|
|
Klasifikace spánkových fázi za použití polysomnografických dat
Králík, Martin ; Kozumplík, Jiří (oponent) ; Ronzhina, Marina (vedoucí práce)
Cílem této diplomové práce je klasifikace spánkových fází za použití polysomnografických dat. Součástí práce je rešerše na dané téma a statistická analýza parametrů vypočtených ze skutečných signálů EEG, EOG a EMG, která hodnotí vhodnost jejich použití pro klasifikaci spánkových fází. Praktická část je zaměřena na automatickou klasifikaci spánkových fází za použití umělých neuronových sítí. Všechny výsledky jsou v práci prezentovány a diskutovány.
|
|
|
Pokročilé skórování spánkových dat
Jagošová, Petra ; Novotná, Petra (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová práce se zabývá pokročilým skórováním spánkových dat, které bylo provedeno pomocí hluboké neuronové sítě. Ke skórování jsou využívána data tepové frekvence a informace o pohybu naměřené pomocí chytrých hodinek Apple Watch. Po vhodném předzpracování sloužila tato data jako vstupní parametry do navržených sítí. Cílem LSTM sítě bylo provést klasifikaci dat buď do dvou skupin na spánek a bdění nebo do tří skupin na bdění, Non-REM a REM. Nejlepších výsledků dosáhla síť provádějící klasifikaci spánek vs. bdění s využitím akcelerometru. Statistické vyhodnocení této nejlepší sítě dosáhlo hodnoty senzitivity 71,06 %, specificity 57,05 %, celkové úspěšnosti (accuracy) 70,01 % a F1 skóre 81,42 %.
|
|
|
Detekce spánkové apnoe z polysomnografických dat
Vecheta, Miroslav ; Potočňák, Tomáš (oponent) ; Kozumplík, Jiří (vedoucí práce)
Tato práce se zabývá detekcí spánkové apnoe pomocí polysomnografických dat a snahou o možné nalezení alternativní a jednodušší metody této detekce. Práce se skládá ze tří částí. První část je důležitá pro seznámení se s anatomií plic a fyziologií dýchání a spánku. Druhá se zabývá způsobem vyšetření spánkové apnoe a část třetí pak následně navazuje samotnou realizací alternativní metody v programu Matlab. Výsledný program vypočítává ze záznamu EKG dat dechovou křivku pro detekci spánkové apnoe.
|
|
|
Detekce obstrukční spánkové apnoe z polysomnografických záznamů
Smrčková, Markéta ; Mézl, Martin (oponent) ; Králík, Martin (vedoucí práce)
Tato práce za zabývá nalezením alternativní metody pro automatickou detekci spánkové apnoe z polysomnografických dat. První část práce je zaměřena především na anatomii plic a fyziologii dýchání, spánku a krevního oběhu. Druhá část se věnuje postupu vyšetření spánku, popisu jednotlivých komponent polysomnografických záznamů a možnostem detekce spánkové apnoe v praxi. Třetí část se zabývá návrhem konkrétní metody pro detekci spánkové apnoe, aplikací na reálná data a vyhodnocením výsledků.
|
|
|
Analýza polysomnografických dat
Jagošová, Petra ; Králík, Martin (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato bakalářská práce se zabývá analýzou polysomnografických signálů, která je založena na analýze parametrů v časové a frekvenční oblasti. Parametry jsou počítány z 30s úseků EEG, EOG a EMG signálů snímaných v průběhu různých spánkových fází. Pomocí vizuální analýzy krabicových grafů, statistické analýzy a následného post-hoc testu jsou vybrány parametry, které jsou vhodné pro následnou detekci spánkových fází. Vybranými parametry v časové oblasti byly pro EOG signály: mobilita, koeficient šikmosti a špičatosti. Pro EEG signály se jednalo o tyto parametry: aktivita, 75. percentil, koeficient špičatosti a mobilita. U EMG signálu to byly 75. percentil a složitost. Z frekvenční oblasti se jednalo o relativní výkonové spektrum frekvenčních pásem alfa, delta a beta.
|
|
|
Detekce spánkové apnoe
Hastík, Matěj ; Janoušek, Oto (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová práce se zabývá podrobným popisem spánkové apnoe a metodami její detekce. První část práce je zaměřena na fyziologii spánku, samotnou spánkovou apnoe, její rozdělení, příznaky, rizikové faktory a léčbu. Další část práce se zabývá polysomnografickým vyšetřením a metodami pro analýzu polysomnografických dat. Poslední část je věnována návrhu postupu pro detekci spánkové apnoe při použití pouze jednoho druhu signálu a při použití více druhů signálů, realizaci těchto návrhů, jejich otestování na reálných datech, hodnocení úspěšnosti detekce a porovnání dosažených výsledků s údaji dostupnými z literatury.
|
|
|
Analýza spánkových EEG
Vávrová, Eva ; Kozumplík, Jiří (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato bakalářská práce se zabývá analýzou spánkových elektroencefalogramů, která je založená na výpočtu vybraných parametrů z časové a frekvenční oblasti. Tyto parametry jsou počítány z jednotlivých úseků EEG signálů odpovídajícím různým spánkovým fázím. Na základě statistické analýzy se dá rozhodnout, které parametry EEG jsou vhodné pro následnou automatickou detekci jednotlivých spánkových fází. Pro výběr, zobrazení a analýzu EEG byl vytvořen program s grafickým uživatelským rozhraním v prostředí MATLAB.
|
|
|
Sleep scoring using artificial neural networks
Vašíčková, Zuzana ; Mézl, Martin (oponent) ; Králík, Martin (vedoucí práce)
The main objective of the thesis is to create an artificial neural network for sleep-staging. Firstly, information about sleep and sleep stages is summarized. However, more profound overview of signal processing methods and methods of classification is found in next chapters. After summarizing the theoretical knowledge necessary to carry out practical part of thesis, signal features were extracted according to the theoretical proposal and using statistical analysis, convenient features were used as in input for artificial neural network, able to classify the sleep data into sleep stages after the learning stage.
|
|
|
Analysis of sleep EEG signal
Ježek, Martin ; Kozumplík, Jiří (oponent) ; Rozman, Jiří (vedoucí práce)
The aim of this study was to develop an automatic detection program for scoring the sleep EEG arousals, based on one of time-frequency analysis methods. The subject of the study was 13 overnight polysomnographic recordings (four leads of EEG, EMG, ECG and EOG), i.e over 100 hours in total. It was a subset of data used in former studies by sleep expert Dr. Emilia Sforza, Geneva, Switzerland, who also provided baseline arousal scoring. Total number of 1551 arousal events were marked in the recordings. Next, several tools for recordings' visualization were developed to facilitate the decision on methods of analysis. Following the conclusions made after extensive visualization of input recordings in different time-frequency representations and regarding the character of EEG as neuroelectric waveforms and computing efficiency, discrete wavelet decomposition with Daubechies order 6 mother wavelet was chosen. The EEG signals were decomposed into six frequency bands. The results together with EMG recordings were used to evaluate a set of indices describing EEG and EMG changes accompanying arousals. These indices were weighted to form linear classifier of microarousal suspicion in each EEG lead – a microarousal was marked as present when it remained suspect in period of 3 to 30 seconds. Outputs of four EEG channels were then integrated to report final outcome. Based on sensitivity and selectivity measures the algorithm was optimized by genetic algorithm. The subject of tuning were the linear classifier parameters and first four of 13 recordings were selected as training data. A microarousal detection program emerged on basis of the tuned algorithm and resulted in average sensitivity of 76,09 %, selectivity of 53,26 % and 97,66 % specificity over all 13 recordings compared to expert visual scorings.
|
|
|
Automatická klasifikace spánkových fází z polysomnografických dat
Vávrová, Eva ; Potočňák, Tomáš (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová práce se zabývá analýzou polysomnografických záznamů, která je založená na výpočtu vybraných parametrů v časové, frekvenční a časově-frekvenční oblasti. Parametry jsou počítány z 30s úseků EEG, EMG a EOG signálů snímaných v průběhu různých spánkových fází. Pomocí statistické analýzy jsou vybrány parametry, které jsou vhodné pro následnou automatickou klasifikaci spánkových fází, která je zrealizována pomocí umělé neuronové sítě, k-NN klasifikátoru a lineární diskriminační analýzy. V rámci této práce byl vytvořen program s grafickým uživatelským rozhraním v prostředí MATLAB.
|
host ::
RSS.