|
|
Lokalizace fibrilace síní pro vyhodnocení zatížení pacienta
Martinásková, Klára ; Ředina, Richard (oponent) ; Filipenská, Marina (vedoucí práce)
Diplomová práce se zabývá problematikou detekce fibrilace síní ze záznamů EKG a lokalizace daných úseků fibrilace u signálů s paroxysmální fibrilací. Je vypracována rešerše týkající se fibrilace síní, vzniku této atologie a metod detekce fibrilace z EKG záznamů pomocí hlubokého učení. V jazyce Python je následně implementován model konvoluční neuronové sítě s reziduálními bloky pro klasifikaci krátkých (3 s) segmentů EKG signálu. Následně jsou výsledky klasifikace zpracovány a v signálech s paroxysmální fibrilací jsou lokalizovány úseky s fibrilací. Díky klasifikaci a lokalizaci je dále vyhodnoceno zatížení pacienta fibrilací. Implementovaný klasifikátor na testovací množině dosahuje výsledků F1 skóre 96,15 %. Při lokalizaci úseků s fibrilací algoritmem je dosaženo hodnoty MAE 0,95 s pro detekci začátků a 1,29 s pro detekci konců vůči referenčním polohám. Odhadované zatížení pacienta je porovnáno se skutečnou zátěží a dosahuje MAE 3 %.
|
|
|
Detekce arytmií v EKG
Pchálková, Aneta ; Filipenská, Marina (oponent) ; Novotná, Petra (vedoucí práce)
Tato práce popisuje princip EKG, fyziologii arytmií, jejich vznik a projevy v EKG se zaměřením na komorové extrasystoly a blokády Tawarových ramének. Zabývá se současnými metodami detekce těchto arytmií a získáním příznaků potřebných pro jejich realizaci. Dále je popsána práce s daty včetně jejich předzpracování, které je provedeno také prakticky. Klasifikace komorových extrasystol a blokád Tawarových ramének je realizována pomocí modelů k-nejbližších sousedů.
|
|
|
Predikce úspěšnosti fotbalistů s využitím metod strojového učení
Janeček, Jan ; Filipenská, Marina (oponent) ; Ředina, Richard (vedoucí práce)
Tato bakalářská práce se zaměřuje na implementaci umělé neuronové sítě v programovacím jazyce Python s využitím knihovny Keras. Cílem práce je numerická predikce připravenosti fotbalového hráče na zápas na škále od 0 do 1. Predikce je založena na pěti fyziologicko-kinematických datech získaných ze tří tréninků předcházejících danému zápasu. Referenční data pro trénování umělé neuronové sítě zahrnují technické údaje o počtu úspěšných a celkových akcí během zápasu. Data použitá v této práci byla shromážděna od hráčů fotbalového klubu Sigma Olomouc U19 pomocí softwarů Polar Team Pro a Wyscout. Nejnižší zaznamenané chyby modelu, která činila 0,1046, bylo dosaženo použitím jedné skryté vrstvy obsahující 15 perceptronů.
|
|
|
Graph Neural Networks in Epilepsy Surgery
Hrtoňová, Valentina ; MSc, Daniel Uher, (oponent) ; Filipenská, Marina (vedoucí práce)
Successful epilepsy surgery relies on precise localization of the epileptogenic zone (EZ), yet only about 60% of patients become seizure-free post-surgery often due to inaccurate EZ identification. This thesis presents a novel method for EZ localization using Graph Neural Networks (GNNs) to analyze interictal biomarkers, specifically interictal spikes and relative entropy. The GNN models were used to localize resected seizure-onset zone electrode contacts based on interictal stereoelectroencephalography data, validated on a clinical dataset of 37 patients from two institutions. The best-performing GNN model - Graph Attention Network - scored a median Area Under the Receiver Operating Characteristic (AUROC) of 0.971 and a median Area Under the Precision-Recall Curve (AUPRC) of 0.525 across a cohort of 19 patients with a good surgical outcome, significantly outperforming a benchmark model based on spike rates (Wilcoxon Signed Rank test, p
|
|
|
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.
|
|
|
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.
|
|
|
Automatické měření efektivní refrakterní periody srdeční tkáně
Ředina, Richard ; Filipenská, Marina
Elektrofyziologické vyšetření jako jedna z možností léčby arytmií je i v dnešní době stále časově náročný výkon. S cílem snížení této časové zátěže prezentujeme vyvinutý algoritmus, který z měřeného EKG automaticky určuje efektivní refrakterní periodu (ERP) tkáně. Algoritmus sestává z především filtrace a detekce lokálních extrémů v signálech. Algoritmus byl testován na interní databázi signálů získaných od deseti pacientů, kteří podstoupili elektrofyziologické vyšetření. Výstup algoritmu se shodoval s elektrofyziologem stanovenou ERP v devíti z deseti případů (σ = 6 ms). Pro svou relativní úspěšnost a nenáročnou implementaci slibuje možné využití v real-time aplikaci během vyšetření, při kterém by mohl plně automatizovat a tím i urychlit stimulační protokoly.
|
|
|
Detekce arytmií v EKG
Šoltés, Tomáš ; Filipenská, Marina (oponent) ; Novotná, Petra (vedoucí práce)
Bakalářská práce popisuje často se vyskytující vybrané arytmie (resp. komorové extrasystoly a blokády Tawarových ramének) a jejich konvenční i moderní detekční metody, včetně metod využívající neuronové sítě. V praktické části jsou realizovány metody pro jednotlivé arytmie: Statistické analýzy QRS komplexů a jejich klasifikaci pomocí metody K-nejbližších sousedů pro blokády Tawarových ramének a komorových extrasystol.
|
|
|
Detekce arytmií v EKG
Šoltés, Tomáš ; Filipenská, Marina (oponent) ; Novotná, Petra (vedoucí práce)
Bakalářská práce popisuje často se vyskytující vybrané arytmie (resp. komorové extrasystoly a blokády Tawarových ramen) a jejich konvenční i moderní detekční metody, včetně metod využívající neuronové sítě. V praktické části jsou realizovány metody pro jednotlivé arytmie: Analýza RR intervalů pro detekci komorových extrasystol a statistická analýza QRS komplexů a jejich shlukování pomocí metody K-nejbližších sousedů pro blokády Tawarových ramen.
|
|
|
Implementace nové metody do modelu strojového učení na lokalizaci epileptického ložiska u pacientů s farmakorezistentní epilepsií
Pivnička, Martin ; Mívalt, Filip (oponent) ; Filipenská, Marina (vedoucí práce)
Bakalářská práce rozebírá problematiku lokalizace epileptického ložiska u pacientů s farmakorezistentní epilepsií. Teoretická část ve své první části pojednává o podstatě epilepsie a její léčbě. Popisuje princip elektroencefalografického měření a jeho přínos v epileptologii. Taktéž nastiňuje různé varianty lokalizace epileptické zóny v mozku. Druhá polovina teoretického úvodu je zaměřena na principy strojového učení a jejich využití pro léčbu epilepsie. V praktické části je popsána tvorba a funkce gamma metody, stejně jako její statistické ohodnocení. Výsledky zahrnují jak samostatnou funkčnost metody, tak i výkon v rámci existujícího modelu strojového učení. Bylo prokázáno, že gamma metoda představuje cenný specifický parametr pro lokalizaci epileptického ložiska. Její přidání do modelu strojového učení nevedlo k zásadnímu zlepšení práce modelu.
|
host ::
RSS.