Detektion af unormale hjernesignaler

Problembeskrivelse

I dette problem fokuseres der på udvikling af en billedklassificeringsmodel, der er i stand til at skelne mellem normale ECG-signaler og abnorme ECG-signaler, baseret på et datasæt med reelle medicinske oplysninger.

De data, der leveres i forbindelse med dette problem, er repræsenteret i form af ECG-billeder, hvor hvert billede svarer til en komplet registrering af hjertets elektriske aktivitet for en patient. Billederne kan bruges direkte som inputdata til billedklassificeringsmodeller.

Hvad er et ECG?

ECG (Elektrokardiogram) er en ikke-invasiv medicinsk undersøgelse, der registrerer hjertets elektriske aktivitet over tid.
Hvert hjerteslag styres af elektriske impulser, og ECG'et måler disse signaler ved hjælp af elektroder placeret på kroppens overflade.

ECG anvendes bredt til:

• detektion af hjertearytmier
• identifikation af myokardieinfarkt
• overvågning af hjerterytme
• evaluering af hjertets generelle tilstand

Anomalier i ECG-signalet kan indikere alvorlige hjertesygdomme, hvilket er grunden til, at automatisering af analyseprocessen er ekstremt vigtig i medicinsk praksis.

Datasættet

Det anvendte datasæt indeholder forbehandlede ECG-registreringer med følgende karakteristika:

• Hvert eksempel svarer til en patient
• Hvert ECG består af 140 målepunkter
• Hvert billede er mærket med:
  • 0 – normalt ECG
  • 1 – abnormt ECG

Dataene er organiseret i CSV-filer:

• train.csv – billeder og etiketter til træning
• test.csv – billeder uden etiketter (til inferens)

Problemets mål

Formålet er at konstruere en billedklassificeringsmodel, der på basis af et ECG-billede kan forudsige, om hjertesignalet er normalt eller abnormt.

Modellen skal:

• lære relevante visuelle mønstre fra ECG-signalerne
• generalisere korrekt på usete data
• opnå gode præstationer på testsættet

Indsendelsesfil

Til sidst vil du generere en fil submission.csv med formen:

1image_path,label2images/ecg_000001.png,03images/ecg_000002.png,1

Evaluering

Metrikken, der bruges til evaluering af modellen, er nøjagtighed:

1accuracy = (antal_korrekte_forudsigelser / samlet_antal_forudsigelser)

Pointskala

• accuracy ≥ 98% → 100 point
• accuracy < 90% → 0 point
• ellers → proportional pointscore mellem 0 og 100