Terug naar projecten
Project
MEDxAI ECG
analyse.
Onderzoek en ontwikkeling van AI-modellen voor ECG-classificatie. De oplossing richt zich op het analyseren van 12-lead ECG-signalen, het herkennen van hartafwijkingen en het verbeteren van detectie van zeldzame hartcondities.
Over dit project
Binnen MEDxAI is onderzoek gedaan naar het gebruik van artificial intelligence voor het analyseren en classificeren van 12-lead ECG-signalen. ECG’s bevatten complexe hartdata die door specialisten geïnterpreteerd moeten worden. Vooral zeldzame hartafwijkingen kunnen lastig te herkennen zijn, omdat deze minder vaak voorkomen in datasets.
Het project richtte zich op het ontwikkelen en evalueren van machine learning- en deep learning-technieken die patronen kunnen herkennen in multichannel ECG-data. Hierbij is gekeken naar feature extraction, geschikte modelarchitecturen en technieken om beter om te gaan met ondervertegenwoordigde ziekteklassen.
Er is gewerkt met een deep learning-aanpak op basis van 1D-ResNet, een modelarchitectuur die geschikt is voor tijdreeksdata zoals ECG-signalen. Daarnaast is threshold tuning toegepast om de detectie van minder voorkomende hartcondities te verbeteren. Het doel was om een model te ontwikkelen dat niet alleen veelvoorkomende patronen herkent, maar ook beter presteert bij zeldzame en klinisch belangrijke afwijkingen.
Wat heb ik geleverd
ECG-data analyse
Onderzoek naar 12-lead ECG-data en de manier waarop signalen voorbereid kunnen worden voor machine learning. Hierbij is gekeken naar preprocessing, ruisreductie en relevante kenmerken binnen ECG-golven.
1D-ResNet model
Er is gewerkt met een 1D-ResNet-architectuur voor het classificeren van ECG-signalen. Deze architectuur is geschikt voor tijdreeksdata en kan complexe patronen in meerdere ECG-kanalen leren herkennen.
Threshold tuning
Per conditie zijn beslisgrenzen afgestemd om de detectie van zeldzame hartcondities te verbeteren. Dit helpt bij datasets waarin sommige diagnoses veel minder vaak voorkomen dan andere.
Evaluatie en resultaten
De modelprestaties zijn geëvalueerd met classificatiematen zoals precision, recall en F1-score. Hierbij is gekeken naar zowel algemene prestaties als prestaties op minder voorkomende ECG-klassen.
Technologieën
Deep learning
Python
1D-ResNet
ECG-classificatie
Threshold tuning
PhysioNet dataset
Machine learning
Model evaluation
Samen iets moois bouwen?
Heb je een idee, vraag of project? Ik denk graag met je mee en help je verder.
