Erkennung abnormaler Herzsignale

Problembeschreibung

In dieser Aufgabe geht es um die Entwicklung eines Bildklassifikationsmodells, das zwischen normalen ECG-Signalen und abnormalen ECG-Signalen unterscheiden kann, ausgehend von einem Datensatz mit echten medizinischen Informationen.

Die in dieser Aufgabe bereitgestellten Daten sind in Form von ECG-Bildern dargestellt, wobei jedes Bild einer vollständigen Aufzeichnung der elektrischen Herzaktivität eines Patienten entspricht. Die Bilder können direkt als Eingabedaten für Bildklassifikationsmodelle verwendet werden.

Was ist ein ECG?

ECG (Elektrokardiogramm) ist eine nichtinvasive medizinische Untersuchung, die die elektrische Aktivität des Herzens über die Zeit aufzeichnet.
Jeder Herzschlag wird von elektrischen Impulsen gesteuert, und das ECG misst diese Signale mit Hilfe von Elektroden, die auf der Körperoberfläche platziert werden.

Das ECG wird weitreichend verwendet für:

• die Erkennung von Herzrhythmusstörungen
• die Identifikation von Herzinfarkten
• die Überwachung des Herzrhythmus
• die Bewertung des allgemeinen Herzzustands

Anomalien im ECG-Signal können schwere Herzerkrankungen anzeigen, weshalb die Automatisierung des Analyseprozesses in der medizinischen Praxis äußerst wichtig ist.

Der Datensatz

Der verwendete Datensatz enthält vorverarbeitete ECG-Aufzeichnungen mit folgenden Eigenschaften:

• Jedes Beispiel entspricht einem Patienten
• Jedes ECG besteht aus 140 Messpunkten
• Jedes Bild ist mit folgenden Etiketten versehen:
  • 0 – normales ECG
  • 1 – abnormales ECG

Die Daten sind in CSV-Dateien organisiert:

• train.csv – Bilder und Etiketten für das Training
• test.csv – Bilder ohne Etiketten (für Inferenz)

Ziel der Aufgabe

Das Ziel ist es, ein Bildklassifikationsmodell zu erstellen, das basierend auf einem ECG-Bild vorhersagt, ob das Herzsignal normal oder abnormal ist.

Das Modell muss:

• relevante visuelle Muster aus den ECG-Signalen lernen
• korrekt auf ungesehene Daten generalisieren
• gute Leistungen auf dem Testset erzielen

Die Submission-Datei

Am Ende generierst du eine submission.csv-Datei mit der Form:

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

Bewertung

Die für die Bewertung des Modells verwendete Metrik ist die Genauigkeit:

1accuracy = (anzahl_korrekte_vorhersagen / anzahl_gesamt_vorhersagen)

Bewertungsschema

• accuracy ≥ 98% → 100 Punkte
• accuracy < 90% → 0 Punkte
• andernfalls → proportionale Punktzahl zwischen 0 und 100