In den letzten zehn Jahren hat die Künstliche Intelligenz ihre Eignung zur Klassifizierung herzbezogener Diagnosen anhand von EKGs gezeigt. Frühere Studien konzentrierten sich hauptsächlich auf 12- und 2-Leitungs-EKGs, während wir in dieser Studie 26 verschiedene Diagnosen anhand von 12-, 6-, 4-, 3- und 2-Leitungs-EKGs klassifizieren möchten. Wir trainierten ein überwachtes Modell auf einem Datensatz mit insgesamt 88.253 EKGs, wobei 26 unterschiedliche Diagnosen als Referenzwert (Ground Truth) dienten. Der Trainings- und Klassifikationsprozess lässt sich in drei Schritte unterteilen: (1) Der Pan-Tompkins-Algorithmus wurde verwendet, um Peaks zu identifizieren und die mittlere Herzfrequenz zu berechnen. (2) Die mittlere Herzfrequenz sowie das Fourier-transformierte EKG-Signal dienten als Eingabedaten für ein Convolutional Neural Network (CNN)-System, das EKGs mit regelmäßigen oder unregelmäßigen Rhythmen klassifizierte. In diesem Schritt wurden 9 der 26 Klassen erfasst. (3) Schließlich wurden CNN-Modelle in einer Klassifikationskette trainiert, um die verbleibenden 17 Diagnosen zu klassifizieren. Die Klassifikationsergebnisse aus Schritt 2 sowie das rohe EKG-Signal wurden als Eingabe für die Klassifikationskette im Schritt 3 verwendet. Unser Team, CardiOUS, erzielte auf dem versteckten Testset für alle Leitungsgruppen einen PhysioNet-Challenge-Score von −0,63. Aufgrund dieses Testergebnisses belegte unser Team im offiziellen Ranking den 38. Platz von insgesamt 39 Teams.