გულის არანორმალური სიგნალების გამოვლენა

პრობლემის აღწერა

ამ პრობლემაში მიზანია სურათების კლასიფიკაციის მოდელის შემუშავება, რომელიც შეძლებს ნორმალური ECG და არანორმალური ECG სიგნალების განსხვავებას, რეალური სამედიცინო მონაცემების ნაკრებიდან გამომდინარე.

ამ პრობლემაში მოწოდებული მონაცემები წარმოდგენილია ECG სურათების სახით, თითოეული სურათი შეესაბამება პაციენტის გულის ელექტრული აქტივობის სრულ ჩანაწერს. სურათები შეიძლება პირდაპირ გამოყენებულ იქნას როგორც შეყვანის მონაცემები სურათების კლასიფიკაციის მოდელებისთვის.

რა არის ECG?

ECG (ელექტროკარდიოგრამა) არის არაინვაზიური სამედიცინო გამოკვლევა, რომელიც ფიქსირებს გულის ელექტრულ აქტივობას დროში.
გულის ყოველი ცემა კონტროლდება ელექტრული იმპულსებით, ხოლო ECG ზომავს ამ სიგნალებს სხეულის ზედაპირზე განთავსებული ელექტროდების გამოყენებით.

ECG ფართოდ გამოიყენება:

• გულის არითმიების გამოსავლენად
• მიოკარდიუმის ინფარქტის იდენტიფიკაციისთვის
• გულის რითმის მონიტორინგისთვის
• გულის ზოგადი მდგომარეობის შეფასებისთვის

ECG სიგნალის ანომალიები შეიძლება მიუთითებდეს სერიოზულ გულის დაავადებებზე, რის გამოც ანალიზის პროცესის ავტომატიზაცია უკიდურესად მნიშვნელოვანია სამედიცინო პრაქტიკაში.

მონაცემთა ნაკრები

გამოყენებული მონაცემთა ნაკრები შეიცავს წინასწარ დამუშავებულ ECG ჩანაწერებს, შემდეგი მახასიათებლებით:

• ყოველი მაგალითი შეესაბამება ერთ პაციენტს
• ყოველი ECG შედგება 140 საზომი წერტილისგან
• ყოველი სურათი ეტიკეტირებულია:
  • 0 – ნორმალური ECG
  • 1 – არანორმალური ECG

მონაცემები ორგანიზებულია CSV ფაილებში:

• train.csv – სურათები და ეტიკეტები ტრენინგისთვის
• test.csv – სურათები ეტიკეტების გარეშე (ინფერენციისთვის)

პრობლემის მიზანი

მიზანია სურათების კლასიფიკაციის მოდელის აშენება, რომელიც ECG სურათის საფუძველზე იწინასწარმეტყველებს, არის თუ არა გულის სიგნალი ნორმალური ან არანორმალური.

მოდელმა უნდა:

• ისწავლოს ECG სიგნალებიდან რელევანტური ვიზუალური ნიმუშები
• სწორად განზოგადოს უცნობ მონაცემებზე
• მიაღწიოს კარგ შედეგებს ტესტის ნაკრებზე

წარდგენის ფაილი

ბოლოს, თქვენ შექმნით submission.csv ფაილს შემდეგი ფორმით:

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

შეფასება

მოდელის შეფასებისთვის გამოყენებული მეტრიკაა სიზუსტე:

1accuracy = (სწორი_პროგნოზების_რაოდენობა / მთლიანი_პროგნოზების_რაოდენობა)

შეფასების სქემა

• accuracy ≥ 98% → 100 ქულა
• accuracy < 90% → 0 ქულა
• სხვა შემთხვევაში → პროპორციული ქულა 0-დან 100-მდე