Název:
Lokalizace srdečních arytmií v EKG s využitím hlubokého učení
Překlad názvu:
Deep-learning based localization of cardiac arrhythimas in ECG
Autoři:
Khaliullina, Sabina ; Novotná, Petra (oponent) ; Ronzhina, Marina (vedoucí práce) Typ dokumentu: Diplomové práce
Rok:
2022
Jazyk:
cze
Nakladatel: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstrakt: [cze][eng]
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.
The thesis deals with the localization and classification of atrial atrial fibrillation. In Python, a detection method using convolutional neural networks with multi-instance learning (MIL) and the method of local maxima for localization were implemented. Segments from two ECG leads were used. In the binary classification using the first subset and subsequent post processing, the F1 score reached 100 %, in the classification using the second subset 92 %. In the discussion and conclusion of the work, the success of classification and localization was evaluated, the achieved results were discussed and compared the with the results of other authors.
Klíčová slova:
elektrokardiogram; Fibrilace síní; hluboké učení; klasifikace; konvoluční neuronová sít'; lokalizace; MIL.; Atrial fibrillation; classification; convolutional neural network; deep learning; electrocardiogram; localization; MIL.
Instituce: Vysoké učení technické v Brně
(web)
Informace o dostupnosti dokumentu:
Plný text je dostupný v Digitální knihovně VUT. Původní záznam: http://hdl.handle.net/11012/204932