|
|
Levné zařízení pro neinvazivní detekci průtoku krve
Mívalt, Filip ; Majzner, Jiří (oponent) ; Sedlák, Petr (vedoucí práce)
Měření průtoku krve využitím Dopplerova jevu je hojně využívaná metoda pro posuzování stavu cév. Touto metodou mohou být diagnostikovány patologie jako stenóza, aneurysma, či žilní nedostatečnost. V posledních letech byly zavedeny přístroje využívající Dopplerův jev také do veterinární medicíny. Zde jsou využívány například pro měření periferního krevního tlaku koček na ocasu nebo končetině. Tato práce se zabývá návrhem a realizací prototypu zařízení pro detekci průtoku krve pomocí Dopplerova jevu. Navržené a realizované zařízení využívá nízkonákladovou dopplerovskou sondu. Průtok krve je detekován na základě analýzy diskrétního výkonového spektra analogově předzpracovaného a následně digitalizovaného výstupního signálu Cílem práce je navrhnout a realizovat zařízení pro neinvazivní detekci průtoku krve. Práce má demonstrovat možnost využití platformy Arduino a levných vaskulárních dopplerovských sond jako alternativu drahým Dopplerovským zařízením.
|
|
|
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.
|
|
|
Sleep dynamics analysis using electrophysiological features
Lampert, Frederik ; Janoušek, Oto (oponent) ; Mívalt, Filip (vedoucí práce)
This thesis concerns with sleep assessment methods using electrophysiological features without the availability of annotations in the form of hypnograms. Sleep evaluation using polysomnographic (PSG) data is time-consuming process, that requires trained personnel and is usually done in a hospital environment. Novel implantable neural devices capable of continuous data recording and streaming open up possibilities of longitudinal and continual monitoring of sleep activity in a home environment for patients with neural diseases. Current state-of-the-art methods for longitudinal sleep analysis utilizes automated intracranial electroencephalography (iEEG) sleep classifiers developed and validated using clinical gold-standard PSG annotations. However, PSG is not always feasible to perform which leads to the necessity for a sleep assessment method, which could analyse sleep using electrophysiological features without the availability of goldstandard PSG annotations generally from a small number of electrodes. For this purpose a novel sleep assessment method was developed, which evaluates sleep based on the power of electroencephalographic (EEG) signal in the spectral bands with employment of the metrics called Power in Band (PIB) metrics. In this work power in the delta band (0.5-4 Hz) was used, as it has the highest amplitude among all of the bands and is the most prominent during the non-REM sleep states, therefore giving the most relevant information about the composition of sleep during the night. Moreover, standard hypnogram-based metrics were introduced for the purpose of the PIB metrics validation. These metrics were incorporated into (Python) programming language and applied on two publicly-available datasets Dreem Open Dataset-Healthy (DOD-H) and Dreem Open Dataset-Obstructive (DOD-O) containing polysomnographic recordings of 25 healthy subjects (DOD-H) and 56 subjects suffering from obstructive sleep apnea (OSA) (DODO dataset). The results of the analysis were evaluated by visual analysis in terms of boxplots, correlation matrices and statistical tests. From the results, it is possible to assume, that proposed PIB metrics have the ability to differentiate between physiologic and pathophysiologic sleep, although their ability to discriminate between some aspects differs from the metrics based on the hypnogram annotations. This implies the fact, that PIB metrics do not substitute the standard hypnogram-based metric, but rather provide different perspective on the sleep assessment.
|
|
|
Využití strojového učení pro klasifikaci epileptogenní tkáně po elektrické stimulaci
Formánková, Zuzana ; Mívalt, Filip (oponent) ; Cimbálník, Jan (vedoucí práce)
Tato práce se zabývá elektrofyziologickými biomarkery epileptické aktivity po přímé elektrické stimulaci v klasifikaci epileptogenní tkáně. Mezi vhodné biomarkery byly zařazeny vysokofrekvenční oscilace, interiktální spiky, změny v konektivitě a výkon signálu ve frekvenčních pásmech. Biomarkery byly detekovány v iEEG záznamech a jejich reakce na přímou elektrickou stimulaci byla analyzována statistickými testy. Analýza biomarkerů prokázala vliv přímé elektrické stimulace na elektrofyziologické biomarkery epileptické aktivity. Relevantními biomarkery byly selekčními metodami vybrány výkon signálu ve frekvenčním pásmu 80-250 Hz, relativní entropie ve frekvenčním pásmu 250-600 Hz a lineární korelace. Pro klasifikaci epileptogenní tkáně byly implementovány modely strojového učení, konkrétně logistická regrese, metoda podpůrných vektorů a rozhodovací lesy. Metoda podpůrných vektorů prokázala nejvyšší senzitivitu (70,5 %) mezi modely, avšak celkové výsledky jsou nedostatečné (PPV 38,5 %, F1 skóre 42,9 %). Přestože klasifikační modely nedosáhly očekávaných výsledků, tato práce naznačuje potenciál elektrofyziologických biomarkerů pro identifikaci epileptogenních ložisek a poskytuje základ pro další výzkum v této oblasti.
|
|
|
Segmentation of phase contrast images in multi epitope ligand cartography (MELC) for image quantification at the single cell level
Mívalt, Filip ; Taschner-Mandl,, Sabine (oponent) ; Mehnen, Lars (vedoucí práce)
The Multi-Epitope Ligand Cartography (MELC) technique enables microscopy-based visualisation of multiple cellular compartments by using immunofluorescence stains. A MELC data processing pipeline as previously established in-house within an ongoing research project, providing biologists with a tool for quantitative antibody signal analysis. The pipeline, therefore, allows phenotype characterisation of cells present in bone marrow aspirates from neuroblastoma patients. The antibody signal assignment to the plasma membrane of single cells is based on nuclear segmentation and region growing, but only approximates the real cellular shape. This approach is particularly error-prone when applied on touching or overlapping cells due to an ambiguous assignment of a single antibody signal to multiple cells. This error, subsequently, propagates to single-cell level features, thereby possibly influences ensuing phenotype classification or quantification. Hence, the segmentation of phase contrast images acquired simultaneously with each fluorescence image and visualising the whole cell (including cytoplasm and nucleus), is required to provide the pipeline with accurate segmentation masks representing the entire cell. We implemented an automated strategy employing a Mask R-CNN network to segment these phase contrast images. The algorithm achieved an overall object-level F1 score of 0.935 and a pixel-level F1 score of 0.868 when training with only a small annotated dataset. The trained model was implemented into the existing MELC data processing pipeline. Moreover, we provide an annotated dataset comprising 54 phase contrast images of bone marrow cytospin preparations containing an overall number of 1,940 cells. The implemented Mask RCNN model enables to study single cell-level features using segmentation masks representing cells predicted from phase contrast images and therefore improves an automated quantitative analysis of bone marrow samples for children’s cancer research.
|
|
|
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.
|
host ::
RSS.