{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5319028"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5319028","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Συσχέτιση του ρυθμού εκπόλωσης της κορυφής R ηλεκτροκαρδιογραφημάτων με την καρδιακή συσταλτικότητα","abstract":"Οι καρδιαγγειακές παθήσεις αποτελούν έναν από τους κύριους παράγοντες θνησιμότητας παγκοσμίως, φτάνοντας σε ποσοστό περίπου 32%. Η πρόωρη διάγνωση των ανωμαλιών της καρδιάς αποτελεί κρίσιμο στάδιο για την πρόληψη σοβαρών παθήσεων για την υγεία. Το ηλεκτροκαρδιογράφημα (ECG) αποτελεί μία από τις σημαντικότερες εφευρέσεις μη παρεμβατικής παρακολούθησης της λειτουργίας της καρδιάς. Ωστόσο, τα σήματα που καταγράφονται από τη συγκεκριμένη τεχνική συνήθως περιέχουν πολύ θόρυβο, υψηλή και ανώμαλη διακύμανση φάσης σήματος που κάνουν τη ερμηνεία αποτελεσμάτων δύσκολη, δημιουργώντας έτσι την ανάγκη για ανάπτυξη αξιόπιστων υπολογιστικών μεθόδων για την υποβοήθηση της ερμηνείας τους. Στην παρούσα διατριβή, παρουσιάζεται η δημιουργία ενός υπολογιστικού προγράμματος σε γλώσσα προγραμματισμού Python για ανάλυση σημάτων ECG, που αποτελείται από τρία σκέλη κώδικα που μετατρέπουν δεδομένα καρδιογραφημάτων ασθενών μορφής XML σε χαρακτηριστικά προς διάγνωση. Το πρώτο σκέλος αντλεί τα κλινικά δεδομένα ECG, επικεντρώνοντας στην κυματομορφή της απαγωγής ΙΙ. Αυτό περιλαμβάνει την εξαγωγή τιμών σήματος και τη δημιουργία διαγραμμάτων, δίνοντας μία αρχική εικόνα της καρδιακής δραστηριότητας. Το δεύτερο σκέλος εφαρμόζει τεχνικές αποθορυβοποίησης για μείωση θορύβου υψηλής συχνότητας και χρήση αλγορίθμων για την ανίχνευση συμπλεγμάτων QRS και άλλων δομικών στοιχείων. Παράγει καθαρά δεδομένα ιδανικά για συστηματική επεξήγηση για περαιτέρω διαγνωστική επεξεργασία. Επιπροσθέτως, υπολογίζεται η ταχύτητα εκπόλωσης κάθε παλμού της απαγωγής ΙΙ σε ένα διάγραμμα ECG. Τέλος, το τρίτο σκέλος περιέχει αλγορίθμους στατιστικής ανάλυσης χρησιμοποιώντας το Tukey biweight, για τον υπολογισμό του μέσου ρυθμού εκπόλωσης κάθε ECG. Εστιάζοντας στις κεντρικές τάσεις και περιορίζοντας την επίδραση των ακραίων τιμών, το βήμα αυτό διασφαλίζει ότι τα αναγνωριζόμενα χαρακτηριστικά αναδεικνύουν ουσιαστικά φυσιολογικά σήματα αντί για τεχνητά παράσιτα, επιτρέποντας έτσι την ανίχνευση ενδεχομένως παθολογικών κυματομορφών. Σκοπός είναι να βρεθεί αν ο υπολογισμός της ταχύτητας εκπόλωσης μπορεί να αποτελέσει χρήσιμος παράγοντας ανίχνευσης καρδιαγγειακών παθήσεων. Το παρόν πλαίσιο μπορεί να αποτελέσει βάση για την ανάπτυξη μιας αυτοματοποιημένης ανάλυσης ηλεκτροκαρδιογραφήματος, επιτρέποντας την έγκαιρη αναγνώριση καρδιακών ανωμαλιών και προσφέροντας έτσι ένα πρακτικό εργαλείο για κλινικούς ιατρούς και ερευνητές στην ανίχνευση καρδιαγγειακών παθήσεων.","abstract_html":"Οι καρδιαγγειακές παθήσεις αποτελούν έναν από τους κύριους παράγοντες θνησιμότητας παγκοσμίως, φτάνοντας σε ποσοστό περίπου 32%. Η πρόωρη διάγνωση των ανωμαλιών της καρδιάς αποτελεί κρίσιμο στάδιο για την πρόληψη σοβαρών παθήσεων για την υγεία. Το ηλεκτροκαρδιογράφημα (ECG) αποτελεί μία από τις σημαντικότερες εφευρέσεις μη παρεμβατικής παρακολούθησης της λειτουργίας της καρδιάς. Ωστόσο, τα σήματα που καταγράφονται από τη συγκεκριμένη τεχνική συνήθως περιέχουν πολύ θόρυβο, υψηλή και ανώμαλη διακύμανση φάσης σήματος που κάνουν τη ερμηνεία αποτελεσμάτων δύσκολη, δημιουργώντας έτσι την ανάγκη για ανάπτυξη αξιόπιστων υπολογιστικών μεθόδων για την υποβοήθηση της ερμηνείας τους. Στην παρούσα διατριβή, παρουσιάζεται η δημιουργία ενός υπολογιστικού προγράμματος σε γλώσσα προγραμματισμού Python για ανάλυση σημάτων ECG, που αποτελείται από τρία σκέλη κώδικα που μετατρέπουν δεδομένα καρδιογραφημάτων ασθενών μορφής XML σε χαρακτηριστικά προς διάγνωση. Το πρώτο σκέλος αντλεί τα κλινικά δεδομένα ECG, επικεντρώνοντας στην κυματομορφή της απαγωγής ΙΙ. Αυτό περιλαμβάνει την εξαγωγή τιμών σήματος και τη δημιουργία διαγραμμάτων, δίνοντας μία αρχική εικόνα της καρδιακής δραστηριότητας. Το δεύτερο σκέλος εφαρμόζει τεχνικές αποθορυβοποίησης για μείωση θορύβου υψηλής συχνότητας και χρήση αλγορίθμων για την ανίχνευση συμπλεγμάτων QRS και άλλων δομικών στοιχείων. Παράγει καθαρά δεδομένα ιδανικά για συστηματική επεξήγηση για περαιτέρω διαγνωστική επεξεργασία. Επιπροσθέτως, υπολογίζεται η ταχύτητα εκπόλωσης κάθε παλμού της απαγωγής ΙΙ σε ένα διάγραμμα ECG. Τέλος, το τρίτο σκέλος περιέχει αλγορίθμους στατιστικής ανάλυσης χρησιμοποιώντας το Tukey biweight, για τον υπολογισμό του μέσου ρυθμού εκπόλωσης κάθε ECG. Εστιάζοντας στις κεντρικές τάσεις και περιορίζοντας την επίδραση των ακραίων τιμών, το βήμα αυτό διασφαλίζει ότι τα αναγνωριζόμενα χαρακτηριστικά αναδεικνύουν ουσιαστικά φυσιολογικά σήματα αντί για τεχνητά παράσιτα, επιτρέποντας έτσι την ανίχνευση ενδεχομένως παθολογικών κυματομορφών. Σκοπός είναι να βρεθεί αν ο υπολογισμός της ταχύτητας εκπόλωσης μπορεί να αποτελέσει χρήσιμος παράγοντας ανίχνευσης καρδιαγγειακών παθήσεων. Το παρόν πλαίσιο μπορεί να αποτελέσει βάση για την ανάπτυξη μιας αυτοματοποιημένης ανάλυσης ηλεκτροκαρδιογραφήματος, επιτρέποντας την έγκαιρη αναγνώριση καρδιακών ανωμαλιών και προσφέροντας έτσι ένα πρακτικό εργαλείο για κλινικούς ιατρούς και ερευνητές στην ανίχνευση καρδιαγγειακών παθήσεων.","abstract_has_math":false,"creators":["Αθανασόπουλος Κωνσταντίνος","Athanasopoulos Konstantinos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:41:26Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5319028"],"render_values":[{"text":"uoadl:5319028","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5319028","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5319028","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5319028","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Αθανασόπουλος Κωνσταντίνος","Athanasopoulos Konstantinos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Επιστήμες Υγείας","Health Sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5319028","https://pergamos.lib.uoa.gr/uoa/dl/object/5319028"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Οι καρδιαγγειακές παθήσεις αποτελούν έναν από τους κύριους παράγοντες θνησιμότητας παγκοσμίως, φτάνοντας σε ποσοστό περίπου 32%. Η πρόωρη διάγνωση των ανωμαλιών της καρδιάς αποτελεί κρίσιμο στάδιο για την πρόληψη σοβαρών παθήσεων για την υγεία. Το ηλεκτροκαρδιογράφημα (ECG) αποτελεί μία από τις σημαντικότερες εφευρέσεις μη παρεμβατικής παρακολούθησης της λειτουργίας της καρδιάς. Ωστόσο, τα σήματα που καταγράφονται από τη συγκεκριμένη τεχνική συνήθως περιέχουν πολύ θόρυβο, υψηλή και ανώμαλη διακύμανση φάσης σήματος που κάνουν τη ερμηνεία αποτελεσμάτων δύσκολη, δημιουργώντας έτσι την ανάγκη για ανάπτυξη αξιόπιστων υπολογιστικών μεθόδων για την υποβοήθηση της ερμηνείας τους. Στην παρούσα διατριβή, παρουσιάζεται η δημιουργία ενός υπολογιστικού προγράμματος σε γλώσσα προγραμματισμού Python για ανάλυση σημάτων ECG, που αποτελείται από τρία σκέλη κώδικα που μετατρέπουν δεδομένα καρδιογραφημάτων ασθενών μορφής XML σε χαρακτηριστικά προς διάγνωση. Το πρώτο σκέλος αντλεί τα κλινικά δεδομένα ECG, επικεντρώνοντας στην κυματομορφή της απαγωγής ΙΙ. Αυτό περιλαμβάνει την εξαγωγή τιμών σήματος και τη δημιουργία διαγραμμάτων, δίνοντας μία αρχική εικόνα της καρδιακής δραστηριότητας. Το δεύτερο σκέλος εφαρμόζει τεχνικές αποθορυβοποίησης για μείωση θορύβου υψηλής συχνότητας και χρήση αλγορίθμων για την ανίχνευση συμπλεγμάτων QRS και άλλων δομικών στοιχείων. Παράγει καθαρά δεδομένα ιδανικά για συστηματική επεξήγηση για περαιτέρω διαγνωστική επεξεργασία. Επιπροσθέτως, υπολογίζεται η ταχύτητα εκπόλωσης κάθε παλμού της απαγωγής ΙΙ σε ένα διάγραμμα ECG. Τέλος, το τρίτο σκέλος περιέχει αλγορίθμους στατιστικής ανάλυσης χρησιμοποιώντας το Tukey biweight, για τον υπολογισμό του μέσου ρυθμού εκπόλωσης κάθε ECG. Εστιάζοντας στις κεντρικές τάσεις και περιορίζοντας την επίδραση των ακραίων τιμών, το βήμα αυτό διασφαλίζει ότι τα αναγνωριζόμενα χαρακτηριστικά αναδεικνύουν ουσιαστικά φυσιολογικά σήματα αντί για τεχνητά παράσιτα, επιτρέποντας έτσι την ανίχνευση ενδεχομένως παθολογικών κυματομορφών. Σκοπός είναι να βρεθεί αν ο υπολογισμός της ταχύτητας εκπόλωσης μπορεί να αποτελέσει χρήσιμος παράγοντας ανίχνευσης καρδιαγγειακών παθήσεων. Το παρόν πλαίσιο μπορεί να αποτελέσει βάση για την ανάπτυξη μιας αυτοματοποιημένης ανάλυσης ηλεκτροκαρδιογραφήματος, επιτρέποντας την έγκαιρη αναγνώριση καρδιακών ανωμαλιών και προσφέροντας έτσι ένα πρακτικό εργαλείο για κλινικούς ιατρούς και ερευνητές στην ανίχνευση καρδιαγγειακών παθήσεων.","Cardiovascular diseases (CVDs) are the leading cause of death globally, making up nearly 32% of all fatalities. Early recognition of abnormal heart patterns is crucial to prevent serious events. The electrocardiogram (ECG) is the best tool for non-invasive heart monitoring. However, ECG signals often include noise, baseline wander, and irregular fluctuations that make interpretation difficult, thus creating a need for reliable computational systems. In this work, we propose a Python-based framework for ECG signal analysis, divided into three separate code modules that transform raw ECG XML-formatted data into useful diagnostic features. The first module parses XML files that contain clinical ECG recordings and isolates waveform data, focusing on Lead II. This involves extracting raw signal values and generating basic plots, giving an initial view of cardiac activity. The second module utilises interpolation techniques applying wavelet-based denoising to reduce high-frequency noise and peak-detection algorithms to identify QRS complexes and other important waveform features. It produces clean, standardized ECG traces that are suitable for systematic evaluation to form the basis of the diagnostic process. Additionally, this module calculates the depolarization speed of each pulse on Lead II in a single ECG diagram. Finally, the third module includes robust statistical analysis using Tukey’s biweight location estimator, to calculate an average depolarization rate on each ECG. By concentrating on central trends and limiting the impact of outliers, this step ensures that identified features highlight meaningful physiological signals instead of artifacts, allowing for the identification of potentially abnormal waveforms. Our aim is to find whether the estimation of the depolarization rate is a useful factor for the detection of CVDs. This framework may lead towards an automated ECG analysis, enabling early recognition of heart abnormalities, thus, providing a practical tool for clinicians and researchers in the detection of cardiovascular diseases."]},{"key":"dc:title","label":"Title","values":["Συσχέτιση του ρυθμού εκπόλωσης της κορυφής R ηλεκτροκαρδιογραφημάτων με την καρδιακή συσταλτικότητα"]}]}],"canonical_facts":{"dc:creator":["Αθανασόπουλος Κωνσταντίνος","Athanasopoulos Konstantinos"],"dc:date":["2025"],"dc:description":["Οι καρδιαγγειακές παθήσεις αποτελούν έναν από τους κύριους παράγοντες θνησιμότητας παγκοσμίως, φτάνοντας σε ποσοστό περίπου 32%. Η πρόωρη διάγνωση των ανωμαλιών της καρδιάς αποτελεί κρίσιμο στάδιο για την πρόληψη σοβαρών παθήσεων για την υγεία. Το ηλεκτροκαρδιογράφημα (ECG) αποτελεί μία από τις σημαντικότερες εφευρέσεις μη παρεμβατικής παρακολούθησης της λειτουργίας της καρδιάς. Ωστόσο, τα σήματα που καταγράφονται από τη συγκεκριμένη τεχνική συνήθως περιέχουν πολύ θόρυβο, υψηλή και ανώμαλη διακύμανση φάσης σήματος που κάνουν τη ερμηνεία αποτελεσμάτων δύσκολη, δημιουργώντας έτσι την ανάγκη για ανάπτυξη αξιόπιστων υπολογιστικών μεθόδων για την υποβοήθηση της ερμηνείας τους. Στην παρούσα διατριβή, παρουσιάζεται η δημιουργία ενός υπολογιστικού προγράμματος σε γλώσσα προγραμματισμού Python για ανάλυση σημάτων ECG, που αποτελείται από τρία σκέλη κώδικα που μετατρέπουν δεδομένα καρδιογραφημάτων ασθενών μορφής XML σε χαρακτηριστικά προς διάγνωση. Το πρώτο σκέλος αντλεί τα κλινικά δεδομένα ECG, επικεντρώνοντας στην κυματομορφή της απαγωγής ΙΙ. Αυτό περιλαμβάνει την εξαγωγή τιμών σήματος και τη δημιουργία διαγραμμάτων, δίνοντας μία αρχική εικόνα της καρδιακής δραστηριότητας. Το δεύτερο σκέλος εφαρμόζει τεχνικές αποθορυβοποίησης για μείωση θορύβου υψηλής συχνότητας και χρήση αλγορίθμων για την ανίχνευση συμπλεγμάτων QRS και άλλων δομικών στοιχείων. Παράγει καθαρά δεδομένα ιδανικά για συστηματική επεξήγηση για περαιτέρω διαγνωστική επεξεργασία. Επιπροσθέτως, υπολογίζεται η ταχύτητα εκπόλωσης κάθε παλμού της απαγωγής ΙΙ σε ένα διάγραμμα ECG. Τέλος, το τρίτο σκέλος περιέχει αλγορίθμους στατιστικής ανάλυσης χρησιμοποιώντας το Tukey biweight, για τον υπολογισμό του μέσου ρυθμού εκπόλωσης κάθε ECG. Εστιάζοντας στις κεντρικές τάσεις και περιορίζοντας την επίδραση των ακραίων τιμών, το βήμα αυτό διασφαλίζει ότι τα αναγνωριζόμενα χαρακτηριστικά αναδεικνύουν ουσιαστικά φυσιολογικά σήματα αντί για τεχνητά παράσιτα, επιτρέποντας έτσι την ανίχνευση ενδεχομένως παθολογικών κυματομορφών. Σκοπός είναι να βρεθεί αν ο υπολογισμός της ταχύτητας εκπόλωσης μπορεί να αποτελέσει χρήσιμος παράγοντας ανίχνευσης καρδιαγγειακών παθήσεων. Το παρόν πλαίσιο μπορεί να αποτελέσει βάση για την ανάπτυξη μιας αυτοματοποιημένης ανάλυσης ηλεκτροκαρδιογραφήματος, επιτρέποντας την έγκαιρη αναγνώριση καρδιακών ανωμαλιών και προσφέροντας έτσι ένα πρακτικό εργαλείο για κλινικούς ιατρούς και ερευνητές στην ανίχνευση καρδιαγγειακών παθήσεων.","Cardiovascular diseases (CVDs) are the leading cause of death globally, making up nearly 32% of all fatalities. Early recognition of abnormal heart patterns is crucial to prevent serious events. The electrocardiogram (ECG) is the best tool for non-invasive heart monitoring. However, ECG signals often include noise, baseline wander, and irregular fluctuations that make interpretation difficult, thus creating a need for reliable computational systems. In this work, we propose a Python-based framework for ECG signal analysis, divided into three separate code modules that transform raw ECG XML-formatted data into useful diagnostic features. The first module parses XML files that contain clinical ECG recordings and isolates waveform data, focusing on Lead II. This involves extracting raw signal values and generating basic plots, giving an initial view of cardiac activity. The second module utilises interpolation techniques applying wavelet-based denoising to reduce high-frequency noise and peak-detection algorithms to identify QRS complexes and other important waveform features. It produces clean, standardized ECG traces that are suitable for systematic evaluation to form the basis of the diagnostic process. Additionally, this module calculates the depolarization speed of each pulse on Lead II in a single ECG diagram. Finally, the third module includes robust statistical analysis using Tukey’s biweight location estimator, to calculate an average depolarization rate on each ECG. By concentrating on central trends and limiting the impact of outliers, this step ensures that identified features highlight meaningful physiological signals instead of artifacts, allowing for the identification of potentially abnormal waveforms. Our aim is to find whether the estimation of the depolarization rate is a useful factor for the detection of CVDs. This framework may lead towards an automated ECG analysis, enabling early recognition of heart abnormalities, thus, providing a practical tool for clinicians and researchers in the detection of cardiovascular diseases."],"dc:identifier":["uoadl:5319028","https://pergamos.lib.uoa.gr/uoa/dl/object/5319028"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Συσχέτιση του ρυθμού εκπόλωσης της κορυφής R ηλεκτροκαρδιογραφημάτων με την καρδιακή συσταλτικότητα"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:41:26Z"}