Виявлення аномальних серцевих сигналів

Опис проблеми

У цій проблемі розглядається розробка моделі класифікації зображень, здатної розрізняти між нормальними ЕКГ та аномальними ЕКГ сигналами, виходячи з набору даних з реальною медичною інформацією.

Дані, надані в рамках цієї проблеми, представлені у вигляді зображень ЕКГ, кожне зображення відповідає повному запису електричної активності серця для пацієнта. Зображення можуть використовуватися безпосередньо як вхідні дані для моделей класифікації зображень.

Що таке ЕКГ?

ЕКГ (Електрокардіограма) - це неінвазивне медичне дослідження, яке реєструє електричну активність серця в часі.
Кожне биття серця контролюється електричними імпульсами, а ЕКГ вимірює ці сигнали за допомогою електродів, розміщених на поверхні тіла.

ЕКГ широко використовується для:

• виявлення серцевих аритмій
• ідентифікації інфаркту міокарда
• моніторингу серцевого ритму
• оцінки загального стану серця

Аномалії в сигналі ЕКГ можуть вказувати на серйозні серцеві захворювання, тому автоматизація процесу аналізу є надзвичайно важливою в медичній практиці.

Набір даних

Використаний набір даних містить попередньо оброблені записи ЕКГ з наступними характеристиками:

• Кожен приклад відповідає одному пацієнту
• Кожна ЕКГ складається з 140 точок вимірювання
• Кожне зображення позначене:
  • 0 – нормальна ЕКГ
  • 1 – аномальна ЕКГ

Дані організовані у CSV файли:

• train.csv – зображення та мітки для навчання
• test.csv – зображення без міток (для інференції)

Мета проблеми

Мета полягає в побудові моделі класифікації зображень, яка на основі зображення ЕКГ передбачатиме, чи є серцевий сигнал нормальним або аномальним.

Модель повинна:

• вивчити релевантні візуальні паттерни з сигналів ЕКГ
• правильно узагальнювати на невидані дані
• досягати хороших результатів на тестовому наборі

Файл подання

В кінці ви згенеруєте файл submission.csv з формою:

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

Оцінювання

Метрика, що використовується для оцінки моделі, - це точність:

1accuracy = (кількість_правильних_передбачень / загальна_кількість_передбачень)

Шкала оцінювання

• accuracy ≥ 98% → 100 балів
• accuracy < 90% → 0 балів
• інакше → пропорційний бал між 0 та 100