Primerjava sodobnih metod strojnega učenja na primeru diagnosticiranja EKG signalov

| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Prva stran > Izpis gradiva

Izpis gradiva

Naslov:	Primerjava sodobnih metod strojnega učenja na primeru diagnosticiranja EKG signalov
Avtorji:	ID Zavratnik, Jure (Avtor) ID Verber, Domen (Mentor) Več o mentorju...
Datoteke:	MAG_Zavratnik_Jure_2026.pdf (1,67 MB) MD5: 4733704932E6FA394058A65E5D0F70E4
Jezik:	Slovenski jezik
Vrsta gradiva:	Magistrsko delo/naloga
Tipologija:	2.09 - Magistrsko delo
Organizacija:	FERI - Fakulteta za elektrotehniko, računalništvo in informatiko
Opis:	V magistrskem delu primerjamo sodobne pristope strojnega učenja za večoznačno diagnosticiranje 12-odvodnih EKG signalov na podatkovni zbirki Georgia 12-lead ECG Challenge. Posvetimo se modelu random forest ter globokim arhitekturam konvolucijskih in rezidualnih nevronskih mrež, ocenjenim z makro in mikro metrikami, ter razložljivim z metodama SHAP in Grad-CAM. Rezultati kažejo, da ResNet najzanesljiveje prepozna kompleksne vzorce, CNN nudi dobro razmerje med natančnostjo, hitrostjo in velikostjo modela, medtem ko RF služi kot referenca. Kombinacija visoke uspešnosti, dobre razložljivosti in majhne računske zahtevnosti predstavlja ključni korak k zanesljivejši uporabi strojnega učenja v kliničnem okolju.
Ključne besede:	strojno učenje, EKG signali, medicinska diagnostika, klasifikacija, metrike
Kraj izida:	Maribor
Leto izida:	2026
PID:	20.500.12556/DKUM-98957
Datum objave v DKUM:	24.09.2026
Število ogledov:	92
Število prenosov:	1
Metapodatki:
Področja:	KTFMB - FERI
:	Kopiraj citat

Skupna ocena:	(0 glasov)
Vaša ocena:	Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:

Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Licenca:	CC BY 4.0, Creative Commons Priznanje avtorstva 4.0 Mednarodna

Povezava:	http://creativecommons.org/licenses/by/4.0/deed.sl
Opis:	To je standardna licenca Creative Commons, ki daje uporabnikom največ možnosti za nadaljnjo uporabo dela, pri čemer morajo navesti avtorja.
Začetek licenciranja:	21.07.2026

Jezik:	Angleški jezik
Naslov:	Comparison of modern machine learning methods for ECG signal diagnosis
Opis:	In this master's thesis, we compare modern machine learning approaches for the multi-label diagnosis of 12-lead ECG signals using the Georgia 12-lead ECG Challenge database. We focus on the random forest model and deep architectures of convolutional and residual neural networks, which are evaluated using macro and micro metrics, and explained using SHAP and Grad-CAM methods. The results show that ResNet most reliably recognizes complex patterns, CNN offers a good balance between accuracy, speed, and model size, while RF serves as a reference baseline. The combination of high performance, good explainability, and low computational complexity represents a key step toward the more reliable use of machine learning in a clinical environment.
Ključne besede:	machine learning, ECG signals, medicinal diagnostics, classification, metrics

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)

0 - 0 / 0

Ni komentarjev!

Nazaj