Classificazione di tracciati elettrocardiografici mediante reti neurali convoluzionali

The topic presented in this thesis is based on two of the pillars of signal and systems theory: the Fourier transform and the Wavelet transform. While the Fourier transform (FT) is a mathematical operator that provides an elementary decomposition for a generic non-periodic signal by analyzing it in the global frequency domain, the Wavelet Transform (WT) decomposes a function into a set of wavelets, wave-like oscillations localized in time to extract local spectral and temporal information (and not global as in the case as the Fourier transform). Thanks to the application of CNN, the analysis of spectrograms of ECG traces is much more precise and accurate than the analysis of the original signal studied in the time domain. Thanks to the implementation of a simple Matlab algorithm (with variant in Python) it was possible, starting from an ECG signal, to remove the noise components that could modify the quality of the signal. Always through the implementation of an algorithm in Matlab (with variant in Python), the unwanted frequencies was deleted, knowing that the signal from a patient that suffers of ASMI is mainly concentrated at low frequencies.

L’argomento presentato in questa tesi si basa su due dei pilastri della teoria dei segnali e dei sistemi: la Trasformata di Fourier e la Trasformata Wavelet. Mentre la trasformata di Fourier (FT) è un operatore matematico in grado di fornire una scomposizione elementare per un generico segnale non periodico analizzandolo interamente nel dominio della frequenza globale, la Trasformata Wavelet (WT) si occupa di scomporre una funzione in un insieme di ‘wavelet’, oscillazioni simili a un'onda localizzate nel tempo per estrarre informazioni spettrali e temporali locali (e non globali come nel caso della trasformata di Fourier). Grazie all’applicazione della CNN, si è dimostrato che l’analisi di spettrogrammi di tracciati ECG risulta molto più precisa e accurata rispetto all’analisi del segnale originale studiato nel dominio del tempo. Grazie all’implementazione di un semplice algoritmo Matlab (con variante in Python) si è riusciti, partendo da un segnale ECG, a rimuovere le componenti di rumore che potrebbero alterare la qualità del segnale. Sempre attraverso implementazione di un algoritmo in Matlab (con variante in Python) si è riusciti ad eliminare le frequenze indesiderate, sfruttano il fatto che il segnale prodotto da un paziente che soffre di ASMI si concentra prevalentemente alle basse frequenze. Una volta applicato il modello CNN sia al segnale originale che allo spettrogramma del segnale (ottenuto tramite Short Time Fourier Trasformation), si sono analizzati i risultati ottenuti ed è stato eseguito un confronto per osservare se effettivamente la tecnica CNN su spettrogrammi sia un metodo migliore per ottenere informazioni sullo stato di salute del paziente a livello del sistema cardiaco rispetto all’applicazione del metodo sul segnale originale.