Classificazione di segnali ECG tramite tecniche di deep learning

This thesis concerns the project developed during the internship at M31. The goal was to build a deep learning model (LSTM) to classify 12 leads ECG, from the company's private database, as Healthy and Pathological. This thesis is composed of an introduction to the ECG signal and how it is classified in scientific literature, a presentation of the databases, the models built, and a discussion of the results, in addition there are an analysis of the problems and limitations encountered and a reflection on the future applications. The models trained on the public database, when tested on the M31’s ECG signals, reached an accuracy of over 85%, but this should be verified using signals with a ground truth diagnosis and with exclusive training on a much larger private database.

In questa tesi si espone il progetto svolto durante il tirocinio nell’azienda M31, il cui obiettivo era di costruire un modello di deep learning (di tipo LSTM) in grado di distinguere dei segnali ECG su 12 derivazioni, di un database privato in possesso di dell’azienda, in sani e patologici. La tesi è composta da una introduzione sul segnale ECG e su come viene classificato in letteratura scientifica usando l’intelligenza artificiale, da una presentazione dei database utilizzati, dai modelli costruiti e dalla discussione dei risultati ottenuti, oltre che da una analisi delle difficoltà e limitazioni riscontrate e da spunti sul futuro di questi approcci. Dall’applicazione dei modelli addestrati su un database pubblico, si è riscontrata una accuratezza di oltre l’85% sui segnali ECG di M31, ma questa va verificata utilizzando dei dati con delle diagnosi verificate e con un addestramento esclusivo su un database privato molto più vasto.