|
|
Detekce fibrilace síní v krátkodobých EKG záznamech
Ambrožová, Monika ; Janoušek, Oto (oponent) ; Ronzhina, Marina (vedoucí práce)
Fibrilace síní je diagnostikována u 1-2 % populace, v příštích dekádách se očekává výrazný nárůst počtu pacientů s touto arytmií v souvislosti se stárnutím populace a vyšším výskytem některých onemocnění, která jsou považována za její rizikové faktory. Cílem této práce je popsat problematiku fibrilace síní a metody, které umožňují její detekci v EKG záznamu. V úvodní části se nachází literární rešerše zabývající se fyziologií srdce a fibrilací síní. V další části jsou uvedené některé metody sloužící k detekci FS. V praktické části je zhodnocena funkčnost dodaného softwaru pro detekci FS firmou BTL. Dále je zde navržen detektor fibrilace síní. K detekci bylo vybráno několik parametrů, poukazující na variabilitu RR intervalů. Jedná se o parametry směrodatné odchylky, koeficient šikmosti a špičatosti, variační koeficient, střední kvadratickou odchylku, normalizovanou absolutní odchylku, normalizovanou absolutní diferenci, mediánovou absolutní odchylku a entropii. Bylo využito třech různých klasifikačních modelů: metoda podpůrných vektorů (SVM), K-nearest neghbor (KNN) a diskriminační analýza (DA). Nejlepších výsledků dosahuje klasifikační model SVM. Výsledky ukazatelů úspěšnosti (sensitivita: 67,1 %; specificita: 97,0 %; F-measure: 66,8 %; accuracy: 92,9 %).
|
|
|
Detekce fibrilace síní v EKG
Prokopová, Ivona ; Kolářová, Jana (oponent) ; Ronzhina, Marina (vedoucí práce)
Fibrilace síní patří mezi nejčastěji se vyskytující poruchy srdečního rytmu, vyznačující stále vzrůstající prevalencí a incidencí v ČR i ve světě. Výskyt fibrilace síní je uváděn na úrovni 2-4 % populace, avšak vzhledem k často asymptomatickému průběhu je reálná prevalence ještě vyšší. Cílem této práce je automatická detekce fibrilace síní v EKG záznamu. V praktické části této práci je navržen algoritmus pro detekci fibrilace síní. Pro samotnou detekci bylo využito metody k-nearest neighbor, metody podpůrných vektorů a vícevrstvé neuronové sítě ke klasifikaci EKG signálů pomocí příznaků poukazující na variabilitu RR intervalů a přítomnost vlny P v těchto EKG záznamech. Nejlepší detekce dosáhl model využívající klasifikaci pomocí vícevrstvé neuronové sítě se dvěma skrytými vrstvami. Výsledky ukazatelů úspěšnosti Senzitivita 91,23 %, Specificita 99,20 %, PPV 91,23 %, F-measure 91,23 % a Accuracy 98,53 %.
|
|
|
Přesnost metod detekce atriální fibrilace v EKG signálech
Veleba, Josef ; Janoušek, Oto (oponent) ; Provazník, Ivo (vedoucí práce)
Práce je zaměřena na problematiku atriálních fibrilací a úspěšnost jejich detekce v signálu EKG. Přináší popis elektrické činnosti srdeční spolu s rozborem síňových fibrilací a metod jejich detekce. Dále jsou v práci popsány postupy realizace tří vybraných metod detekce atriálních fibrilací v programovém prostředí MATLAB, prezentovány výsledky jejich testování na dvou databázích signálů atriálních fibrilací a zhodnoceny přesnosti jednotlivých metod.
|
|
|
Detekce fibrilace síní v EKG
Plch, Vít ; Kolářová, Jana (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová práce se zabývá především detekci síňových fibrilací pomocí HRV, klasifikaci Poincarého mapy a následnému rozdělení do dvou skupin pomocí neuronových sítí. Výsledkem je potom rozhodnutí, které veličiny jsou statisticky významné pro identifikaci síňových fibrilací, které ne, a klasifikace signálu na základě těchto veličin pomocí Bayesovy a Lavenberg-Marquardtovy neuronové sítě. Při 23 neuronech ve skryté vrstvě má Bayesova síť nejlepší výsledky, a to F1 measure = 83,6 %, Senzitivita = 88,1 % a Specificitu 94,5 %.
|
|
|
Detekce fibrilace síní v EKG záznamu
Húsková, Michaela ; Vítek, Martin (oponent) ; Maršánová, Lucie (vedoucí práce)
Cílem práce je popsat problematiku fibrilace síní a metody umožňující její detekci v elektrokardiogramu. V úvodu teoretického rozboru je vysvětlena podstata elektrofyziologie srdce, a především patofyziologie fibrilace síní. Dále se práce věnuje popisu metod automatické detekce fibrilace síní a možnostem databáze PhysioNet. V praktické části jsou realizovány metody pomocí programového prostředí MATLAB. Po použití statistické analýzy pro zhodnocení kvality parametrů následuje automatická klasifikace dat metodou nejbližšího souseda. Na závěr je prezentována úspěšnost testování.
|
|
|
Detekce fibrilace síní v EKG
Plch, Vít ; Kolářová, Jana (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová práce se zabývá především detekci síňových pomocí HRV, klasifikaci Poincarého mapy a následnému rozdělení do dvou skupin pomocí neuronových sítí. Výsledkem je potom rozhodnutí, které veličiny jsou statisticky významné pro identifikaci síňových fibrilací, které ne, a klasifikace signálu na základě těchto veličin.
|
|
|
Detekce síňové fibrilace s využitím intrakardiálního EKG
Kašparová, Michaela ; Novotná, Petra (oponent) ; Ředina, Richard (vedoucí práce)
Fibrilace síní je jednou z nejčastějších poruch srdečního rytmu. Je způsobena nepravi- delnou aktivací síní, což způsobuje nekoordinované stahy síní s velmi vysokou frekvencí, a proto je její včasná diagnostika velmi důležitá. Cílem této bakalářské práce je automa- tická detekce fibrilace síní v intrakardiálních záznamech. Automatická detekce umožňuje nalezení úseků s výskytem fibrilace síní, a tak zprostředkovat rychlejší stanovení diagnózy. Testování vytvořeného algoritmu proběhlo na dostupné databázi dětských pacientů, kteří podstoupili elektrofyziologické vyšetření v Dětské nemocnici Fakultní nemocnice Brno v České republice.
|
|
|
Detekce fibrilace síní v EKG
Prokopová, Ivona ; Kolářová, Jana (oponent) ; Ronzhina, Marina (vedoucí práce)
Fibrilace síní patří mezi nejčastěji se vyskytující poruchy srdečního rytmu, vyznačující stále vzrůstající prevalencí a incidencí v ČR i ve světě. Výskyt fibrilace síní je uváděn na úrovni 2-4 % populace, avšak vzhledem k často asymptomatickému průběhu je reálná prevalence ještě vyšší. Cílem této práce je automatická detekce fibrilace síní v EKG záznamu. V praktické části této práci je navržen algoritmus pro detekci fibrilace síní. Pro samotnou detekci bylo využito metody k-nearest neighbor, metody podpůrných vektorů a vícevrstvé neuronové sítě ke klasifikaci EKG signálů pomocí příznaků poukazující na variabilitu RR intervalů a přítomnost vlny P v těchto EKG záznamech. Nejlepší detekce dosáhl model využívající klasifikaci pomocí vícevrstvé neuronové sítě se dvěma skrytými vrstvami. Výsledky ukazatelů úspěšnosti Senzitivita 91,23 %, Specificita 99,20 %, PPV 91,23 %, F-measure 91,23 % a Accuracy 98,53 %.
|
|
|
Detekce fibrilace síní v EKG
Plch, Vít ; Kolářová, Jana (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová práce se zabývá především detekci síňových fibrilací pomocí HRV, klasifikaci Poincarého mapy a následnému rozdělení do dvou skupin pomocí neuronových sítí. Výsledkem je potom rozhodnutí, které veličiny jsou statisticky významné pro identifikaci síňových fibrilací, které ne, a klasifikace signálu na základě těchto veličin pomocí Bayesovy a Lavenberg-Marquardtovy neuronové sítě. Při 23 neuronech ve skryté vrstvě má Bayesova síť nejlepší výsledky, a to F1 measure = 83,6 %, Senzitivita = 88,1 % a Specificitu 94,5 %.
|
|
|
Detekce fibrilace síní v EKG
Plch, Vít ; Kolářová, Jana (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová práce se zabývá především detekci síňových pomocí HRV, klasifikaci Poincarého mapy a následnému rozdělení do dvou skupin pomocí neuronových sítí. Výsledkem je potom rozhodnutí, které veličiny jsou statisticky významné pro identifikaci síňových fibrilací, které ne, a klasifikace signálu na základě těchto veličin.
|
host ::
RSS.