|
Měření tepové frekvence v lékárnách VI
Bayer, Tomáš ; Rejmanová, Anna (vedoucí práce) ; Hendrychová, Tereza (oponent)
Měření tepové frekvence v lékárnách VI Autor: Tomáš Bayer Vedoucí diplomové práce: PharmDr. Anna Rejmanová, PhD. Konzultant: PharmDr. Kateřina Malá, PhD. Katedra sociální a klinické farmacie, Farmaceutická fakulta Univerzity Karlovy v Hradci Králové Úvod: Fibrilace síní (FIS) je jedno z nejčastějších onemocnění srdce a jedna z nejčastěji se vyskytujících arytmií. Až ze 40 % je bez symptomů. Lékárníci jsou každý den v kontaktu s mnoha pacienty a díky tomu se mohou podílet na záchytu řady onemocnění, včetně FIS. Screening FIS v lékárnách je dnes již jednou z uznávaných strategií oportunního screeningu FIS. Cíl práce: Cílem této diplomové práce bylo prokázat možnost zapojení lékárníků do screeningu FIS a potenciálně odhalit FIS, případně jiná kardiovaskulární onemocnění. Dílčím cílem diplomové práce bylo také zvýšit povědomí o FIS mezi laickou veřejností. Metodika: Měření probíhalo v lékárně na poliklinice po dobu několika týdnů od 17. července 2023 do 25. srpna 2023 a během dvou týdnů v březnu roku 2024. Pacienti byli zařazeni do studie dle vstupních kritérií, kterými byly věk nad 55 let a žádná chronická léčba pomocí antikoagulancií. Pacientům bylo nabídnuto vyšetření, a pokud souhlasili, byl s nimi vyplněn dotazník, ve kterém byli dotazováni na svůj zdravotní stav, na současné symptomy a přidružená...
|
|
Lokalizace fibrilace síní pro vyhodnocení zatížení pacienta
Martinásková, Klára ; Ředina, Richard (oponent) ; Filipenská, Marina (vedoucí práce)
Diplomová práce se zabývá problematikou detekce fibrilace síní ze záznamů EKG a lokalizace daných úseků fibrilace u signálů s paroxysmální fibrilací. Je vypracována rešerše týkající se fibrilace síní, vzniku této atologie a metod detekce fibrilace z EKG záznamů pomocí hlubokého učení. V jazyce Python je následně implementován model konvoluční neuronové sítě s reziduálními bloky pro klasifikaci krátkých (3 s) segmentů EKG signálu. Následně jsou výsledky klasifikace zpracovány a v signálech s paroxysmální fibrilací jsou lokalizovány úseky s fibrilací. Díky klasifikaci a lokalizaci je dále vyhodnoceno zatížení pacienta fibrilací. Implementovaný klasifikátor na testovací množině dosahuje výsledků F1 skóre 96,15 %. Při lokalizaci úseků s fibrilací algoritmem je dosaženo hodnoty MAE 0,95 s pro detekci začátků a 1,29 s pro detekci konců vůči referenčním polohám. Odhadované zatížení pacienta je porovnáno se skutečnou zátěží a dosahuje MAE 3 %.
|
|
Detekce obtížně diferencovatelných skupin srdečních arytmií
Kantor, Marek ; Ronzhina, Marina (oponent) ; Novotná, Petra (vedoucí práce)
Tato práce se zabývá problematikou detekčních metod fibrilace síní, flutteru síní a sinusového rytmu ze záznamu EKG. Práce rovněž pojednává o těchto arytmiích a klasifikačních algoritmech vhodných pro tuto problematiku. V rámci této práce je vytvořeno několik přístupů klasifikace. Pro extrakci příznaků je využita konvoluční neuronová síť a klasifikace je realizovaná prostřednictvím umělé neuronové sítě. Vybrána metoda 1D CNN pro tyto těžko diferencovatelné srdeční arytmie dosahuje průměrné přesnosti klasifikace F1 - skóre = 91 %. Vybrána CNN optimalizovaná pomocí GA je rychlá mělká síť s lepší přesností než hluboká síť. Vytvořené modely jsou použity i pro klasifikaci jiných typů arytmií.
|
|
Detekce fibrilace síní v krátkodobých EKG záznamech
Ambrožová, Monika ; Janoušek, Oto (oponent) ; Ronzhina, Marina (vedoucí práce)
Fibrilace síní je diagnostikována u 1-2 % populace, v příštích dekádách se očekává výrazný nárůst počtu pacientů s touto arytmií v souvislosti se stárnutím populace a vyšším výskytem některých onemocnění, která jsou považována za její rizikové faktory. Cílem této práce je popsat problematiku fibrilace síní a metody, které umožňují její detekci v EKG záznamu. V úvodní části se nachází literární rešerše zabývající se fyziologií srdce a fibrilací síní. V další části jsou uvedené některé metody sloužící k detekci FS. V praktické části je zhodnocena funkčnost dodaného softwaru pro detekci FS firmou BTL. Dále je zde navržen detektor fibrilace síní. K detekci bylo vybráno několik parametrů, poukazující na variabilitu RR intervalů. Jedná se o parametry směrodatné odchylky, koeficient šikmosti a špičatosti, variační koeficient, střední kvadratickou odchylku, normalizovanou absolutní odchylku, normalizovanou absolutní diferenci, mediánovou absolutní odchylku a entropii. Bylo využito třech různých klasifikačních modelů: metoda podpůrných vektorů (SVM), K-nearest neghbor (KNN) a diskriminační analýza (DA). Nejlepších výsledků dosahuje klasifikační model SVM. Výsledky ukazatelů úspěšnosti (sensitivita: 67,1 %; specificita: 97,0 %; F-measure: 66,8 %; accuracy: 92,9 %).
|
|
Klasifikace EKG signálů s použitím neuronových sítí
Loviška, David ; Vítek, Martin (oponent) ; Hrubeš, Jan (vedoucí práce)
Cílem projektu Klasifikace EKG signálů pomocí neuronových sítí je zjednodušit a urychlit práci lékaře. Toho lze dosáhnout vytvořením programu schopného jednoduše a téměř okamžitě klasifikovat EKG signál s použitím umělé neuronové sítě. Vytvořený program poskytne lékaři základní informace o vloženém elektrokardiogramu, jako jsou časové intervaly a amplitudy signálu v jednotlivých zkoumaných úsecích. Následně lékaře upozorní na odchylky od normálu. Součástí programu je i grafické okno se zobrazeným signálem a na něm barevně zvýrazněny body a úseky vyhodnocené programem za zvláštní. V další fázi bude program sám klasifikovat získané údaje a určí nezávisle na lékaři diagnózu, kterou může lékař vyhodnotit a případně vlastním podpisem uznat za skutečnou diagnózu pacienta. Tento program je rovněž vhodný pro několikahodinové, až týdenní záznamy Holterova monitorování EKG.
|
|
Automatická detekce fibrilace síní pomocí metod hlubokého učení
Budíková, Barbora ; Ronzhina, Marina (oponent) ; Hejč, Jakub (vedoucí práce)
Síňová fibrilace je arytmie, která se běžně detekuje z křivky EKG pomocí jejích specifických projevů. Její časné rozpoznání je klíčové k prevenci závažnějších stavů. Automatická detekce fibrilace síní se v posledních letech stále častěji provádí pomocí metod hlubokého učení. Tato práce představuje detekci fibrilace síní v křivce 12svodového EKG pomocí hluboké konvoluční neuronové sítě. V první části práce jsou představeny teoretické souvislosti k práci potřebné, dále je detailně popsán vytvořený algoritmus. Samotná detekce je realizována programem implementovaným v jazyce Python ve dvou algoritmických podobách jejichž přesnost je hodnocena pomocí metrik přesnost (Accuracy) a F1 skóre. Dosažené výsledky jsou diskutovány, vzájemné porovnány a srovnány s výsledky publikací zabývajících se obdobnou problematikou.
|
|
Detekce fibrilace síní v EKG
Prokopová, Ivona ; Kolářová, Jana (oponent) ; Ronzhina, Marina (vedoucí práce)
Fibrilace síní patří mezi nejčastěji se vyskytující poruchy srdečního rytmu, vyznačující stále vzrůstající prevalencí a incidencí v ČR i ve světě. Výskyt fibrilace síní je uváděn na úrovni 2-4 % populace, avšak vzhledem k často asymptomatickému průběhu je reálná prevalence ještě vyšší. Cílem této práce je automatická detekce fibrilace síní v EKG záznamu. V praktické části této práci je navržen algoritmus pro detekci fibrilace síní. Pro samotnou detekci bylo využito metody k-nearest neighbor, metody podpůrných vektorů a vícevrstvé neuronové sítě ke klasifikaci EKG signálů pomocí příznaků poukazující na variabilitu RR intervalů a přítomnost vlny P v těchto EKG záznamech. Nejlepší detekce dosáhl model využívající klasifikaci pomocí vícevrstvé neuronové sítě se dvěma skrytými vrstvami. Výsledky ukazatelů úspěšnosti Senzitivita 91,23 %, Specificita 99,20 %, PPV 91,23 %, F-measure 91,23 % a Accuracy 98,53 %.
|
|
Lokalizace srdečních arytmií v EKG s využitím hlubokého učení
Khaliullina, Sabina ; Novotná, Petra (oponent) ; Ronzhina, Marina (vedoucí práce)
Diplomová práce se věnuje klasifikaci a lokalizaci atriální fibrilace síní. V jazyce Python byla implementována metoda detekce využívající konvoluční neuronové sítě s multi-instančním učením (MIL) a metoda detekce lokálních maxim pro nález lokalizace. Byly vvužity segmnety ze dvou svodů EKG. Při binární klasifikaci za použitím první podmnožiny a následného post zpracování dosáhlo F1 skóre 100\%, při klasifikaci za použitím druhé podmnožiny - 92\%. V diskusi a závěru práce byla zhodnocena úspěšnost klasifikace a lokalizace, dosažené výsledky byly diskutovány a porovnány s výsledky jiných autorů.
|
|
Detekce fibrilace síní v EKG záznamu
Húsková, Michaela ; Vítek, Martin (oponent) ; Maršánová, Lucie (vedoucí práce)
Cílem práce je popsat problematiku fibrilace síní a metody umožňující její detekci v elektrokardiogramu. V úvodu teoretického rozboru je vysvětlena podstata elektrofyziologie srdce, a především patofyziologie fibrilace síní. Dále se práce věnuje popisu metod automatické detekce fibrilace síní a možnostem databáze PhysioNet. V praktické části jsou realizovány metody pomocí programového prostředí MATLAB. Po použití statistické analýzy pro zhodnocení kvality parametrů následuje automatická klasifikace dat metodou nejbližšího souseda. Na závěr je prezentována úspěšnost testování.
|
|
Detekce paroxysmální fibrilace a flutteru síní
Krmela, Jan ; Němcová, Andrea (oponent) ; Smíšek, Radovan (vedoucí práce)
Tato bakalářská práce se zabývá problematikou fibrilace a flutteru síní, patofyziologií těchto arytmií a jejich automatickou detekcí. Obsahuje teoretický úvod, potřebný k pochopení bazální anatomie srdce, jeho činnosti, vzniku a popisu elektrokardiogramu a kapitolu o srdečních arytmiích. Dále obsahuje rešerši o automatické detekci fibrilace síní. V práci je také popsána databáze, se kterou se pracuje v praktické části. Samotná realizace klasifikace srdečního rytmu a automatické detekce začátků a konců paroxysmálních epizod je provedena v prostředí MATLAB, navrhnutý algoritmus je otestovaný na popisovaných databázích a jsou vyhodnoceny jeho výsledky.
|