|
Zhodnocení efektivnosti spotřební daně z pohonných hmot jako příjmové složky státního rozpočtu České republiky
Cimbalník, Jan
Bakalářská práce se zaměřuje na zhodnocení efektivnosti spotřební daně z pohonných hmot jako příjmové složky státního rozpočtu České republiky. V práci je vyhodnocen vývoj a vliv spotřební daně z pohonných hmot na příjmy státního rozpočtu v letech 1993 až 2012. Dále také hodnotí vliv současné situace na trhu pohonných hmot na velikost objemu státních příjmů ze spotřební daně z pohonných hmot a analyzuje vliv daňové sazby na cenu pohonných hmot. Práce věnuje pozornost také oblasti harmonizace nepřímých daní v rámci Evropské unie.
|
|
Investigating very high-frequency oscillations phenomena in human brain
Kolajová, Martina ; Cimbálník, Jan (oponent) ; Klimeš, Petr (vedoucí práce)
The identification of the seizure onset zone (SOZ) -- the area of the brain where the seizure originates -- is critical for the success of epilepsy surgery. The significance of very high-frequency oscillation (VHFO) is based on their role as a more specific biomarker for this disease, although the mechanism of their generation remains unclear. Individual neurons are not capable of generating oscillations in the range of VHFO. Therefore, it is assumed that VHFO, detected by macroelectrodes, may arise from the summed activity of various neuronal subgroups firing asynchronously. This master's thesis provides thorough information on the matter of VHFO phenomena with a particular focus on their relationship to epilepsy. Through methods such as the utilization of microelectrodes (MEA), this thesis investigates mechanisms behind VHFO generation and presents its findings through data analysis in the programming language Python.
|
|
Analýza reakce epileptogenní tkáně na intrakraniální elektrickou stimulaci
Formánková, Zuzana ; Klimeš, Petr (oponent) ; Cimbálník, Jan (vedoucí práce)
Tato práce se zabývá metodami intrakraniální elektrické stimulace a jejich využitím při lokalizaci epileptogenního ložiska. Cílem práce je posouzení reakce patologické tkáně na elektrickou stimulaci pomocí navržených markerů. Mezi vhodné markery byly zařazeny vysokofrekvenční oscilace, interiktální spiky, změny v konektivitě a výkon signálu ve frekvenčních pásmech. Markery byly detekovány v iEEG záznamech snímaných ve Fakultní nemocnici u sv. Anny v Brně. Pro zpracování a detekci byl realizován software v jazyce Python využívající detekční algoritmy knihovny EPYCOM. V závěru byl výskyt markerů analyzován v závislosti na elektrické stimulaci a byl prokázán vliv elektrické stimulace na iEEG epileptických pacientů.
|
|
Detection of High-Frequency EEG Activity in Epileptic Patients
Cimbálník, Jan ; Kremláček, Jan (oponent) ; Jiruška,, Přemysl (oponent) ; Jurák, Pavel (vedoucí práce)
This work deals with automated detection of high-frequency oscillations as a novel electrophysiologic biomarker of epileptogenic tissue in intracranial EEG. Visual detection of these oscillations is a time-consuming process and is prone to reviewer bias. Epilepsy is one of the most common neurological diseases affecting 1 % of population. Even though two thirds of cases are successfully treated with anti-epileptic drugs, the rest of the patients are dependent mainly on surgical procedure, which requires precise localization of pathologic focus. High-frequency oscillations have been studied over the last decade for their potential to localize the focus of pathological tissue. Initial part of this work is a summary of the current state of high-frequency oscillations research and a detailed list of detectors used in research. Within the scope of this work three high-frequency oscillation detectors were developed or enhanced. The description of the algorithms is followed by detector evaluation with regard to the concordance with expert reviewed events, feature estimation and the ability to correctly localize pathological tissue. The final part of the work provides an overview of developed visualization methods and a short summary of achieved scientific results.
|
| |
|
Vyhodnocení srdečního výdeje bioimpedanční metodou u pacientů se stimulátorem
Soukup, Ladislav ; Cimbálník, Jan (oponent) ; Vondra, Vlastimil (vedoucí práce)
Tato práce se zabývá možností využití bioimpedančního signálu k výpočtu srdečního výdeje. Jsou zde rozebrány zejména Kubíčkova, Šrámkova a Šrámek-Bernsteinova metoda. Tyto metody byly aplikovány na předložený soubor dat, která byla měřena u subjektů s implantovanými kardiostimulátory. Těmto subjektům byla pomocí programování kardiostimulátoru měněna tepová frekvence. Měřená data díky tomu nebyla zatížena artefakty spojenými se změnou tepové frekvence způsobenou zátěží organismu, nebo jinými vlivy. Na základě statistického zpracování předloženého souboru naměřených dat byl studován vliv tepové frekvence na velikost srdečního výdeje.
|
|
Unsupervised Deep Learning Approach for Seizure Onset Zone localization in Epilepsy
Přidalová, Tereza ; Cimbálník, Jan (oponent) ; Mehnen, Lars (vedoucí práce)
Epilepsy affects about 50 million people worldwide, with one-third of patients being drugresistant and therefore candidates for an invasive brain resection surgery. Brain resection surgery candidates undergo invasive intracranial encephalography (iEEG) monitoring to determine the seizure onset zone (SOZ). Recorded data can span over weeks and need to be manually reviewed by a physician to assess SOZ. This process can be time-consuming and burdensome due to the vast amount of collected data. This work investigates utilisation of an deep autoencoder for unsupervised data exploration and specifically its ability to discriminate between SOZ and non-SOZ (NSOZ) iEEG channels. The data used in this thesis consists of iEEG collected from 33 patients in two institutes (Mayo Clinic, Rochester, Minnesota, USA and St. Anne´s University Hospital, Brno, Czech Republic - FNUSA) who underwent invasive presurgical monitoring. The autoencoder’s capability to discriminate between SOZ and NSOZ was evaluated using a self-learned embedded feature space representation of the autoencoder network. Autoencoder features were compared to previously established biomarkers for SOZ determination. Discrimination capability was evaluated for both autoencoder features and biomarkers using a Naive Bayes classifier and leave-one-out cross-validation. The achieved area under receiver operating characteristic curve (AUROC) was 0.68 for the FNUSA and 0.56 for the Mayo dataset. Performance in discriminating between SOZ and NSOZ electrodes was not significantly different between the investigated autoencoder features and previously established biomarkers. Selecting the better performing classifier for each patient increased the AUROC to 0.75 and 0.64 for the FNUSA and Mayo dataset, respectively. The results suggest that future approaches combining biomarkers and self-learning methods have a potential to improve the SOZ vs NSOZ discrimination capability of unsupervised iEEG exploration systems, and thus to enhance the surgical management of epilepsy.
|
|
Měření konektivity mozku
Sladký, Vladimír ; Jurčo, Juraj (oponent) ; Cimbálník, Jan (vedoucí práce)
Epileptické onemocnění mozku je spojeno se změnou aktivity neuronových center. Analýza konektivity mozku se zabývá statistickou závislostí aktivity neuronových center. Předchozí studie ukazují na změnu konektivity mozkové tkáně v okolí epileptického ložiska. Příčiny změn v konektivitě a její charakteristika v interiktálních záznamech však není zcela známa. V této práci jsou analyzována data z intrakraniálních EEG elektrod, umístěných uvnitř a v bezprostředním okolí epileptického ložiska. Změna konektivity v epileptickém ložisku a jeho okolí byla sledována pomocí metody nelineární korelace. Byl detekován pokles konektivity v epileptickém ložisku během delta spánku na frekvencích nad 80 Hz. Dále byl zjištěn pokles konektivity na rozhraní epileptického ložiska a zdravé tkáně. Pozorované jevy byly navíc zvýrazněny během spánku. Zároveň bylo zjištěno, že konektivita na rozhraní epileptického ložiska projevuje nelineární charakter. Z výsledků tedy vyplývá, že fyziologické procesy během spánku ovlivňují konektivitu v blízkosti epileptického ložiska a redukce konektivity v jeho okolí může souviset s nelinearní závislostí aktivit neuronů uvnitř a vně něj. Práce potvrzuje hypotézy předchozích studií a odkrývá nové skute čnosti o konektivitě epileptického ložiska z pohledu nelineárních dějů. Navazující studium těchto poznatků může vést k přesnější lokalizaci epileptického ložiska a k lepšímu pochopení procesů, které způsobují epileptické záchvaty.
|
|
Využití strojového učení pro klasifikaci epileptogenní tkáně po elektrické stimulaci
Formánková, Zuzana ; Mívalt, Filip (oponent) ; Cimbálník, Jan (vedoucí práce)
Tato práce se zabývá elektrofyziologickými biomarkery epileptické aktivity po přímé elektrické stimulaci v klasifikaci epileptogenní tkáně. Mezi vhodné biomarkery byly zařazeny vysokofrekvenční oscilace, interiktální spiky, změny v konektivitě a výkon signálu ve frekvenčních pásmech. Biomarkery byly detekovány v iEEG záznamech a jejich reakce na přímou elektrickou stimulaci byla analyzována statistickými testy. Analýza biomarkerů prokázala vliv přímé elektrické stimulace na elektrofyziologické biomarkery epileptické aktivity. Relevantními biomarkery byly selekčními metodami vybrány výkon signálu ve frekvenčním pásmu 80-250 Hz, relativní entropie ve frekvenčním pásmu 250-600 Hz a lineární korelace. Pro klasifikaci epileptogenní tkáně byly implementovány modely strojového učení, konkrétně logistická regrese, metoda podpůrných vektorů a rozhodovací lesy. Metoda podpůrných vektorů prokázala nejvyšší senzitivitu (70,5 %) mezi modely, avšak celkové výsledky jsou nedostatečné (PPV 38,5 %, F1 skóre 42,9 %). Přestože klasifikační modely nedosáhly očekávaných výsledků, tato práce naznačuje potenciál elektrofyziologických biomarkerů pro identifikaci epileptogenních ložisek a poskytuje základ pro další výzkum v této oblasti.
|
|
Unsupervised Deep Learning Approach for Seizure Onset Zone localization in Epilepsy
Přidalová, Tereza ; Cimbálník, Jan (oponent) ; Mehnen, Lars (vedoucí práce)
Epilepsy affects about 50 million people worldwide, with one-third of patients being drugresistant and therefore candidates for an invasive brain resection surgery. Brain resection surgery candidates undergo invasive intracranial encephalography (iEEG) monitoring to determine the seizure onset zone (SOZ). Recorded data can span over weeks and need to be manually reviewed by a physician to assess SOZ. This process can be time-consuming and burdensome due to the vast amount of collected data. This work investigates utilisation of an deep autoencoder for unsupervised data exploration and specifically its ability to discriminate between SOZ and non-SOZ (NSOZ) iEEG channels. The data used in this thesis consists of iEEG collected from 33 patients in two institutes (Mayo Clinic, Rochester, Minnesota, USA and St. Anne´s University Hospital, Brno, Czech Republic - FNUSA) who underwent invasive presurgical monitoring. The autoencoder’s capability to discriminate between SOZ and NSOZ was evaluated using a self-learned embedded feature space representation of the autoencoder network. Autoencoder features were compared to previously established biomarkers for SOZ determination. Discrimination capability was evaluated for both autoencoder features and biomarkers using a Naive Bayes classifier and leave-one-out cross-validation. The achieved area under receiver operating characteristic curve (AUROC) was 0.68 for the FNUSA and 0.56 for the Mayo dataset. Performance in discriminating between SOZ and NSOZ electrodes was not significantly different between the investigated autoencoder features and previously established biomarkers. Selecting the better performing classifier for each patient increased the AUROC to 0.75 and 0.64 for the FNUSA and Mayo dataset, respectively. The results suggest that future approaches combining biomarkers and self-learning methods have a potential to improve the SOZ vs NSOZ discrimination capability of unsupervised iEEG exploration systems, and thus to enhance the surgical management of epilepsy.
|