Hoe effectief zijn clustering algoritmen bij het classificeren van verschillende typen hartritmestoornissen op basis van ECG-data?

Abstract

Hart- en vaatziekten vormen nog steeds één van de belangrijkste doodsoorzaken bij de mens. In de praktijk wordt er gebruik gemaakt van een elektrocardiogram (ECG) om de activiteit van het hart te meten. Dit is een goedkope en een efficiënte methode om het type hartritmestoornis (aritmieën) te identificeren. In mijn thesis wordt er een onderzoek uitgevoerd naar hoe we efficiënt en automatisch deze aritmieën kunnen detecteren door unsupervised learning technieken toe te passen op ECG-data. De nadruk van het onderzoek ligt dan op het vergelijken van deze diverse unsupervised learning technieken, voornamelijk de clustering algoritmen, met als doel om een concreet beeld te vormen op welke clustering algoritmen de beste resultaten opleveren. Tijdens het onderzoek werden verschillende preprocessing technieken onderzocht en geïmplementeerd zoals een deep autoencoder voor dimensionality reduction en feature-extractie, of downsampling (moving average) om de grootte van de ECG-data te reduceren. In de thesis worden vervolgens de resultaten uit verschillende combinaties van deze technieken besproken. De conclusie van deze thesis dat de resultaten voornamelijk afhangen van welke preprocessing technieken er gebruikt worden om initieel de ruwe ECG-data te verwerken.