|
|
Automaticka diagnostika 12svodoveho EKG pomoci hlubokeho uceni
Blaude, Ondřej ; Smital, Lukáš (oponent) ; Provazník, Valentine (vedoucí práce)
Tato diplomová práce má za cíl prozkoumat problematiku automatické diagnostiky EKG, a to na dvanáctisvodových záznamech. V kapitole první je krátce popsán úvod k srdci a měření jeho elektrické aktivity, navíc jsou zde krátce popsány abnormality, které budou v práci klasifikovány. Ve druhé kapitole je popsáno, jak bylo EKG diagnostikováno dříve, tedy klasickými metodami, které předcházely hlubokému učení. Zde jsou i zmíněny některé nedostatky, které tyto metody mají právě oproti hlubokému učení. Část třetí již věnuje pozornost hlubokému učení samotnému, jeho přínosu a výhodám ve srovnání s metodami klasickými. Popsány jsou zde i konvoluční neuronové sítě a jejich jednotlivé bloky, později je věnována pozornost i vybraným architekturám, které byly v některých studiích použity. Kapitola čtvrtá se již zaměřuje na praktickou část, v níž jsou podrobněji popsána použitá data z databáze PhysioNet, navržený algoritmus a jeho realizace. V páté kapitole jsou výsledky diskutovány a srovnány výsledky dostupných publikací se související problematikou.
|
|
|
Klasifikace emailové komunikace
Piják, Marek ; Herout, Adam (oponent) ; Szőke, Igor (vedoucí práce)
Tato diplomová práce se zabývá vytvořením klasifikátoru, který bude schopen rozpoznat emailovou zprávu společnosti Topefekt.s.r.o a zařadit ji do korespondující klasifikační třídy. Tento projekt bude využívat řadu nejpoužívanějších klasifikačních metod včetně strojového učení. Jako součást této práce bude i ohodnocení úspěšnosti jednotlivých metod.
|
|
|
Automatická detekce fibrilace síní pomocí metod hlubokého učení
Budíková, Barbora ; Ronzhina, Marina (oponent) ; Hejč, Jakub (vedoucí práce)
Síňová fibrilace je arytmie, která se běžně detekuje z křivky EKG pomocí jejích specifických projevů. Její časné rozpoznání je klíčové k prevenci závažnějších stavů. Automatická detekce fibrilace síní se v posledních letech stále častěji provádí pomocí metod hlubokého učení. Tato práce představuje detekci fibrilace síní v křivce 12svodového EKG pomocí hluboké konvoluční neuronové sítě. V první části práce jsou představeny teoretické souvislosti k práci potřebné, dále je detailně popsán vytvořený algoritmus. Samotná detekce je realizována programem implementovaným v jazyce Python ve dvou algoritmických podobách jejichž přesnost je hodnocena pomocí metrik přesnost (Accuracy) a F1 skóre. Dosažené výsledky jsou diskutovány, vzájemné porovnány a srovnány s výsledky publikací zabývajících se obdobnou problematikou.
|
|
|
Automaticka diagnostika 12svodoveho EKG pomoci hlubokeho uceni
Blaude, Ondřej ; Chmelík, Jiří (oponent) ; Provazník, Valentine (vedoucí práce)
Tato diplomová práce má za cíl prozkoumat problematiku automatické diagnostiky EKG, a to na dvanáctisvodových záznamech. Tato problematika je řešena standardními metodami, jako například náhodný les, umělé neuronové sítě nebo K-nejbližších sousedů. Díky své schopnosti samostatně extrahovat příznaky se ale těší oblibě i metody hlubokého učení. Všechny tyto metody jsou popsány v teoretické části. V praktické části byly navrženy deeplearningové modely, jejichž funkčnost byla ověřována za pomoci dat z databáze PhysioNet. Byly vytvořeny dva pilotní modely, které byly následně optimalizovány. Z celého progresu optimalizace parametrů jsou k dispozici tři modely, z nichž nejlepší dosahuje F1 skóre 87,35 % a přesnosti 83,7 %, a druhý nejlepší dosahuje F1 skóre 77,74 % a přesnosti 84,53 %. Výsledky, kterých bylo dosaženo, jsou diskutovány a porovnány s výsledky podobných publikací.
|
|
|
Automaticka diagnostika 12svodoveho EKG pomoci hlubokeho uceni
Blaude, Ondřej ; Smital, Lukáš (oponent) ; Provazník, Valentine (vedoucí práce)
Tato diplomová práce má za cíl prozkoumat problematiku automatické diagnostiky EKG, a to na dvanáctisvodových záznamech. V kapitole první je krátce popsán úvod k srdci a měření jeho elektrické aktivity, navíc jsou zde krátce popsány abnormality, které budou v práci klasifikovány. Ve druhé kapitole je popsáno, jak bylo EKG diagnostikováno dříve, tedy klasickými metodami, které předcházely hlubokému učení. Zde jsou i zmíněny některé nedostatky, které tyto metody mají právě oproti hlubokému učení. Část třetí již věnuje pozornost hlubokému učení samotnému, jeho přínosu a výhodám ve srovnání s metodami klasickými. Popsány jsou zde i konvoluční neuronové sítě a jejich jednotlivé bloky, později je věnována pozornost i vybraným architekturám, které byly v některých studiích použity. Kapitola čtvrtá se již zaměřuje na praktickou část, v níž jsou podrobněji popsána použitá data z databáze PhysioNet, navržený algoritmus a jeho realizace. V páté kapitole jsou výsledky diskutovány a srovnány výsledky dostupných publikací se související problematikou.
|
|
|
Automatická detekce fibrilace síní pomocí metod hlubokého učení
Budíková, Barbora ; Ronzhina, Marina (oponent) ; Hejč, Jakub (vedoucí práce)
Síňová fibrilace je arytmie, která se běžně detekuje z křivky EKG pomocí jejích specifických projevů. Její časné rozpoznání je klíčové k prevenci závažnějších stavů. Automatická detekce fibrilace síní se v posledních letech stále častěji provádí pomocí metod hlubokého učení. Tato práce představuje detekci fibrilace síní v křivce 12svodového EKG pomocí hluboké konvoluční neuronové sítě. V první části práce jsou představeny teoretické souvislosti k práci potřebné, dále je detailně popsán vytvořený algoritmus. Samotná detekce je realizována programem implementovaným v jazyce Python ve dvou algoritmických podobách jejichž přesnost je hodnocena pomocí metrik přesnost (Accuracy) a F1 skóre. Dosažené výsledky jsou diskutovány, vzájemné porovnány a srovnány s výsledky publikací zabývajících se obdobnou problematikou.
|
|
|
Klasifikace emailové komunikace
Piják, Marek ; Herout, Adam (oponent) ; Szőke, Igor (vedoucí práce)
Tato diplomová práce se zabývá vytvořením klasifikátoru, který bude schopen rozpoznat emailovou zprávu společnosti Topefekt.s.r.o a zařadit ji do korespondující klasifikační třídy. Tento projekt bude využívat řadu nejpoužívanějších klasifikačních metod včetně strojového učení. Jako součást této práce bude i ohodnocení úspěšnosti jednotlivých metod.
|
host ::
RSS.