A konvolúciós neurális hálózatok elmúlt években tapasztalt sikerei a gépi látás területén abba az irányba mutatnak, hogy ezeket a gépi tanulási módszereket érdemes a jelfeldolgozásban is alkalmazni. Dolgozatunk legfőbb célkitűzése betanított hálózatok általánosító-képességének javítását célzó előfeldolgozási lépések tervezése és stabil osztályzó algoritmus tanítás kivitelezése volt. Munkánk során egy deep learning neurális architektúrát terveztünk, mely szívritmuszavarok valós-idejű automatizált detekcióját végzi és javaslatot tesz a diagnózisra egycsatornás hordozható EKG készülék használatával. A módszer újdonságát két párhuzamos hálózat alkalmazása adja, melyek egyike időtartományban dolgozik, míg a másik frekvenciatartományban dolgozik, és ezt a két hálózatot előtanítás nélkül, egymás mellett tanítottuk.

A felcimkézett adathalmazt, mellyel a tanítást végeztük, a PhysioNet Computing in Cardiology Challenge 2017 szervezői biztosították számunkra. A verseny által előírt osztályok azonban távolról sem voltak evidens módon eldönthetőek még szakértők számára sem, ezért vizualizációs módszert alkottunk, amely a felvétel adott szakaszainál jelzi, hogy melyik osztály karakterjegyei a legerősebbek, és így az orvosok figyelmét a fontosabb szakaszokra és anomáliákra tudja irányítani.



Továbbá egy web-alapú felhasználói felületet is készítettünk, mely segítségével két általunk felkért kardiológus alternatív annotációt készített az adathalmaz egy részéhez. Ez után összehasonlítottuk a két rendelkezésünkre álló annotációt és az algoritmusunk kimenetét, és azt találtuk, hogy ugyan a két emberi annotáció csupán 67%-ban egyezett meg, viszont az algoritmusunk kiváló találati aránnyal adott javaslatokat azokban az esetekben, amikor a két független orvos-szakértői csoport azonos cimkével látta el az adott felvételt.