|
|
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.
|
|
|
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.
|
|
|
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.
|
|
|
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.
|
host ::
RSS.