezávislém anotovaném datasetu a následně porovnány s konvenčními detektory. Výsledky ukázaly, že všechny navržené modely dosahují vysoké úspěšnosti s hodnotou F1-skóre přesahující 0,999, čímž překonávají vybrané konvenční metody. Obzvlášť efektivní byla základní 1D CNN, která se ukázala být ideální volbou pro tento typ úkolu. Součástí práce je rovněž vývoj softwarové aplikace, která umožňuje vizualizaci EKG signálů a praktické využití vytvořených modelů. Práce potvrzuje, že hluboké učení představuje vysoce efektivní nástroj pro robustní detekci R-vrcholů.

This bachelor thesis focuses on the issue of automatic R-peak detection in electrocardiogram (ECG) signals using artificial intelligence methods. The main objective is the design, training, and testing of four neural network architectures within the MATLAB environment. This group includes a base and a deep convolutional neural network (CNN), a bidirectional long short-term memory (BiLSTM) network, and their hybrid combination. The MIT-BIH NSRDB database was utilized for training, with the data being formatted into a three-channel input to increase detection robustness. The proposed models were tested on an independent annotated dataset and subsequently compared with conventional detectors. The results showed that all proposed models achieve high performance, with F1-scores exceeding 0.999, thereby outperforming selected conventional methods. The base 1D CNN proved to be particularly effective and an ideal choice for this type of task. The thesis also includes the development of a software application that enables the visualization of ECG signals and the practical application of the developed models. This work confirms that deep learning represents a highly effective tool for robust R-peak detection.