dc.contributor.author |
Rozinek, Ondřej
|
cze |
dc.contributor.author |
Doležel, Petr
|
cze |
dc.date.accessioned |
2024-08-25T15:18:51Z |
|
dc.date.available |
2024-08-25T15:18:51Z |
|
dc.date.issued |
2023 |
eng |
dc.identifier.isbn |
978-3-031-43077-0 |
eng |
dc.identifier.uri |
https://hdl.handle.net/10195/83940 |
|
dc.description.abstract |
Clinical applications require automating ECG signal processing and classification. This paper investigates the impact of multiscale input filtering techniques and feature map blocks on the performance of CNN models for ECG classification. We conducted an ablation study using the AbnormalHeartbeat dataset, with 606 instances of ECG time series divided into five classes. We compared five multiscale input filtering techniques and four multiscale feature map blocks against a base model and non-multiscale input. Results showed that the combination of mean filter for multiscale input and residual connections for multiscale block achieved the highest accuracy of 64.47%. Residual connections were consistently effective across different filtering techniques, highlighting their potential to enhance CNN model performance for ECG classification. These findings can guide the design of future CNN models for ECG classification tasks, with further experimentation needed for optimal combinations in specific applications. |
eng |
dc.format |
p. 352-363 |
eng |
dc.language.iso |
eng |
eng |
dc.publisher |
Springer Nature Switzerland AG |
eng |
dc.relation.ispartof |
Lecture Notes in Computer Science |
eng |
dc.rights |
Práce není přístupná |
eng |
dc.subject |
ECG classification |
eng |
dc.subject |
deep learning |
eng |
dc.subject |
multiscale CNN |
eng |
dc.subject |
convolutional neural networks |
eng |
dc.subject |
Klasifikace EKG |
cze |
dc.subject |
hluboké učení |
cze |
dc.subject |
víceměřítkové CNN |
cze |
dc.subject |
konvoluční neuronové sítě |
cze |
dc.title |
ECG Hearbeat Classification Based on Multi-scale Convolutional Neural Networks |
eng |
dc.title.alternative |
Klasifikace srdečního tepu EKG na základě víceměřítkových konvolučních neuronových sítí |
cze |
dc.type |
ConferenceObject |
eng |
dc.description.abstract-translated |
Klinické aplikace vyžadují automatické zpracování a klasifikaci EKG signálu. Tento článek zkoumá dopad víceškálových vstupních filtračních technik a bloků mapových prvků na výkonnost modelů CNN pro klasifikaci EKG. Provedli jsme ablační studii s použitím souboru dat AbnormalHeartbeat se 606 případy časových řad EKG rozdělených do pěti tříd. Porovnali jsme pět technik víceúrovňového filtrování vstupu a čtyři bloky víceúrovňových map prvků se základním modelem a vstupem bez více měřítek. Výsledky ukázaly, že kombinace středního filtru pro víceúrovňový vstup a zbytkové spoje pro víceúrovňový blok dosáhla nejvyšší přesnosti 64,47 %. Zbytková připojení byla konzistentně účinná napříč různými filtračními technikami, což zvýrazňovalo jejich potenciál zvýšit výkon modelu CNN pro klasifikaci EKG. Tato zjištění mohou být vodítkem pro návrh budoucích modelů CNN pro úlohy klasifikace EKG s dalšími experimenty potřebnými pro optimální kombinace ve specifických aplikacích. |
cze |
dc.event |
17th International Work-Conference on Artificial Neural Networks (IWANN2023) (19.06.2023 - 21.06.2023, Ponta Delgada) |
eng |
dc.peerreviewed |
yes |
eng |
dc.publicationstatus |
postprint |
eng |
dc.identifier.doi |
10.1007/978-3-031-43078-7_29 |
eng |
dc.relation.publisherversion |
https://link.springer.com/chapter/10.1007/978-3-031-43078-7_29 |
eng |
dc.project.ID |
SGS_2023_016/Výzkum a vývoj nových algoritmů, postupů a metod v oblasti detekce, lokalizace, identifikace a klasifikace objektů využitím strojového učení a prvků umělé inteligence pro oblast radarové techniky, dopravy a výrobních technologií |
eng |
dc.identifier.scopus |
2-s2.0-85174484296 |
eng |
dc.identifier.obd |
39889471 |
eng |