Benutzer-Werkzeuge
ws2021:ekg-analyse
Unterschiede
Hier werden die Unterschiede zwischen zwei Versionen gezeigt.
| Beide Seiten der vorigen Revision Vorhergehende Überarbeitung Nächste Überarbeitung | Vorhergehende Überarbeitung | ||
|
ws2021:ekg-analyse [2021/04/06 19:36] annika_cibis [Implementierung unseres Netzes] |
ws2021:ekg-analyse [2021/04/06 21:36] (aktuell) annika_cibis [Medizinische Grundlagen] |
||
|---|---|---|---|
| Zeile 23: | Zeile 23: | ||
| {{ws2021:ekg: echtes_ekg_annotiert2.png?250|Sinuskurve aus Datensatz}} | {{ws2021:ekg: echtes_ekg_annotiert2.png?250|Sinuskurve aus Datensatz}} | ||
| - | Hier seht ihr einen gesunden Sinusrhythmus (schematisch und ein Plot aus dem Datensatz), wie genau er aufgebaut ist könnt ihr [[hier]] erfahren. | + | Hier seht ihr einen gesunden Sinusrhythmus (//links// schematisch und //rechts// ein Plot aus dem Datensatz), wie genau er aufgebaut ist könnt ihr [[hier]] erfahren. |
| ==== Datensatz ==== | ==== Datensatz ==== | ||
| Zeile 82: | Zeile 82: | ||
| [[Hier geht es zu unserem Code mit Convolutional Layern]]. | [[Hier geht es zu unserem Code mit Convolutional Layern]]. | ||
| === ResNet-Archithektur === | === ResNet-Archithektur === | ||
| + | {{resnet_schematisch.jpg ?250 |ResNet}} | ||
| + | |||
| Im Anschluss haben wir eine ResNet-Architektur eingeführt, um einen besseren Lernerfolg durch ein tieferes Lernen zu erreichen. Bei der ResNet-Architektur werden noch zusätzliche Layer eingeführt, sogenannte Skip Connections, die immer ein paar Schichten überspringen und so einer späteren Schicht einen output von einer vorherigen Schicht geben. Dies ermöglicht mehr Schichten, ohne dass Informationen verloren gehen. | Im Anschluss haben wir eine ResNet-Architektur eingeführt, um einen besseren Lernerfolg durch ein tieferes Lernen zu erreichen. Bei der ResNet-Architektur werden noch zusätzliche Layer eingeführt, sogenannte Skip Connections, die immer ein paar Schichten überspringen und so einer späteren Schicht einen output von einer vorherigen Schicht geben. Dies ermöglicht mehr Schichten, ohne dass Informationen verloren gehen. | ||
| Wir haben für die Implementierung die Netzwerk-Klasse minimal verändert ([[zur aktualisierten Klasse kommt ihr hier]]) und eine [[zusätzliche Klasse Resnet]]. | Wir haben für die Implementierung die Netzwerk-Klasse minimal verändert ([[zur aktualisierten Klasse kommt ihr hier]]) und eine [[zusätzliche Klasse Resnet]]. | ||
| Zeile 145: | Zeile 147: | ||
| Allerdings ist dies noch ausbaufähig, da in etwa jedes fünfte EKG falsch zugeordnet wird. Für eine Anwendung in der klinischen Praxis ist die Fehlerquote demnach viel zu hoch und der Algorithmus nicht zuverlässig. Dennoch ist es für uns, mit sehr wenig Programmier-Erfahrung, für ein Erst-Semester Projekt ein großer Erfolg. | Allerdings ist dies noch ausbaufähig, da in etwa jedes fünfte EKG falsch zugeordnet wird. Für eine Anwendung in der klinischen Praxis ist die Fehlerquote demnach viel zu hoch und der Algorithmus nicht zuverlässig. Dennoch ist es für uns, mit sehr wenig Programmier-Erfahrung, für ein Erst-Semester Projekt ein großer Erfolg. | ||
| + | |||
| + | [[Hier findet ihr den finalen Code]] | ||
| ===== Verlauf der Projektarbeit ===== | ===== Verlauf der Projektarbeit ===== | ||
| ==== Protokolle ==== | ==== Protokolle ==== | ||
| Zeile 152: | Zeile 156: | ||
| ===== Fazit und Ausblick ===== | ===== Fazit und Ausblick ===== | ||
| Wir haben beide Python-Kenntnisse und medizinisches Wissen erworben und Erfahrungen im Bereich Machine Learning sammeln können. Fehlerbehebung mussten wir vor allem vornehmen, wenn es darum ging, dass bestimmte Tensor-Größen nicht zusammenpassten oder in- und output sich in ihrer Dimension unterschieden. | Wir haben beide Python-Kenntnisse und medizinisches Wissen erworben und Erfahrungen im Bereich Machine Learning sammeln können. Fehlerbehebung mussten wir vor allem vornehmen, wenn es darum ging, dass bestimmte Tensor-Größen nicht zusammenpassten oder in- und output sich in ihrer Dimension unterschieden. | ||
| - | Man könnte das Netz mit Sicherheit noch weiter verbessern, indem man die Hyperparameter optimal einstellt und die Netzwerkarchitektur noch ein wenig anpasst. Außerdem könnte man als Erweiterung, das Netz spezifische Krankheitsbilder erkennen lassen. Dazu sind wir aus zeitlichen Gründen leider nicht mehr gekommen. | + | Man könnte das Netz mit Sicherheit noch weiter verbessern, indem man die Hyperparameter optimal einstellt und die Netzwerkarchitektur noch ein wenig anpasst. Außerdem könnte man als Erweiterung, das Netz spezifische Krankheitsbilder erkennen lassen. Dies hatten wir ganz zu Beginn auch überlegt, allerdings hat die "Verbesserungsphase" unseres Netzes sehr viel länger gedauert, als wir dachten und so sind wir aus zeitlichen Gründen leider nicht mehr dazu gekommen. |
| ====== Literatur ====== | ====== Literatur ====== | ||
ws2021/ekg-analyse.1617730586.txt.gz · Zuletzt geändert: 2021/04/06 19:36 von annika_cibis
Seiten-Werkzeuge
