Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/83114
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorArporn Teeramongkonrasmee-
dc.contributor.advisorPakpum Somboon-
dc.contributor.authorKhaing Su Thway-
dc.contributor.otherChulalongkorn University. Faculty of Engineering-
dc.date.accessioned2023-08-04T07:36:42Z-
dc.date.available2023-08-04T07:36:42Z-
dc.date.issued2022-
dc.identifier.urihttps://cuir.car.chula.ac.th/handle/123456789/83114-
dc.descriptionThesis (M.Eng.)--Chulalongkorn University, 2022-
dc.description.abstractThis dissertation presents the classification of different types of cardiac arrhythmias, including Atrial Fibrillation (AF), Normal Sinus Rhythm (NSR), Premature Atrial Contraction (PAC), and Premature Ventricular Contraction (PVC), using a lightweight neural network. A novel ECG data transformation method, referred to as transforming into overlapped ECG images, has been developed and utilized as input images for our neural network. During the transformation process, individual heartbeats within a 30-second time frame are cropped based on heart rate calculations. These resulting beats are then overlapped with respect to the x and y axis limits, generating distinctive images representing different arrhythmia types examined in this study. The lightweight neural networks employed in this research have been designed to be deployable on low-resource mobile devices due to their reduced network architecture parameters,. The performance of the developed neural network is evaluated using the long-term atrial fibrillation (LTAF) database from PhysioNet, which is clinically certified. This database comprises a total of 84 records, which consist of  24-hour duration for each record. The effectiveness of the proposed approaches is analyzed using confusion metrics, yielding an accuracy rate exceeding 98%. Furthermore, a demonstration Android application has been developed based on the trained model of the lightweight neural network, providing proof of concept for the potential applications of deploying lightweight deep learning neural networks on mobile phones. -
dc.description.abstractalternativeวิทยานิพนธ์นี้นำเสนอการจำแนกภาวะหัวใจเต้นผิดจังหวะ ได้แก่  ภาวะ AF, NSR,  PAC และ PVC โดยใช้โครงข่ายประสาทแบบไลต์เวท ในขั้นตอนของการแปลงสัญญาณคลื่นไฟฟ้าหัวใจ (ECG) เป็นข้อมูลภาพเพื่อเป็นอินพุตของโครงข่ายประสาท วิทยานิพนธ์นี้ได้พัฒนาวิธีการใหม่ คือ การซ้อนรูปคลื่นไฟฟ้าหัวใจ  ในขั้นตอนการแปลง สัญญาณคลื่นไฟฟ้าหัวใจความยาว 30 วินาที จะถูกแบ่งเป็นรูปคลื่นตามอัตราการเต้นหัวใจ รูปคลื่นที่แบ่งได้ถูกวางซ้อนภายในขอบเขตของแกน x และ y วิธีการนี้สามารถสร้างภาพที่มีความแตกต่างระหว่างภาวะหัวใจเต้นผิดจังหวะที่สนใจ ในส่วนของโครงข่ายประสาทที่นำมาใช้เป็นแบบไลต์เวทซึ่งได้ถูกออกแบบให้สามารถติดตั้งบนอุปกรณ์พกพาเนื่องจากโครงข่ายใช้พารามิเตอร์ที่มีจำนวนน้อยลง ประสิทธิภาพของโครงข่ายประสาทที่พัฒนาขึ้นได้ถูกทดสอบโดยฐานข้อมูล LTAF ของ PhysioNet ฐานข้อมูลนี้มีจำนวน 84 ชุดข้อมูล ซึ่งแต่ละชุดข้อมูลมีความยาวประมาณ 24 ชั่วโมง    ประสิทธิภาพของการจำแนกภาวะหัวใจเต้นผิดจำแนกได้รับการวิเคราะห์โดยใช้ confusion metric และได้ความแม่นยำมากกว่า 98% นอกจากนี้ แอปพลิเคชันของ Android ได้ถูกพัฒนาขึ้นโดยใช้โมเดลการเรียนรู้ของโครงข่ายประสาท ซึ่งเป็นการยืนยันถึงศักยภาพของการประยุกต์ใช้งานโครงข่ายประสาทแบบไลต์เวทกับโทรศัพท์เคลือนที่-
dc.language.isoen-
dc.publisherChulalongkorn University-
dc.relation.urihttp://doi.org/10.58837/CHULA.THE.2022.128-
dc.rightsChulalongkorn University-
dc.titleClassification of cardiac arrhythmias based on overlapped ECG image with lightweight neural network-
dc.title.alternativeการแยกแยะภาวะหัวใจเต้นผิดจังหวะด้วยโครงข่ายประสาทแบบไลต์เวทบนพื้นฐานของภาพซ้อนรูปคลื่นไฟฟ้าหัวใจ-
dc.typeThesis-
dc.degree.nameMaster of Engineering-
dc.degree.levelMaster's Degree-
dc.degree.disciplineElectrical Engineering-
dc.degree.grantorChulalongkorn University-
dc.identifier.DOI10.58837/CHULA.THE.2022.128-
Appears in Collections:Eng - Theses

Files in This Item:
File Description SizeFormat 
6370392021.pdf3.78 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.