|
|
Extrakce a klasifikace síňové aktivity z intrakardiálních elektrogramů
Martinů, Žaneta ; Novotná, Petra (oponent) ; Hejč, Jakub (vedoucí práce)
Cílem této práce je seznámit čtenáře s arytmogenezí supraventrikulárních tachykardií zaměřenou na projevy v intrakardiálních záznamech. Dále semestrální práce pojednává o základních metodách analýzy elektrokardiografických signálů. Praktická část obsahuje extrakci síňové aktivity a klasifikaci síňového rytmu s možností implementace těchto metod v prostředí MATLAB. Z vhodně předzpracovaných dat je extrahována síňová aktivita. Na extrakci síňové aktivity navazuje klasifikace síňového rytmu pomocí metody K–means.
|
|
|
Detekce začátku a konce komplexu QRS s využitím hlubokého učení
Malina, Ondřej ; Hejč, Jakub (oponent) ; Smíšek, Radovan (vedoucí práce)
Tato práce se zabývá problematikou automatického měření doby trvání QRS komplexů v EKG signálech. Zvláštní důraz je zde pak kladen na možnosti automatické detekce komplexů QRS při současném buzení srdeční tkáně kardiostimulátorem. Obsah této práce je řazen do čtyř logických celků, kdy se v první části věnuje srdci jako orgánu. Popisuje vznik a šíření vzruchu v srdci, jeho možné patologie a jejich projevy v EKG záznamu, dále se zde věnuje kardiostimulaci a měření EKG záznamu při současné kardiostimulaci. Druhá část práce obsahuje stručný úvod do tématu strojového a hlubokého učení. Třetí část práce obsahuje rešerše aktuálních přístupů využívající k řešení detekce QRSd metody založené na hlubokém učení. Čtvrtá část se pak zabývá návrhem a implementací vlastního modelu hlubokého učení, schopného detekovat začátky a konce QRS komplexů z EKG záznamů. Je zde popsáno předzpracovaní dat realizované v programovacím prostředí MATLAB. Samotná implementace modelu byla uskutečněna v programovacím jazyce Python za využití modulů PyTorch a NumPy.
|
|
|
Segmentace skrytých P vln pomocí metod hlubokého učení
Boudová, Markéta ; Ronzhina, Marina (oponent) ; Hejč, Jakub (vedoucí práce)
Cílem této diplomové práce je detekce P vlny v EKG záznamech. Úvod teoretické části se zabývá fyziologií srdce. V druhé části jsou vysvětleny základní principy hlubokého učení. V praktické části je v programovacím jazyce Python provedeno předzpracování EKG záznamů a naimplementována neuronová síť U-Net. Následně je provedena optimalizace architektury za účelem snížení komplexity modelu. V závěru práce je vyhodnocena úspěšnost sítě při segmentaci P vln.
|
|
|
Identifikace abnormálních EKG segmentů pomocí metody Multiple-Instance Learning
Šťávová, Karolína ; Smíšek, Radovan (oponent) ; Hejč, Jakub (vedoucí práce)
Srdeční arytmie jsou velmi častým srdečním onemocněním, jejichž výskyt v populaci se zvyšuje. Tato práce se zabývá automatickou detekcí komorových extrasystol ze záznamů 12svodového EKG, k čemuž využívá hlubokého učení. Prostřednictvím techniky založené na přístupu Multiple-Instance Learning je dále provedena lokalizace těchto arytmií (klíčových instancí) v záznamu. V teoretické části práce je popsána základní elektrofyziologie srdce a princip fungování hlubokého učení zejména se zaměřením na konvoluční neuronové sítě. V rámci programového řešení v jazyce Python byl využit model postavený na architektuře InceptionTime, pomocí něhož byla provedena klasifikace signálů do vybraných tříd. Pro zjištění lokalit klíčových instancí v EKG byla implementována metoda Grad-CAM. Hodnocení kvality detekce arytmií proběhlo prostřednictvím výpočtu F1 skóre a výsledky byly na konci práce diskutovány.
|
|
|
Detekce komorových extrasystol v EKG
Imramovská, Klára ; Hejč, Jakub (oponent) ; Ronzhina, Marina (vedoucí práce)
Práce se zabývá problematikou automatické detekce komorových extrasystol v EKG záznamech. V jazyce Python byla implementována metoda detekce využívající konvoluční neuronové sítě a LSTM jednotek. Pro detekci byly využity srdeční cykly extrahované z jednoho svodu EKG. Při klasifikaci do dvou tříd (KES a normální rytmus) dosáhlo F1 skóre na testovací množině 96,41 %, u klasifikace do tří tříd (KES, normální rytmus a ostatní arytmie) 81,76 %. V závěru práce je úspěšnost klasifikace zhodnocena a diskutována, dosažené výsledky pro klasifikaci do dvou tříd jsou srovnatelné s výsledky metod z jiných studií.
|
|
| |
|
|
Generative Adversial Network for Artificial ECG Generation
Šagát, Martin ; Ronzhina, Marina (oponent) ; Hejč, Jakub (vedoucí práce)
The work deals with the generation of ECG signals using generative adversarial networks (GAN). It examines in detail the basics of artificial neural networks and the principles of their operation. It theoretically describes the use and operation and the most common types of failures of generative adversarial networks. In this work, a general procedure of signal preprocessing suitable for GAN training was derived, which was used to compile a database. In this work, a total of 3 different GAN models were designed and implemented. The results of the models were visually displayed and analyzed in detail. Finally, the work comments on the achieved results and suggests further research direction of methods dealing with the generation of ECG signals.
|
|
|
Pokročilá klasifikace poruch srdečního rytmu v EKG
Sláma, Štěpán ; Hejč, Jakub (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato práce se zaměřuje na teoretické objasnění poruch srdečního rytmu a možnosti jejich automatické detekce s využitím sítí hlubokého učení. Pro účely této práce bylo využito celkově 6884 10sekunových záznamů EKG s měřenými osmi svody. Záznamy byly rozděleny do pěti skupin podle srdečních rytmů na skupinu záznamů s fibrilací síní, sinusové rytmy, supraventrikulární rytmy, ventrikulární rytmy a poslední skupinu tvořily záznamy ostatní. Jednotlivé skupiny byly nerovnoměrně zastoupeny a více než 85 % z celkového počtu dat jsou záznamy skupiny sinusového rytmu. Použité klasifikační metody sloužily efektivně jako detektor záznamů nejpočetnější skupiny a nejefektivnější ze všech byl postup tvořený 2D konvoluční neuronovou sítí, do které vstupovala data v podobě skalogramů (klasifikační postup číslo 3). Ta dosahovala výsledků přesnosti (precision) 91 %, úplnosti (recall) 96 % a hodnoty F1-skóre 0,93. Naopak při klasifikaci všech pěti skupin zároveň nebylo dosaženo takto kvalitních výsledků u všech skupin. Nejefektivnějším postupem se jeví varianta sestavena z aplikace PCA na osm vstupních signálů se ziskem jednoho signálu výstupního, který se stává vstupem 1D konvoluční neuronové sítě (klasifikační postup číslo 5). Tento postup dosáhl následujících hodnoty F1-skóre: 1) skupina záznamů s fibrilací síní 0,54, 2) skupina sinusových rytmů 0,91, 3) skupina supraventrikulárních rytmů 0,65, 4) skupina ventrikulárních rytmů 0,68, 5) ostatní záznamy 0,65.
|
|
|
Automatická detekce fibrilace síní pomocí metod hlubokého učení
Budíková, Barbora ; Ronzhina, Marina (oponent) ; Hejč, Jakub (vedoucí práce)
Síňová fibrilace je arytmie, která se běžně detekuje z křivky EKG pomocí jejích specifických projevů. Její časné rozpoznání je klíčové k prevenci závažnějších stavů. Automatická detekce fibrilace síní se v posledních letech stále častěji provádí pomocí metod hlubokého učení. Tato práce představuje detekci fibrilace síní v křivce 12svodového EKG pomocí hluboké konvoluční neuronové sítě. V první části práce jsou představeny teoretické souvislosti k práci potřebné, dále je detailně popsán vytvořený algoritmus. Samotná detekce je realizována programem implementovaným v jazyce Python ve dvou algoritmických podobách jejichž přesnost je hodnocena pomocí metrik přesnost (Accuracy) a F1 skóre. Dosažené výsledky jsou diskutovány, vzájemné porovnány a srovnány s výsledky publikací zabývajících se obdobnou problematikou.
|
|
|
3D model elektrické aktivace myokardu
Míková, Monika ; Mézl, Martin (oponent) ; Hejč, Jakub (vedoucí práce)
Cílem této diplomové práce je vytvoření jednoduchého 3D elektro-anatomického modelu srdeční tkáně, který bude schopný simulovat šíření elektrické aktivace jak ve zdravém srdci, tak v srdci s arytmogenním substrátem. Model elektrické aktivace myokardu je realizován v prostředí COMSOL Multiphysics, což je simulační software pro tvorbu modelů využívající metody konečných prvků. K modelování excitabilní povahy myokardu byla použita Fitzhugh-Nagumo rovnice a na základě vhodně zvolených parametrů byly nejprve vytvořeny 2D modely tkáně myokardu popisující šíření vzruchu ve zdravé tkáni, v ischemické tkáni, spontánní vznik vzruchů v SA uzlu a vznik spirálové vlny. Následně byly vytvořeny zjednodušené 3D modely srdce popisující šíření vzruchu ve zdravém srdci, za přítomnosti přídatné dráhy a při AV blokádě III. stupně. Zjednodušený 3D model srdce nabízí kompromis mezi výpočetním zatížením a složitostí modelu a může být použit jako vyšetřovací nástroj pro úpravu tkání a celého srdce při vhodném nastavení parametrů rovnice.
|
host ::
RSS.