Automatisierte Datenvorauswahl für die Transformation von SKG zu EKG mittels Unsupervised Learning

Das Ziel dieser Arbeit war die Entwicklung eines Verfahrens zur automatischen Extraktion von Features aus Seismokardiogrammen und deren Verwendung im Projektions- und Clusteringprozess für eine effiziente und interaktive Datenselektion für die Transformation von SKGs in Elektrokardiogramme mithilfe von künstlicher Intelligenz. In dieser Arbeit wurden nach einer ausführlichen Literaturrecherche mehrere Ansätze vorgeschlagen und bewertet. Eine Vielzahl von Techniken wurde verwendet, einschließlich Standardabweichung, Power Spectral Density, Wavelet-Transformation und Deep Convolutional Neural Networks. Die vielversprechendsten Ergebnisse wurden mit den Features Standardabweichung, UMAP-Projektion und K-Means-Clustering erzielt. Die visuelle Bewertung der Projektions- und Clustering-Ergebnisse zeigte jedoch eine Heterogenität innerhalb der Cluster und das Fehlen klar getrennter Gruppen, was die Schwierigkeiten bei der automatischen Klassifizierung von SKG-Signalen verdeutlicht. Dennoch zeigte die Kombination aus Herzfrequenz, UMAP und Mixed Gaussian Models Potenzial bei der Trennung von Clustern, was auf die Möglichkeit einer weiteren Optimierung der Auswahlmethoden hindeutet. Die Arbeit zeigte, dass eine vollständige Automatisierung der Datenauswahl aufgrund der Komplexität und Heterogenität der vorgegebenen SKG-Daten eine Herausforderung darstellt. Dennoch ermöglicht die entwickelte Methode einen effizienteren Auswahlprozess, der den Bedarf an manuellen Eingriffen reduziert. Diese Arbeit trägt zum Bereich des unüberwachten Lernens bei und eröffnet neue Möglichkeiten für die automatische Verarbeitung und Analyse von Seismokardiogrammen.