|
|
Automatická detekce -vlny ve 12svodovém EKG
Khunová, Martina ; Filipenská, Marina (oponent) ; Ředina, Richard (vedoucí práce)
Tato bakalářská práce se zabývá automatickou detekcí delta vlny z 12svodového EKG v programu Matlab. V teoretické části je stručně popsána anatomie a fyziologie srdce, dále je čtenáři představen Wolf-Parkinson-Whiteův syndrom a přes projevy delta vlny na elektrokardiogramu se dostáváme k popisu lineárních filtrů a metodě detekce QRS komplexů založené na obálce filtrovaného signálu. V prvním kroku praktické části je zkonstruován detektor QRS komplexů, na nějž navazuje detektor delta vln. Detekce delta vlny probíhá na základě změření doby trvání peaku a jeho následná derivace. Detektor byl otestován na databázi, jejíž data byla nasnímána u dětských pacientů.
|
|
|
Pokročilé hodnocení kvality spánku
Benáček, Petr ; Ředina, Richard (oponent) ; Filipenská, Marina (vedoucí práce)
Tato diplomová práce se zabývá hodnocením kvality spánku pomocí moderních metod hlubokého učení. V práci jsou popsány metriky automatické klasifikace spánkových fází. Je zde diskutována vybraná databáze spánkových dat. Vzhledem k nízkému počtu dat ve fázi bdění jsou popsány a provedeny různé způsoby augumentace dat. Základem pro klasifikaci jsou modely založené na 1D konvolučních sítích. Výsledkem jsou připravené modely pro binární klasifikaci a klasifikaci 3 a 4 fází spánku. Nakonec jsou pomocí těchto modelů vypočítány metriky hodnotící kvalitu spánku a výsledky jsou srovnány s literaturou.
|
|
|
Pokročilá klasifikace spánkových fází
Dokoupilová, Daniela ; Novotná, Petra (oponent) ; Filipenská, Marina (vedoucí práce)
Tato diplomová práce se věnuje klasifikaci spánkových fází z chytrých hodinek. Využity byly dva signály, a to tepová frekvence a zrychlení. Pro klasifikaci byl vybrán model TinySleepNet, který je složen z konvoluční a LSTM sítě. Model byl natrénován nejprve pro klasifikaci pěti spánkových fází pouze z tepové frekvence, F1 skóre prvního modelu dosáhlo 49 %. Zrychlení bylo přepočítáno na vektor SVM, na kterém byl natrénován druhý model. Kvůli nedostatku informací ve vektoru SVM byl model natrénován pouze pro binární klasifikaci bdění/spánek a jeho F1 skóre dosáhlo 62,3 %. V posledním modelu byly oba signály zkombinovány. Klasifikace z tepové frekvence a vektoru SVM na pět spánkových fází poté dosáhla F1 skóre 51 %. Vypočtené parametry hodnotící kvalitu spánku byly poté srovnány s daty ohodnocenými spánkovým expertem.
|
|
|
Hodnocení zdraví pomocí chytrých zařízení
Vargová, Enikö ; Filipenská, Marina (oponent) ; Němcová, Andrea (vedoucí práce)
Tato práce se zabývá možností neinvazivního stanovení glykémie z fotopletysmografických signálů. Zvýšená glykémie často souvisí s onemocněním zvaným diabetes mellitus, což je jedno z nejčastějších chronických onemocnění na světě. Neléčený diabetes bývá často příčinou úmrtí. Cílem práce je vytvořit algoritmus pro klasifikaci a predikci glykémie. Nejdříve byly naměřeny dvě databáze PPG signálů s využitím dvou chytrých zařízení (chytrý náramek a chytrý telefon). Současně byla měřena také referenční hodnota glykémie invazivně. PPG signály byly předzpracovány a byly z nich extrahovány vhodné příznaky pro klasifikaci i predikci konkrétní hodnoty glykémie. Následně bylo vytvořeno několik různých modelů pro klasifikaci glykémie do dvou skupin (nízká a vysoká glykémie) a pro predikci konkrétní hodnoty glykémie.
|
host ::
RSS.