|
|
Cheap device for non-invasive detection of blood flow
Mívalt, Filip ; Majzner, Jiří (referee) ; Sedlák, Petr (advisor)
Blood flow measurement by Doppler effect is widely used technique for the assessment of blood vessels condition. Stenosis, aneurysm and blood insufficiency might be revealed by this method. In recent years, measurement devices based on Doppler effect haves been introduced also in veterinary medicine. For example, peripheral blood pressure of a cat might be observed at tail or paw. This thesis deals with the design of blood flow Doppler detector prototype and its implementation to fully operational instrument. Proposed device is uses a low-cost doppler probe. Blood flow detection is based on the analysis of Doppler probe output signal discrete power spectrum. The frequency spectrum is determined from digitized preprocessed analog signal. This thesis should illustrate the possibility of usage of Arduino platform and cheap ultrasound vascular probe as alternative for expensive Doppler devices.
|
|
|
Implementation of new method to machine learning model for epileptogenic zone localization in pharmacoresistant epilepsy patients
Pivnička, Martin ; Mívalt, Filip (referee) ; Filipenská, Marina (advisor)
The bachelor thesis describes the issue of the epileptogenic tissue localization considering pacients with drug-resistant epilepsy. The first half of the theoretical part discusses the matter of epilepsy and its treatment. It describes the principle of electroencephalographic measurement and its contribution to epileptology as well as multiple foci localization approaches. The second theoretical part shows machine learning basics and its use for epilepsy treatment. The practical part starts with the description of steps needed to create the gamma method. It continues with the statistical analysis of the method. This analysis contains both gamma method alone and as a part of existing machine learning algorithm. It has been shown that the gamma method is a valuable specific parameter for localizing epileptic foci. Its addition to the machine learning model did not lead to a significant improvement in the performance of the model.
|
|
|
Sleep dynamics analysis using electrophysiological features
Lampert, Frederik ; Janoušek, Oto (referee) ; Mívalt, Filip (advisor)
Táto práca sa zaoberá metódami detekcie spánku pomocou elektrofiziologických príznakov, bez dostupnosti anotácií v podobe hypnogramov. Vyhodnocovanie spánku pomocou polysomnografických (PSG) dát je časovo apersonálne náročný proces, ktorý sa odohráva zväčša vnemocničnom prostredí. Moderné implantabilné zariadenia schopné kontinuálneho snímania azdieľania dát otvárajú možnosť dlhodobého akontinuálneho monitorovania spánkovej aktivity upacientov snurologickými chorobami v domácom prostredí. Súčasné metódy na spánkovú detekciu využívajú intrakraniálne elektroencefalografické (iEEG) spánkové klasifikátory, ktoré sú tvorené a validované na štandardných polysomnografických dátach. Tie však nie sú vždy kdispozícii čo vedie kpotrebe vyvinutia metódy spánkového hodnotenia, ktorá by bola schopná analyzovať spánok pomocou elektrofyziologických príznakov aj bez dostupnosti anotácií v podobe hypnogramov ato obecne z malého počtu zvodov. Za týmto účelom bola navrhnutá metóda spánkového hodnotenia, ktorá vyhodnocuje spánok na základe výkonu elektroencefalografické (EEG) signálu v spektrálnej oblasti pomocou metrík zvaných Power in Band (PIB) metriky. V tejto práci bol analyzovaný výkon vdelta pásme (0,5-4 Hz), keďže EEG signál má vňom najvyššiu amplitúdu azároveň je jeho aktivita najviac výrazná počas N2 aN3 spánkových cyklov, ktoré sú najviac zastúpené vspánku počas noci, takže poskytujú najlepšiu informáciu orozložení spánku počas noci. Scieľom validácie PIB metrík boli taktiež predstavené štandardné metriky založené na hypnogramoch. Tieto metriky boli následne implementované do programovacieho prostredia Python a aplikované na dva voľne dostupné datasety, Dreem Open Dataset-Healthy (DOD-H) a Dreem Open Dataset-Obstructive (DOD-O) obsahujúce polysomnografické merania 25 zdravých jedincov (DOD-H dataset) a56 jedincov so syndrómom spánkového apnoe (OSA)(DOD-O dataset). Výsledky analýz boli vyhodnotené pomocou vizuálnej analýzy vo forme boxplotov, korelačných matíc a štatistických testov. Z výsledkov analýz vyplýva, že navrhnuté PIB metriky majú schopnosť rozlišovať medzi fyziologickým a patofyziologickým spánkom, avšak ich schopnosť rozlišovať niektoré aspekty spánku sa líši od štandardných metrík založených na hypnogramoch. Ztoho vyplýva, že PIB metriky nenahrádzajú štandardné metriky, ale skôr ponúkajú inú perspektívu na analýzu spánku.
|
|
|
The classification of epileptogenic tissue after electrical stimulation using machine learning
Formánková, Zuzana ; Mívalt, Filip (referee) ; Cimbálník, Jan (advisor)
This thesis addresses electrophysiological biomarkers of epileptic activity after direct electrical stimulation in the classification of epileptogenic tissue. Suitable biomarkers included high-frequency oscillations, interictal spikes, changes in connectivity and signal power across frequency bands. Biomarkers were detected in iEEG recordings and their response to direct electrical stimulation was analyzed by statistical tests. Biomarker analysis demonstrated the effect of direct electrical stimulation on electrophysiological biomarkers of epileptic activity. Relevant biomarkers were selected by selection methods as signal power in the frequency band 80-250 Hz, relative entropy in the frequency band 250-600 Hz and linear correlation. Machine learning models, namely logistic regression, support vector machines and decision forest, were implemented for epileptogenic tissue classification. The support vector machines method showed the highest sensitivity (70,5 %) among the models, but the overall results were insufficient (PPV 38,5 %, F1 score 42,9 %). Despite the limitations in the performance of the classification models, this work highlights the potential of electrophysiological biomarkers in identifying epileptogenic foci and establishes a foundation for further research in the field.
|
|
|
Segmentation of phase contrast images in multi epitope ligand cartography (MELC) for image quantification at the single cell level
Mívalt, Filip ; Taschner-Mandl,, Sabine (referee) ; Mehnen, Lars (advisor)
Technologie Multi-Epitope Ligand Cartography (MELC) umožňuje mikroskopickou vizualizaci více buněčných kompartmentů za pomocí více imunofluorescenčních barviv. Tato pipeline tudíž umožňuje charakterizaci fenotypu pro všechny buňky nacházející se ve vzorcích kostní dřeně u pacientů s neuroblastomem. Přiřazení protilátkového signálu k odpovídající plazmatické membráně jednotlivých buněk je založeno na segmentaci buněčného jádra a algoritmu region growing, jenomže tahle metoda skutečný tvar buňky pouze aproximuje. Tento přístup je mimořádně chybový, pokud je aplikován na překrývající se buňky kvůli nejednoznačnému přiřazení jednoho protilátkového signálu více buňkám. Následně se pak tato chyba dostává až do popisných parametrů charakterizujících každou buňku zvláště, čímž může být ovlivniněna navazující klasifikace nebo kvantifikace buněčného fenotypu. Z toho důvodu je vyžadována segmentace fázově kontrastních obrazů, které jsou pořízeny současně s každým fluorescenčním snímkem, a zobrazují celou buňku (včetně cytoplazmy a jádra). Tato segmentace poskytuje přesné segmentační masky reprezentující celou buňku. Implementovali jsme automatizovanou strategii pro segmentaci těchto fázově kontrastních obrazů využívajíce Mask R-CNN. Algoritmus dosáhl celkového F1 skóre (pro detekci objektů) 0.935 a F1 skóre (pro klasifikaci na úrovni pixelů) 0.868, přičemž byl trénován pouze s malým anotovaným datasetem. Natrénovaný model byl implementován do existující pipeline pro zpracování MELC dat. Kromě toho, poskytujeme anotovaný dataset čítající 54 fázově kontrastních obrazů Cytospin preparátů kostní dřeně obsahující celkově 1 940 buněk. Implementovaný model Mask R-CNN umožňuje studovat popisné parametry charakterizující každou buňku zvláště za použití segmentačních masek odvozených z fázově kontrastních obrazů, které reprezentující celou buňku a tímto tedy zlepšuje automatickou kvantitativní analýzu buněk nacházejících se v kostní dřeni ve výzkumu dětské rakoviny.
|
|
|
Software Framework For A Development Of Equivalent-Circuit Model
Mivalt, Filip
The paper describes a software for development of equivalent-circuit models and its parameters estimation on the basis of experimental data. The software engine contains set of features neccesary for impedance computing of any circuit composed of only linear, passive elements. Functions are implemented with regard to possibility of algorithm extension with voltage and current sources or active components. Software engine also contains features for evaluation of equivalent-circuit models and basic elements of artifficial intelligence as artifficial neural networks with basic learning method.
|
|
| |
|
| |
|
| |
|
|
A Technique for Parameter Eestimation of Equivalent-Circuit Models
Mívalt, Filip
The paper describes a simple algorithm for parameter estimation of equivalent-circuit models on the basis of comparison calculated and measured electrical impedance. The algorithm searches in multidimensional space in the vincinity of expected results. Despite the simple calculations, the algorithm easily outstrip number of high-order mathematical and algorithmic methods, such as non-linear least squares, neural networks etc. The algorithm is easily realizable and outputs are highly accurate in comparison to experimental data.
|
guest ::
RSS feed.