The electrocardiogram (ECG) is a crucial tool for identifying heart abnormalities in a non-invasive way. As the technology has advanced, it is now a digital tool that can integrate algorithms to support abnormality diagnostics. Deep neural networks (DNN) have, in the past few years, shown their potential and success in classification problems, and studies have shown that a DNN can outperform a cardiologist in diagnosing abnormalities from ECG. In this study, we investigate whether data augmentation (DA) can improve model performance. Using a DNN model trained on PTB-XL, a large publicly available electrocardiography dataset, we aim to apply different augmentations and evaluate DAs effect on model performance using the F1 metric. The results show that combinations of carefully selected DA can improve model accuracy with a significant result.

Elektrokardiogram (EKG) är ett viktigt verktyg för att på ett icke-invasivt sätt upptäcka hjärtproblem. Med den tekniska utvecklingen har EKG blivit digitalt och man kan därmed integrera olika algoritmer som stödjer diagnostiken av avvikelserna. Under de senaste åren har djupa neurala nätverk (DNN) visat stor potential och framgång inom klassificeringsproblem och forskning har visat att DNN-modeller kan överträffa kardiologer i att identifiera avvikelser i EKG. I denna studie undersöker vi om dataaugmentering (DA) kan förbättra en DNN-modells prestanda. Vi använder en DNN-modell som tränats på PTB-XL, a large publicly available electrocardiography dataset, en av de största datasets som finns för 12-avlednings-EKG. Vi tillämpar olika typer av dataaugmenteringar och utvärderar sedan effekterna på modellens prestanda med hjälp av F1-måttet. Resultaten visar att noggrant utvalda kombinationer av dataaugmentering kan ge en signifikant förbättring av modellens prestanda.