Napovedovanje ishemije iz simuliranih podatkov

Koren, Jaka (avtor), Kononenko, Igor (mentor), Robnik Šikonja, Marko (komentor)

V diplomskem delu smo raziskovali možnosti uporabe metod strojnega učenja v napovedovanju ishemičnih šokov na podlagi meritev elektrod iz simulacije EKG. Zanimala nas je klasifikacijska točnost pri napovedovanju samih šokov, napovedovanju območja v srcu, kjer se je šok zgodil, ter možnost zmanjšanja števila elektrod, potrebnih za uspešno zaznavanje šokov. Na simuliranih podatkih meritev elektrod smo preizkusili naključne gozdove, metodo podpornih vektorjev ter metodo gradientnega pospeševanja in merili njihovo klasifikacijsko točnost. Nato smo z njimi iskali optimalne podmnožice atributov po metodi ovojnice. Poleg tega smo primerjali uspešnost tega pristopa z metodo filtriranja na podlagi ocen pomembnosti atributov. Odkrili smo, da izbrane metode dosegajo dobre rezultate na obeh stopnjah in da klasifikacijska točnost ostaja visoka tudi pri mnogo manjših podmnožicah atributov. Metoda podpornih vektorjev s pomočjo ovojnice dosega najvišjo točnost, glede izbora atributov pa ovojnica pri zelo majhnih izborih atributov dosega boljše rezultate kot filtriranje.

• Jezik: Slovenski jezik
• Ključne besede: strojno učenje, napovedovanje, ishemija, klasifikacija, naključni gozdovi, SVM, gradientno pospeševanje
• Vrsta gradiva: Diplomsko delo/naloga
• Organizacija: FRI - Fakulteta za računalništvo in informatiko
• Leto izida: 2018
• PID: 20.500.12556/RUL-102582
• Datum objave v RUL: 04.09.2018

Sekundarni jezik

• Jezik: Angleški jezik
• Naslov: Prediction of Ischemia on simulated data

Izvleček

The thesis explores the machine learning approaches for ischemia prediction based on ECG electrode data. We were interested in classification accuracy at prediction of ischemia, prediction of pathological zones in heart, and possibility of reducing the number of atributes neccesary for successful detection. We used simulated data to train and test random forests, support vector machines and gradient boosting. We used these approaches to determine optimal attribute subsets using a wrapper approach, and compared how well methods perform on subsets of various sizes. We also compared the performance of our wrapper approach with a filter-based feature selection approach. Results show high classification accuracy of all methods, even on small attribute subsets. Wrapper assisted support vector machines outperform other methods, and wrapper achieves better results than filtering on small-sized subsets.

• Ključne besede: machine learning, prediction, ischemia, classification, random forests, SVM, gradient boosting