miun.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Feature Extraction for the Cardiovascular Disease Diagnosis
Mittuniversitetet, Fakulteten för naturvetenskap, teknik och medier, Avdelningen för informationssystem och -teknologi.
2018 (Engelska)Självständigt arbete på avancerad nivå (masterexamen), 20 poäng / 30 hpStudentuppsats (Examensarbete)
Abstract [en]

Cardiovascular disease is a serious life-threatening disease. It can occur suddenly and progresses rapidly. Finding the right disease features in the early stage is important to decrease the number of deaths and to make sure that the patient can fully recover. Though there are several methods of examination, describing heart activities in signal form is the most cost-effective way. In this case, ECG is the best choice because it can record heart activity in signal form and it is safer, faster and more convenient than other methods of examination. However, there are still problems involved in the ECG. For example, not all the ECG features are clear and easily understood. In addition, the frequency features are not present in the traditional ECG. To solve these problems, the project uses the optimized CWT algorithm to transform data from the time domain into the time-frequency domain. The result is evaluated by three data mining algorithms with different mechanisms. The evaluation proves that the features in the ECG are successfully extracted and important diagnostic information in the ECG is preserved. A user interface is designed increasing efficiency, which facilitates the implementation.

Ort, förlag, år, upplaga, sidor
2018. , s. 69
Nyckelord [en]
ECG, Feature Extraction, CWT, Unsupervised Learning, Clustering, User interface, Feature Visualization, ECG Disease Diagnosis.
Nationell ämneskategori
Datorsystem
Identifikatorer
URN: urn:nbn:se:miun:diva-33742Lokalt ID: DT-H16-A2-003OAI: oai:DiVA.org:miun-33742DiVA, id: diva2:1216642
Ämne / kurs
Datateknik DT1
Utbildningsprogram
Internationellt masterprogram i datateknik TDAAA 120 hp
Handledare
Examinatorer
Tillgänglig från: 2018-06-12 Skapad: 2018-06-12 Senast uppdaterad: 2018-06-12Bibliografiskt granskad

Open Access i DiVA

fulltext(2127 kB)69 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 2127 kBChecksumma SHA-512
8b689fe0003a8f6b985019a352ee3ff0fa7cf984c2bc15df2f609fc4664659987a775c332eaa9e84456a2faa8449c915a25208c45d0f7a1ca30598ab65001ece
Typ fulltextMimetyp application/pdf

Sök vidare i DiVA

Av författaren/redaktören
Tang, Yu
Av organisationen
Avdelningen för informationssystem och -teknologi
Datorsystem

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 69 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 197 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf