В процесі розробки методики вибору нейронних мереж різних архітектур для аналізу даних електрокардіограм розглянуто особливості глибинних нейронних мережі з радіально-базисними функціями активації. Методику реалізовано на мові Python з використанням відкритої бібліотеку машинного навчання TensorFlow. Проаналізовано вплив функції активації на точність класифікаційного рішення та швидкість навчання з використанням поширеного датасета PTB-XL з даними електрокардіограм.
In the process of developing a method for selecting neural networks of different architectures for the analysis of electrocardiogram data, the features of deep neural networks with radial-based activation functions are considered. The technique is implemented in Python using the open machine learning library TensorFlow. The influence of the activation function on the accuracy of the classification decision and learning speed using the common PTB-XL dataset with electrocardiogram data is analyzed.
