Název:
Detekce začátku a konce komplexu QRS s využitím hlubokého učení
Překlad názvu:
Detekce začátku a konce komplexu QRS s využitím hlubokého učení
Autoři:
Müller, Jakub ; Šaclová, Lucie (oponent) ; Smíšek, Radovan (vedoucí práce) Typ dokumentu: Diplomové práce
Rok:
2024
Jazyk:
cze
Nakladatel: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstrakt: [cze][eng]
Měření EKG je základním diagnostickým nástrojem zdravotního stavu srdce a automatizace jeho analýzy může přispět ve zdravotnictví k odhlečení pracovní zátěže personálu nebo ke zlepšení kvality automatické diagnostiky z nositelných zařízení. Tato práce se zaměřuje konkrétně na komplex QRS v signále EKG, s hlavním cílem aplikování metod hlubokého učení k detekci jeho počátku a konce. V teoretickém úvodu je čtenář seznámen s původem komplexu QRS a měřením EKG, umělými neuronovými sítěmi a hlubokým učením. Pro implementaci vlastní metody byla zvolena architektura U-Net modifikovaná pro 1D signály. Data byly čerpány z pěti veřejně přístupných databází, jejich předzpracování proběhlo v prostředí Matlab. Následoval přesun do prostředí Python kde byly realizovány části modelu s použitím knihoven TensorFlow a Keras, následné trénování, testování modelu a vyhodnocení výsledků.
ECG measurement isan essential diagnostic tool for cardiac health, and automation of its analysis can aid to our healthcare to relieve staff workload or improve the quality of automated diagnostics from wearable devices. This work focuses specifically on the QRS complex in the ECG signal, with the main goal of using deep learning methods to detect its onset and offset. In the theoretical introduction, the reader is introduced to the origin of the QRS complex and ECG measurements, artificial neural networks and deep learning. Modified architecture U-Net for 1D signals was chosen to implement the actual method. Data were extracted from five publicly available databases and preprocessed in Matlab. This was followed by moving to the Python environment where parts of the model were implemented using the TensorFlow and Keras libraries, subsequent training, testing of the model and evaluation of the results.
Klíčová slova:
databáze; EKG signál; hluboké učení; Keras; konvoluce; neuronová síť; Python; QRS detekce; QRS komplex; QRS konec; QRS počátek; TensorFlow; U-Net; convolution; database; deep learning; ECG signal; Keras; neural network; Python; QRS complex; QRS detection; QRS offset; QRS onset; TensorFlow; U-Net
Instituce: Vysoké učení technické v Brně
(web)
Informace o dostupnosti dokumentu:
Plný text je dostupný v Digitální knihovně VUT. Původní záznam: https://hdl.handle.net/11012/246227