|
|
Novel methods for sleep analysis and classification
Navrátilová, Markéta ; Ronzhina, Marina (oponent) ; Kolářová, Jana (vedoucí práce)
This diploma thesis deals with methods for sleep analysis and classification. Sleep stagesand biosignals patterns during sleep are described as well as methods for classification.Features are extracted from provided EDA, ECG and RIP signals. Based on those fea-tures individual sleep stages are classified using random forest classifier and the classifierparameters are tuned. The results are evaluated. The features dataset is explored usingdimensionality reduction techniques and the results are compared with the results fromstandard sleep stages classification. The approach for visualization of both raw biosig-nals and extracted features is designed and implemented. Achieved results are comparedwith published methods.
|
|
|
Klasifikace spánkových stádii
Cikánek, Martin ; Mézl, Martin (oponent) ; Potočňák, Tomáš (vedoucí práce)
Cílem této bakalářské práce bylo zpracovat literární rešerši na téma automatické klasifikace spánkových stádií z polysomnografického měření a následně zvolit způsob extrakce příznakových vektorů a kvantitativně ho zhodnotit. V první části se práce zabývá převážně teorií ohledně klasifikace spánkových stádií a rozebírá různé možnosti procesu. Na tuto část navazuje popis jednotlivých částí programu, který slouží pro extrakci a následné kvantitativní zhodnocení příznakových vektorů. Práci uzavírá statistické zhodnocení výsledků.
|
|
|
Detection of interictal activity in long-term stereo-EEG recordings
Šikyňová, Soňa ; Králík, Martin (oponent) ; Smital, Lukáš (vedoucí práce)
In patients with pharmacoresistant focal epilepsy, complete prevention of the clinical manifestation of epilepsy is achievable through surgical removal of the epileptic zone. Accurate localization of the epileptic zone relies on the detection of interictal epileptic discharges, which serve as an essential tool. However, the effectiveness of automated interictal epileptic discharge detectors may be influenced by the patient's state of vigilance. This study demonstrates a statistically significant difference in performance between different detectors during different sleep phases. The precise temporal and spatial distribution of interictal activity holds paramount importance for identifying the epileptic zone. Inaccurate determination of the epileptic zone and unsuccessful resection can occur if the sensitivity and accuracy of detectors vary across sleep stages. Consequently, it is crucial to consider the patient's consciousness status when pinpointing the epileptic zone. One approach to address these variations in detector performance at different states of vigilance is to optimize the parameters of detection algorithms. This study includes an investigation into the optimized parameters for two interictal epileptic discharge detectors.
|
|
|
Metody detekce spánkových vřeten ze záznamů EEG
Matoušek, Šimon ; Mézl, Martin (oponent) ; Králík, Martin (vedoucí práce)
Tato bakalářská práce se zaměřuje na detekci spánkových vřeten v signálech EEG. V úvodní kapitole se zabývá signálem EEG, popisuje jeho jednotlivé součásti a přibližuje proces zaznamenávání signálu. Vysvětluje pojem spánkové vřeteno a objasňuje polysomnografii. V následující kapitole jsou formou rešerše shrnuty některé poznatky týkající se studií, jež zkoumaly a prakticky využívaly jednotlivé metody detekce spánkových vřeten. Kapitola praktické části práce je zaměřena na realizaci detektorů spánkových vřeten. Jsou aplikovány 3 různé varianty detekce, první detektor je založen na výpočtu hodnoty Teager - Kaiserova operátoru, druhý detektor užívá vlnkovou transformaci, třetí detektor je založen na principu nalezení obálky signálu. V závěru práce je porovnána úspěšnost těchto detektorů ve srovnání s jinými, dříve prováděnými studiemi. Nejvyšší úspěšnosti bylo dosaženo u detektoru založeném na výpočtu obálky signálu, kde senzitivita dosahovala 56,00 % a specificita 55,19 % a také u detektoru využívajícím vlnkové transformace, kde senzitivita činila 81,22 % a specificita 46,15 %.
|
|
| |
|
|
Novel methods for sleep analysis and classification
Navrátilová, Markéta ; Ronzhina, Marina (oponent) ; Kolářová, Jana (vedoucí práce)
This diploma thesis deals with methods for sleep analysis and classification. Sleep stagesand biosignals patterns during sleep are described as well as methods for classification.Features are extracted from provided EDA, ECG and RIP signals. Based on those fea-tures individual sleep stages are classified using random forest classifier and the classifierparameters are tuned. The results are evaluated. The features dataset is explored usingdimensionality reduction techniques and the results are compared with the results fromstandard sleep stages classification. The approach for visualization of both raw biosig-nals and extracted features is designed and implemented. Achieved results are comparedwith published methods.
|
|
|
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.
|
|
|
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.
|
|
|
Klasifikace spánkových fází
Lacinová, Michaela ; Smital, Lukáš (oponent) ; Králík, Martin (vedoucí práce)
Tato bakalářská práce se zabývá v první části rozborem polysomnografie a způsoby jejího měření při elektroencefalografii, elektrookulografii a elektromyografii. Součástí rozboru jsou fáze spánku dle doporučení AASM. Polysomnografická data jsou dále analyzována v časových a frekvenčních oblastech, které jsou jednotlivě vyhodnoceny. Ve druhé části jsou data klasifikována do jednotlivých tříd pomocí rozhodovacích stromů a metody k-nejbližších sousedů v programovém prostředí MATLAB. Následně jsou tato data zhodnocena a srovnána s dostupnou literaturou.
|
|
|
Klasifikace spánkových stádii
Cikánek, Martin ; Mézl, Martin (oponent) ; Potočňák, Tomáš (vedoucí práce)
Cílem této bakalářské práce bylo zpracovat literární rešerši na téma automatické klasifikace spánkových stádií z polysomnografického měření a následně zvolit způsob extrakce příznakových vektorů a kvantitativně ho zhodnotit. V první části se práce zabývá převážně teorií ohledně klasifikace spánkových stádií a rozebírá různé možnosti procesu. Na tuto část navazuje popis jednotlivých částí programu, který slouží pro extrakci a následné kvantitativní zhodnocení příznakových vektorů. Práci uzavírá statistické zhodnocení výsledků.
|
host ::
RSS.