Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/75905
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorอัครินทร์ ไพบูลย์พานิช-
dc.contributor.authorณัฏฐชัย บวรมงคลศักดิ์-
dc.contributor.otherจุฬาลงกรณ์มหาวิทยาลัย. คณะพาณิชยศาสตร์และการบัญชี-
dc.date.accessioned2021-09-21T05:40:44Z-
dc.date.available2021-09-21T05:40:44Z-
dc.date.issued2563-
dc.identifier.urihttp://cuir.car.chula.ac.th/handle/123456789/75905-
dc.descriptionวิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2563-
dc.description.abstractงานวิจัยนี้มีวัตถุประสงค์เพื่อเปรียบเทียบตัวแบบในการจำแนกประเภทข้อมูลคลื่นไฟฟ้าหัวใจโดยใช้ตัวแบบการเรียนรู้เชิงลึก 3 ตัวแบบได้แก่ (1)โครงข่ายประสาทเทียมแบบเพอร์เซ็ปตรอนหลายชั้น (MLPs) (2)โครงข่ายคอนโวลูชันเต็มรูป (FCNs) และ (3)โครงข่ายแบบเรสซิดวลหรือเรสเนท (ResNet) ชุดข้อมูลที่ใช้ทดสอบประกอบด้วย 2 ส่วนได้แก่ ส่วนของข้อมูลจำลอง และส่วนของข้อมูลจริงใช้ข้อมูลจากฐานข้อมูล MIT-BIH Arrythmia ในแต่ละชุดข้อมูลจะทำการเพิ่มสิ่งแปลกปนในข้อมูล 4 แบบได้แก่ Wandering baseline, Muscle tremor, AC interference และ Motion artifacts และเปรียบเทียบประสิทธิภาพของแต่ละตัวแบบด้วยวิธีครอสวาลิเดชัน แบ่งข้อมูลเป็น 10 ส่วนแล้วพิจารณา ค่าความถูกต้อง ค่าความแม่นยำ และค่าความครบถ้วน สำหรับส่วนของข้อมูลจำลอง พบว่าเมื่อพิจารณาค่าความถูกต้องแล้ว ในภาพรวมตัวแบบ MLPs มีค่าเฉลี่ยที่ต่ำกว่า FCNs และ ResNet ค่อนข้างเยอะ ในขณะที่ตัวแบบ FCNs และ ResNet ได้ผลออกมาค่อนข้างดี และได้ผลลัพธ์ใกล้เคียงกันในข้อมูลแต่ละชุด ในชุดข้อมูลที่มีสิ่งแปลกปนประเภท Wandering baseline ค่าเฉลี่ยมีค่าลดลงสำหรับตัวแบบ MLPs ในชุดข้อมูลที่มีสิ่งแปลกปนประเภท Muscle tremor และ AC interference ไม่พบว่าค่าเฉลี่ยลดลงอย่างชัดเจนในทุกกรณี และในชุดข้อมูลที่มีสิ่งแปลกปนประเภท Motion artifacts พบว่าค่าเฉลี่ยลดลงเล็กน้อยเมื่อใช้ตัวแบบ MLPs สำหรับค่าความแม่นยำและค่าความครบถ้วนพบว่ามีทิศทางเดียวกับค่าความถูกต้อง สำหรับข้อมูลจริง ในภาพรวมมีความใกล้เคียงกับผลการศึกษาในส่วนของข้อมูลจำลอง แต่ในชุดข้อมูลที่มีสิ่งแปลกปน Wandering baseline พบว่าประสิทธิภาพลดลงในทุกตัวแบบ-
dc.description.abstractalternativeThe objective of this research is to compare ECG classification models using three deep learning models: (1)multilayer perceptions (MLPs) (2)fully convolution networks (FCNs) and (3)residual networks. The data set consists of two parts. The simulated data and the real data from the MIT-BIH Arrythmia database, four artifacts were added to each dataset: Wandering baseline, Muscle tremor, AC interference and Motion artifacts. Then compare the efficiency of each model using the cross-validation method. Divide the data into 10 parts and consider accuracy, precision, and recall. For the simulated part, it was found that when considering the accuracy, the MLPs averaged a lot lower than the FCNs and ResNet, while the FCNs and ResNet models performed quite well and similar in each dataset. In datasets with Wandering baseline artifacts, the mean was lower for the MLPs model. In the dataset with Muscle tremor and AC interference, no significant reductions in mean were observed in all cases. And in the dataset with Motion artifacts, the mean was slightly lower when using the MLPs model. The precision and recall were found to be in the same direction as the accuracy. For real data, they were close to the results of the simulation studies. But in datasets with Wandering baseline artifacts, performance was reduced across all models.-
dc.language.isoth-
dc.publisherจุฬาลงกรณ์มหาวิทยาลัย-
dc.relation.urihttp://www.doi.org/10.58837/CHULA.THE.2020.1238-
dc.rightsจุฬาลงกรณ์มหาวิทยาลัย-
dc.subject.classificationComputer Science-
dc.titleการศึกษาเปรียบเทียบการจำแนกประเภทข้อมูลคลื่นไฟฟ้าหัวใจด้วยการเรียนรู้เชิงลึกสำหรับข้อมูลคลื่นไฟฟ้าหัวใจที่มีสิ่งแปลกปน-
dc.title.alternativeA comparative study of ECG classification using deep learning for ECG artifacts-
dc.typeThesis-
dc.degree.nameวิทยาศาสตรมหาบัณฑิต-
dc.degree.levelปริญญาโท-
dc.degree.disciplineสถิติ-
dc.degree.grantorจุฬาลงกรณ์มหาวิทยาลัย-
dc.identifier.DOI10.58837/CHULA.THE.2020.1238-
Appears in Collections:Acctn - Theses

Files in This Item:
File Description SizeFormat 
6181515026.pdf3.92 MBAdobe PDFView/Open


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