|
|
Detekce začátku a konce komplexu QRS s využitím hlubokého učení
Malina, Ondřej ; Ronzhina, Marina (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.
|
|
|
Filtrace svalového rušení v EKG signálech
Fedorov, Vasilii ; Smíšek, Radovan (oponent) ; Smital, Lukáš (vedoucí práce)
Táto práce byla věnována problematice odstraňování svalového rušení v EKG signálech. Skládá se z teoretické a praktické části. V teoretické částí jsme zaprvé zdůraznili aktualitu snímání a filtraci EKG signálů. Pak jsme se seznámili se vznikem EKG, jeho vlastnostmi, a typy rušení, běžně se v něm vyskytujících. Dále byly prodiskutovány známé metody filtrace EMG rušení pomoci lineárních a nelineárních technik. Po seznámení s vlnkovou transformaci a možnostmi její využití byla realizována praktická část v prostředí MATLAB 2020b®. Byl navržen wienerovský vlnkový filtr, který byl doplněn o práh adaptivní funkci. Parametry modelu byly zoptimalizovány metodou řešení hrubou sílou v zredukovaném rozsahu. Vyhodnocení filtru proběhlo na CSE databázi, kde výsledky byli porovnány s autory jiných metod. Filtr v důsledků vykazuje dobré filtrační schopnosti a stabilitu.
|
|
|
Klasifikace denních aktivit
Müller, Jakub ; Smital, Lukáš (oponent) ; Smíšek, Radovan (vedoucí práce)
Bakalářská práce se zabývá klasifikací denních aktivit z akcelerometrických dat. V teoretické části práce jsou obecně shrnuty denní aktivity a přínosy jejich monitorování. Dále navazuje kapitola o akcelerometrech a principech jejich fungování. V závěru teoretické části jsou popsány základy umělých neuronových sítí a SVM. Praktická část spočívala ve výběru veřejně dostupné databáze s akcelerometrickými daty denní aktivity a v naměření akcelerometrických vlastních dat. Dále v návrhu a optimalizaci algoritmu ke zpracování dat, provedení klasifikace využitím zvolených modelů a vyhodnocení výsledků úspěšnosti.
|
|
|
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.
|
|
|
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.
|
|
|
Model fibrilace síní
Ředina, Richard ; Smíšek, Radovan (oponent) ; Ronzhina, Marina (vedoucí práce)
Cílem diplomové práce je vytvořit 3D elektroanatomický model srdečních síní schopný simulovat fibrilaci síní. Pro řízení modelu byly vybrány diferenciální rovnice FitzHugova-Nagumova modelu, které popisují změnu napětí na buněčné membráně. Rovnice mají zavedené parametry, jejichž úprava vede ke změnám chování modelu. Simulace byly prováděny v prostředí COMSOL Multiphysics. V prvním kroku byly simulace prováděny na 2D modelech. Byly vytvořeny simulace zdravého srdce, flutteru síní a síňové fibrilace. Nabyté poznatky posloužily jako základ pro vytvoření 3D modelu na němž byla simulována fibrilace síní na podkladě ektopické aktivity a reentry mechanismu. Bylo dosaženo přesvědčivých výsledků v souladu s použitou literaturou. Výhodami výpočetního modelování je jeho dostupnost, nulová etická zátěž a možnost simulovat i vzácnější arytmie. Nevýhodou zvoleného postupu je nutnost volby mezi přesností a výpočetní náročností simulací.
|
|
| |
|
| |
|
|
Detection Of P Wave During Second-Degree Atrioventricular Block In Ecg Signals
Maršánová, Lucie ; Němcová, Andrea ; Smíšek, Radovan
Automatic detection of P wave during the second-degree AV block is the main condition for automatic detection of this pathology. This work deals with developing of the algorithm for P wave detection. The algorithm is appropriate for ECG signals with AV block as well as signals with other rhythm types (it does not produce false positive P wave detections). For P wave detection, the phasor transform is applied and several innovative rules are created. These rules are based on knowledge of heart manifestation during both physiological and pathological heart function. The proposed algorithm consists of four parts – filtration, QRS complex detection, application of rules, and P wave detection. The accuracy of the P wave detection algorithm is 99.74 % for signals with AV block, and 99.82 % for signals without any pathologies.
|
|
|
Automatická detekce stresu pomocí biologických signálů
Votýpka, Tomáš ; Kozumplík, Jiří (oponent) ; Smíšek, Radovan (vedoucí práce)
Bakalářská práce je zaměřena na detekci stresu. Tato práce definuje pojem stres, analyzuje vhodné biologické signály k detekci stresu, představuje databáze biologických signálů, které byly využity pro detekci stresu a zmiňuje metody automatické detekce stresu. Následně byl v programovém prostředí MATLAB implementovaný program detekující stres. Pro realizaci programu byla využita volně dostupná databáze non-EEG signálů. Modely klasifikující stres, byly vytvořeny pomocí 4 metod strojového učení pro binární klasifikaci a 3 metod strojového učení pro klasifikaci 4 psychických stavů. Úspěšnosti klasifikačních úloh jsou shrnuty v závěru práce.
|
host ::
RSS.