Herz-Kreislauf-Erkrankungen stellen die Todesursache Nummer eins dar, weshalb die Diagnose dieser von hoher Bedeutung ist. Ein weitverbreiteter Ansatz zur Unterstützung bei der Diagnose von Herz-Kreislauf-Erkrankungen ist das Elektrokardiogramm. Bei der Interpretation von Elektrokardiogrammen wird zunehmend versucht, moderne Technologien einzusetzen. Hierbei spielen die Mustererkennung und die Verfahren des maschinellen Lernens eine immer wichtigere Rolle.
Das Ziel dieser Arbeit ist es, verschiedene Methoden und Algorithmen zur Mustererkennung zu vergleichen, um deren Einsatz in der Analyse von Gesundheitsdaten zu zeigen und zu evaluieren. Hierzu werden die Phasen der Mustererkennung durchlaufen und diese beschrieben. Die Phasen umfassen die Schritte der Beschaffung der Rohdaten bis hin zur Bewertung der Ergebnisse. Der Fokus wird dabei auf die Klassifizierung mit Hilfe von Verfahren des maschinellen Lernens gelegt. Die Gesundheitsdaten stellen EKG-Aufnahmen dar. Die Evaluierung der Umsetzungen erfolgt mit geeigneten Analysekennzahlen, welche Informationen über die Leistung der Methoden und Verfahren liefern. Ebenfalls werden Erkenntnisse über die Umsetzbarkeit und die Vor- und Nachteile der einzelnen Methoden diskutiert.