Original title: Stanovení systolického objemu z fotopletysmografických dat
Translated title: Estimation of systolic volume from photoplethysmographic data
Authors: Hekal, Jakub ; Kolářová, Jana (referee) ; Šíma, Jan (advisor)
Document type: Bachelor's theses
Year: 2026
Language: cze
Publisher: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract: [cze] [eng]
Tato bakalářská práce se zabývá stanovením systolického objemu z kontinuálních signálů fotopletysmografie. Úvodní část práce obsahuje literární rešerši zaměřenou na charakteristiku systolického objemu, jeho klinický význam a přehled invazivních i neinvazivních metod jeho měření. Dále jsou popsány biologické a fyzikální principy fotopletysmografie včetně morfologie PPG signálu a jeho derivací. Experimentální část zahrnuje měření PPG signálů a referenčních hodnot systolického objemu u skupiny subjektů za různých podmínek. Získaná data byla následně předzpracována, filtrována a analyzována pomocí algoritmů pro detekci klíčových bodů PPG křivky. Byly extrahovány morfologické, časové a integrační příznaky, které sloužily jako vstupy pro regresní modely strojového učení a konvoluční neuronovou síť určenou k odhadu systolického objemu. Výsledky jednotlivých přístupů byly porovnány s referenčními hodnotami a vyhodnoceny pomocí vybraných chybových metrik. Dosažené výsledky poukazují na potenciál využití fotopletysmografie pro neinvazivní monitorování systolického objemu, zároveň však potvrzují omezení způsobená variabilitou a citlivostí PPG signálu. This bachelor’s thesis focuses on determining systolic volume from continuous photoplethysmography signals. The introductory section of the thesis includes a literature review focusing on the characteristics of systolic volume, its clinical significance, and an overview of both invasive and non-invasive methods for measuring it. It further describes the biological and physical principles of photoplethysmography, including the morphology of the PPG signal and its derivatives. The experimental section involves the measurement of PPG signals and reference values of systolic volume in a group of subjects under various conditions. The acquired data were subsequently preprocessed, filtered, and analyzed using algorithms for detecting key points on the PPG curve. Morphological, temporal, and integration features were extracted and served as inputs for machine learning regression models and a convolutional neural network designed to estimate systolic volume. The results of the individual approaches were compared with reference values and evaluated using selected error metrics. The results achieved highlight the potential of photoplethysmography for non-invasive monitoring of systolic volume, while also confirming the limitations caused by the variability and sensitivity of the PPG signal.
Keywords: hemodynamics; machine learning; photoplethysmography; systolic volume; fotopletysmografie; hemodynamika; strojové učení; systolický objem

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/258500

Permalink: http://www.nusl.cz/ntk/nusl-776529


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Bachelor's theses