This thesis investigates the application of ensemble learning techniques in developing predictive models for coronary heart disease prognosis, aiming to enhance diagnostic capabilities and improve patient outcomes in cardiovascular medicine. By leveraging advanced computational methods and machine learning algorithms, the study focuses on automating the detection of myocardial infarction and heart conduction disorders using a deep learning model trained on ECG signals from a diverse dataset. The research methodology involves a systematic review of highly relevant papers, exclusion criteria to ensure the specificity of the study, and a search process in reputable academic libraries. Through a comparative analysis of selected papers and an in-depth exploration of machine learning approaches, the thesis aims to contribute to the advancement of predictive modeling techniques in cardiology. The findings of this research have the potential to significantly impact the field of cardiovascular care by providing more accurate prognostic tools for coronary heart disease management. / В данной работе исследуется применение методов коллективного обучения при разработке прогностических моделей для прогнозирования ишемической болезни сердца с целью расширения диагностических возможностей и улучшения результатов лечения пациентов в сердечно-сосудистой медицине. Используя передовые вычислительные методы и алгоритмы машинного обучения, исследование направлено на автоматизацию выявления инфаркта миокарда и нарушений сердечной проводимости с использованием модели глубокого обучения, обученной на основе сигналов ЭКГ из различных наборов данных. Методология исследования включает систематический обзор наиболее значимых статей, критерии исключения для обеспечения специфичности исследования и процесс поиска в авторитетных академических библиотеках. Благодаря сравнительному анализу избранных работ и углубленному изучению подходов к машинному обучению, диссертация призвана внести вклад в развитие методов прогностического моделирования в кардиологии. Результаты этого исследования могут оказать существенное влияние на сферу сердечно-сосудистой помощи, предоставив более точные инструменты прогнозирования для лечения ишемической болезни сердца.
| Identifer | oai:union.ndltd.org:urfu.ru/oai:elar.urfu.ru:10995/140595 |
| Date | January 2024 |
| Creators | Шах, Брахим, Shah, Brahim |
| Contributors | Медведева, М. А., Агбозо, Э., Medvedeva, M. A., Agbozo, E., УрФУ. Институт радиоэлектроники и информационных технологий-РТФ, Базовая кафедра «Аналитика больших данных и методы видеоанализа» |
| Publisher | б. и. |
| Source Sets | Ural Federal University |
| Language | English |
| Detected Language | Russian |
| Type | Master's thesis, info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Rights | Предоставлено автором на условиях простой неисключительной лицензии, http://elar.urfu.ru/handle/10995/31613 |
Page generated in 0.0018 seconds