|
|
Detekce spánkové apnoe
Hastík, Matěj ; Janoušek, Oto (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová práce se zabývá podrobným popisem spánkové apnoe a metodami její detekce. První část práce je zaměřena na fyziologii spánku, samotnou spánkovou apnoe, její rozdělení, příznaky, rizikové faktory a léčbu. Další část práce se zabývá polysomnografickým vyšetřením a metodami pro analýzu polysomnografických dat. Poslední část je věnována návrhu postupu pro detekci spánkové apnoe při použití pouze jednoho druhu signálu a při použití více druhů signálů, realizaci těchto návrhů, jejich otestování na reálných datech, hodnocení úspěšnosti detekce a porovnání dosažených výsledků s údaji dostupnými z literatury.
|
|
|
Analýza spánkových EEG
Vávrová, Eva ; Kozumplík, Jiří (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato bakalářská práce se zabývá analýzou spánkových elektroencefalogramů, která je založená na výpočtu vybraných parametrů z časové a frekvenční oblasti. Tyto parametry jsou počítány z jednotlivých úseků EEG signálů odpovídajícím různým spánkovým fázím. Na základě statistické analýzy se dá rozhodnout, které parametry EEG jsou vhodné pro následnou automatickou detekci jednotlivých spánkových fází. Pro výběr, zobrazení a analýzu EEG byl vytvořen program s grafickým uživatelským rozhraním v prostředí MATLAB.
|
|
|
Sleep scoring using artificial neural networks
Vašíčková, Zuzana ; Mézl, Martin (oponent) ; Králík, Martin (vedoucí práce)
The main objective of the thesis is to create an artificial neural network for sleep-staging. Firstly, information about sleep and sleep stages is summarized. However, more profound overview of signal processing methods and methods of classification is found in next chapters. After summarizing the theoretical knowledge necessary to carry out practical part of thesis, signal features were extracted according to the theoretical proposal and using statistical analysis, convenient features were used as in input for artificial neural network, able to classify the sleep data into sleep stages after the learning stage.
|
|
|
Analysis of sleep EEG signal
Ježek, Martin ; Kozumplík, Jiří (oponent) ; Rozman, Jiří (vedoucí práce)
The aim of this study was to develop an automatic detection program for scoring the sleep EEG arousals, based on one of time-frequency analysis methods. The subject of the study was 13 overnight polysomnographic recordings (four leads of EEG, EMG, ECG and EOG), i.e over 100 hours in total. It was a subset of data used in former studies by sleep expert Dr. Emilia Sforza, Geneva, Switzerland, who also provided baseline arousal scoring. Total number of 1551 arousal events were marked in the recordings. Next, several tools for recordings' visualization were developed to facilitate the decision on methods of analysis. Following the conclusions made after extensive visualization of input recordings in different time-frequency representations and regarding the character of EEG as neuroelectric waveforms and computing efficiency, discrete wavelet decomposition with Daubechies order 6 mother wavelet was chosen. The EEG signals were decomposed into six frequency bands. The results together with EMG recordings were used to evaluate a set of indices describing EEG and EMG changes accompanying arousals. These indices were weighted to form linear classifier of microarousal suspicion in each EEG lead – a microarousal was marked as present when it remained suspect in period of 3 to 30 seconds. Outputs of four EEG channels were then integrated to report final outcome. Based on sensitivity and selectivity measures the algorithm was optimized by genetic algorithm. The subject of tuning were the linear classifier parameters and first four of 13 recordings were selected as training data. A microarousal detection program emerged on basis of the tuned algorithm and resulted in average sensitivity of 76,09 %, selectivity of 53,26 % and 97,66 % specificity over all 13 recordings compared to expert visual scorings.
|
|
|
Automatická klasifikace spánkových fází z polysomnografických dat
Vávrová, Eva ; Potočňák, Tomáš (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová práce se zabývá analýzou polysomnografických záznamů, která je založená na výpočtu vybraných parametrů v časové, frekvenční a časově-frekvenční oblasti. Parametry jsou počítány z 30s úseků EEG, EMG a EOG signálů snímaných v průběhu různých spánkových fází. Pomocí statistické analýzy jsou vybrány parametry, které jsou vhodné pro následnou automatickou klasifikaci spánkových fází, která je zrealizována pomocí umělé neuronové sítě, k-NN klasifikátoru a lineární diskriminační analýzy. V rámci této práce byl vytvořen program s grafickým uživatelským rozhraním v prostředí MATLAB.
|
|
|
Automatická klasifikace spánkových fází z polysomnografických dat
Kříženecká, Tereza ; Potočňák, Tomáš (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová práce se zabývá automatickou klasifikací polysomnografických záznamů, která je založená na analýze parametrů v časové a frekvenční oblasti. Parametry jsou počítány z 30s úseků EEG, EMG a EOG signálů snímaných v průběhu různých spánkových fází. Pomocí statistické analýzy jsou vybrány parametry, které jsou vhodné pro následnou automatickou klasifikaci spánkových fází. Klasifikace je poté provedena pomocí metody SVM a zhodnocení úspěšnosti klasifikace je provedeno pomocí senzitivity, specificity a procentuální úspěšnosti. Práce byla provedena v programovém prostředí MATLAB.
|
|
|
Klasifikace spánkových stádií
Nováková, Kateřina ; Ronzhina, Marina (oponent) ; Potočňák, Tomáš (vedoucí práce)
Předložená práce se zabývá základním popisem polysomnografického měření, morfologií spánku a jeho stádii. Dále jsou zde uvedeny vybrané metody zpracování elektroencefalografických signálů. Techniky zpracování jsou zejména zaměřeny na klasifikaci spánkových stádií. Praktická část práce se zabývá realizací tří metod klasifikace s využitím umělých neuronových sítí a ověřením funkčnosti těchto metod. Všechny algoritmy jsou zpracovány v prostředí programu Matlab. Příznakové vektory jsou získány pomocí výpočtu energií, Welchovy spektrální analýzy a Hilbert-Huangovy transformace. Pro klasifikaci jsou zde využity tři typy umělých neuronových sítí - rekurentní neuronová síť, dopředná síť a síť pro klasifikaci vzorů. Na základě příznakových vektorů je spánek klasifikován do stádií bdělost (W), spánek bez výskytu rychlých očních pohybů (NREM) a spánek s výskytem rychlých očních pohybů (REM).
|
|
| |
|
|
Detekce spánkové apnoe z EKG signálu
Trnková, Simona ; Smital, Lukáš (oponent) ; Králík, Martin (vedoucí práce)
Cílem této práce bylo navrhnout algoritmus pro detekci spánkové apnoe z dechové křivky, které byla extrahována z EKG signálu. V práci je obsažena teorie spánkové medicíny, metody pro extrakci dechové křivky z EKG signálu a metody detekce apnoických úseků. V praktické části jsou popsány a vyhodnoceny algoritmus pro odhad dechové křivky a modely klasifikující apnoické úseky.
|
|
|
Klasifikace spánkových fází
Lacinová, Michaela ; Smital, Lukáš (oponent) ; Králík, Martin (vedoucí práce)
Tato bakalářská práce se zabývá v první části rozborem polysomnografie a způsoby jejího měření při elektroencefalografii, elektrookulografii a elektromyografii. Součástí rozboru jsou fáze spánku dle doporučení AASM. Polysomnografická data jsou dále analyzována v časových a frekvenčních oblastech, které jsou jednotlivě vyhodnoceny. Ve druhé části jsou data klasifikována do jednotlivých tříd pomocí rozhodovacích stromů a metody k-nejbližších sousedů v programovém prostředí MATLAB. Následně jsou tato data zhodnocena a srovnána s dostupnou literaturou.
|
host ::
RSS.