|
|
Estimation of Respiration Activity from ECG Using Mechine Learning
Ondrejková, Eliška ; Vítek, Martin (referee) ; Plešinger, Filip (advisor)
This Bachelor thesis deals with methods to estimate respiration activity from ECG. For a better understanding of a subject, the anatomy and physiology of the respiratory and cardiovascular systems are described. Furthermore, several estimation methods are explained as well. A public dataset of ECG signals read from polysomnography was used in the practical part. An algorithm for estimation was implemented in the programming language Python using the PyTorch library. Finally, results are discussed and compared to other methods.
|
|
|
Analysis of ultra-high frequency ECG using deep learning
Koščová, Zuzana ; Antin, Christoph Hoog (referee) ; Plešinger, Filip (advisor)
Analýza ultravysokofrekvenčného EKG (UHF-ECG) poskytuje informácie o elektrickej komorovej dyssynchrónii. Okrem toho analýza UHF-ECG v reálnom čase umožňuje priamu optimalizáciu stimulačnej elektródy počas implantácie kardiostimulátora. V tejto diplomovej práci opisujeme poruchy komorového vedenia, súčasnú metódu analýzy UHF-ECG a hlavne predstavujeme niekoľko modelov hlbokého učenia na to, aby sme zistili, ktoré kroky UHF-ECG analýzy môžu byť hlbokým učením nahradené. Dáta použité na vývoj a validáciu modelov hlbokého učenia pochádzajú z 2 súkromných nemocníc (FNUSA-ICRC, Brno, Česko, FNKV Praha, Česko) a z 3 verejne dostupných databáz. Najprv boli predstavené dve metódy hlbokého učenia na detekciu QRS komplexu a odhad trvania QRS komplexu v jednom kroku inferencie. Pri úlohe detekcie sme získali celkové F1-skóre 98,84 ± 0,51 \% a pri úlohe odhadu trvania QRS komplexu strednú absolútnu chybu (MAE) 12,25 ± 2,16 ms. Táto metóda zvyšuje výkonnosť analýzy UHF-ECG a vďaka tomu môže výrazne skrátiť čas merania. Okrem toho bol vyvinutý regresný model na odstraňovanie stimulačných impulzov založený na tzv. conditional generative adversarial networks. Výsledky boli vyhodnotené na základe korelácie 15 priemerných vysokofrekvenčných obálok v oblasti QRS komplexu medzi výstupom modelu a cieľovým signálom. Výsledky ukazujú vyššiu koreláciu na spontánnych signáloch a pokles korelácie so zvyšujúcim sa frekvenčným pásmom. Napokon boli vytvorené dva modely konvolučených neurónových sietí (CNN) na odhad komorovej elektrickej dyssynchrónie (VED). Konkrétne CNN s vrstavmi v 1D a 2D. MAE medzi naším riešením a anotáciou je 12,61 ±18,95 ms a 12,27 ±17,73 ms pre 1D a 2D CNN. MAE na spontánnych signáloch je pre oba modely približne o 5 ms nižšia ako na stimulovaných údajoch, čo naznačuje potrebu odstrániť stimulačné impulzy. Tieto modely hlbokého učenia prinášajú redukciu pipeline predspracovania a zároveň poskytujú výstup v jednom kroku inferencie. V prípade modelu detekcie QRS a odhadu trvania QRS je zlepšenie výkonu oproti súčasnému riešeniu evidentné a tieto kroky súšasnej analýzy UHF-ECG by mohli byť hlbokým učením nahradené. Avšak pre odstránenie stimulačných impulzov a odhad parametrov VED je potrebné zlepšiť výkon pre reálne použitie.
|
|
|
Estimation of Respiration Activity from ECG Using Mechine Learning
Ondrejková, Eliška ; Vítek, Martin (referee) ; Plešinger, Filip (advisor)
This Bachelor thesis deals with methods to estimate respiration activity from ECG. For a better understanding of a subject, the anatomy and physiology of the respiratory and cardiovascular systems are described. Furthermore, several estimation methods are explained as well. A public dataset of ECG signals read from polysomnography was used in the practical part. An algorithm for estimation was implemented in the programming language Python using the PyTorch library. Finally, results are discussed and compared to other methods.
|
|
|
SMV-2018-19: Systém for ECG analysis
Plešinger, Filip ; Jurák, Pavel ; Halámek, Josef ; Viščor, Ivo
A subject of this contracional research is development of algorithms for automated ECG processing from 1-lead ECG holters. Namely, it consists of:\n- development of algorithm for QRS recognition with focus on robustness against noise\n- development of classification algorithm to recognize arrhythmias, the algorithm is based on analysis of RR intervals and other ECG descriptors. The algorithm implements machine learning (neural networks). The input is Information related to QRS complexes and other descriptors extracted from ECG. The output is category of classified ECG block (atrial fibrillation, AB-block, non-quality signal, premature atrial contractions, premature ventricular contractions, sinus rhythm, supraventricular tachycardia and ventricular tachycardia)\n- Implemetation of these algorithms as software for .NET platform in C# language. It is optimized for multi-thread computers (computing server of the customer).\n
|
|
|
Biventricular pacing optimization by means of the dyssynchrony parameter
Jurák, Pavel ; Leinveber, P. ; Halámek, Josef ; Plešinger, Filip ; Postránecká, T. ; Lipoldová, J. ; Novák, M.
To improve Cardiac Resynchronization Therapy (CRT), different interventricular delay (VVD) settings can be used. However, relatively small VVD induced hemodynamic changes cannot be measured by standard echocardiographic methods. The QRS complex duration (QRSd) is mostly the main criterion. Here we introduce a new dyssynchrony parameter (DYS) that is able to more accurately detect improved electrical synchrony. Methods: 12-lead 5 kHz ECG during 3-10 minute rest period was measured in 46 patients with CRT OFF and CRT ON with VVD 0 ms (CRT0) and -20 ms (CRT20). We detected QRSd and the dyssynchrony parameter DYS as the time difference between 500-1000 Hz averaged envelopes positions in the V1 and V6 leads in the QRS complex region. Results: 32 of 46 patients had a positive CRT response manifested by QRSd shortening and a DYS decrease. 28 of 32 patients had a positive LV pre-excitation effect: additional QRSd shortening of 4.7+/-.9 ms and a DYS decrease of 12.6+/-7.5 ms. The correlation coefficient of QRSd and DYS changes (CRT 0 vs CRT 20) was 0.23 and indicates information diversity. The DYS parameter differs from QRSd and provides a significantly higher response to VVdelay changes (p <; 0.001).
|
guest ::
