|
|
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.
|
|
|
Nanostrukturované senzory pro detekci organických látek
Šťávová, Karolína ; Fohlerová, Zdenka (oponent) ; Hrdý, Radim (vedoucí práce)
Tato bakalářská práce se zabývá přípravou citlivých vrstev složených z pole zlatých nanotyčinek a jejich modifikacemi. Nejdříve je vyrobena nanoporézní maska z vrstvy hliníku pomocí metody anodické oxidace. Následně je provedena elektrochemická depozice zlata a polypyrrolu a dále zlata a rtuti do této šablony. Citlivá vrstva je charakterizována pomocí rastrovací elektronové mikroskopie a dalších metod pro prvkovou analýzu. Senzor s touto citlivou vrstvou může být využit pro detekci různých organických látek.
|
|
|
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.
|
|
|
Nanostrukturované senzory pro detekci organických látek
Šťávová, Karolína ; Fohlerová, Zdenka (oponent) ; Hrdý, Radim (vedoucí práce)
Tato bakalářská práce se zabývá přípravou citlivých vrstev složených z pole zlatých nanotyčinek a jejich modifikacemi. Nejdříve je vyrobena nanoporézní maska z vrstvy hliníku pomocí metody anodické oxidace. Následně je provedena elektrochemická depozice zlata a polypyrrolu a dále zlata a rtuti do této šablony. Citlivá vrstva je charakterizována pomocí rastrovací elektronové mikroskopie a dalších metod pro prvkovou analýzu. Senzor s touto citlivou vrstvou může být využit pro detekci různých organických látek.
|
host ::
RSS.