Detekcija abnormalnih srčanih signala

Opis problema

U ovom problemu se prati razvoj modela za klasifikaciju slika koji je sposoban da razlikuje između normalnih ECG i abnormalnih ECG signala, polazeći od skupa podataka sa stvarnim medicinskim informacijama.

Podaci koji su obezbeđeni u okviru ovog problema predstavljeni su u obliku ECG slika, pri čemu svaka slika odgovara kompletnom snimku električne aktivnosti srca za jednog pacijenta. Slike mogu biti direktno korišćene kao ulazni podaci za modele klasifikacije slika.

Šta je ECG?

ECG (Elektrokardiogram) je neinvazivna medicinska pretraga koja beleži električnu aktivnost srca tokom vremena.
Svaki otkucaj srca kontrolisan je električnim impulsima, a ECG meri ove signale koristeći elektrode postavljene na površinu tela.

ECG se široko koristi za:

• otkrivanje srčanih aritmija
• identifikaciju infarkta miokarda
• praćenje srčanog ritma
• procenu opšteg stanja srca

Anomalije u ECG signalu mogu ukazivati na ozbiljna srčana oboljenja, što je razlog zašto je automatizacija procesa analize izuzetno važna u medicinskoj praksi.

Skup podataka

Korišćeni skup podataka sadrži preprocesirane ECG snimke, sa sledećim karakteristikama:

• Svaki primer odgovara jednom pacijentu
• Svaki ECG se sastoji od 140 tačaka merenja
• Svaka slika je označena sa:
  • 0 – normalan ECG
  • 1 – abnormalan ECG

Podaci su organizovani u CSV fajlove:

• train.csv – slike i oznake za treniranje
• test.csv – slike bez oznaka (za inferencu)

Cilj problema

Cilj je da se konstruiše model za klasifikaciju slika koji, na osnovu ECG slike, predviđa da li je srčani signal normalan ili abnormalan.

Model treba da:

• nauči relevantne vizuelne obrasce iz ECG signala
• pravilno generalizuje na neviđene podatke
• postigne dobre performanse na test skupu

Fajl za submisiju

Na kraju, generisaćete fajl submission.csv sa oblikom:

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

Evaluacija

Metrika koja se koristi za evaluaciju modela je tačnost:

1accuracy = (broj_tačnih_predikcija / ukupan_broj_predikcija)

Skala ocenjivanja

• accuracy ≥ 98% → 100 poena
• accuracy < 90% → 0 poena
• inače → proporcionalni broj poena između 0 i 100