|
|
Třídění EKG cyklů pomoci shlukové analýzy
Němečková, Karolína ; Kozumplík, Jiří (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato bakalářská práce se zabývá aplikací shlukové analýzy na různé záznamy EKG s cílem rozpoznat jednotlivé patologie se zaměřením na detekci komorových a síňových extrasystol. Práce je založena na korelaci signálů a následné identifikaci patologií pomocí základních charakteristik jednotlivých rytmů. Metoda byla vyhodnocena na testovacích datech a dosáhla TPR 73.40 %, FPR 91.00 %, PPV 29.00 %, ACC 90.00 %, F1 41.40 % pro detekci PAC a TPR 76.50 %, FPR 94.20 %, PPV 45.90 %, ACC 93.10 %, F1 57.40 % pro detekci PVC. Nízké hodnoty F1 a PPV jsou způsobeny vysokým počtem falešně pozitivních detekcí vyskytujících se hlavně v zašuměných EKG záznamech a záznamech s přítomností atriální fibrilace.
|
|
|
Klasifikace mikrospánku analýzou EEG
Ronzhina, Marina ; Smital, Lukáš (oponent) ; Čmiel, Vratislav (vedoucí práce)
Tato diplomová práce se zabývá detekcí mikrospánku na základě změn energetického spektra EEG signálu. Vstupními hodnotami pro klasifikaci jsou výsledky časově-frekvenční analýzy. Navržená metoda klasifikace využívá aparát fuzzy logiky. Jsou navřeny 4 klasifikátory, jejichž základem jsou fuzzy inferenční systémy lišící se bázi pravidel. Pro návrh funkce příslušnosti premis pravidel jsou použity výsledky fuzzy shlukování. První dva klasifikátory pro detekci mikrospánku využívají pouze alfa pásmo spektrogramu EEG signálu. Tedy umožňují detekci jen stavu relaxace. Třetí klasifikátor je na rozdíl od předcházejících doplněn pravidly pro delta pásmo, co dává možnost rozlišovat v spektru 3 stavy: mentace, relaxace a somnolence. Čtvrtý klasifikátor má rozhodovací mechanismus zahrnující celé pásmo signálu. Uvažovaný přístup ke klasifikaci mikrospánku je realizován a implementován prostřednictvím programového vybavení počítače. Je vytvořen uživatelský program s grafickým rozhraním.
|
|
|
Fuzzy rozhodovací modely
Starý, Josef ; Karpíšek, Zdeněk (oponent) ; Žák, Libor (vedoucí práce)
Tato diplomová práce se zaměřuje na fuzzy rozhodování pomocí fuzzy inferenčních systémů. V první části je nejdříve popsána matematická teorie používaná v této oblasti. Zásadním cílem práce je pak navržení fuzzy inferenčního systému plnícího funkci adaptivního tempomatu. K tomu je využito matematického softwaru MATLAB. Systém na základě vstupních proměnných rychlost vozidla, rychlost předchozího vozidla a vzdálenost mezi vozidly vyhodnocuje situace a rozhoduje o reakci vozidla. Jeho fungování je v této diplomové práci otestováno pomocí simulací nejprve na fiktivních scénářích a následně je systém porovnán s reálnými adaptivními tempomaty pomocí reálných dat.
|
|
|
Clustering Of Ecg Cycles
Němečková, Karolína
The paper deals with application of cluster analysis to different ECG records in order to identify particular cardiac pathologies. The work is mainly focused on the detection of premature atrial and premature ventricular beats. Presented approach is based on the signal correlation and further beat type identification and beats clustering via specific ECG features and detection rules, including fuzzy expert rules. By evaluation the method on test data, we obtained Se 76,0 %, Sp 90,2 %, F1 43,8 %, Acc 89,5 %, and PPV 31,1 %. Pure F1 and PPV is due to high number of false positive detections mainly in noisy ECG or ECG with manifested atrial fibrillation.
|
|
|
Třídění EKG cyklů pomoci shlukové analýzy
Němečková, Karolína ; Kozumplík, Jiří (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato bakalářská práce se zabývá aplikací shlukové analýzy na různé záznamy EKG s cílem rozpoznat jednotlivé patologie se zaměřením na detekci komorových a síňových extrasystol. Práce je založena na korelaci signálů a následné identifikaci patologií pomocí základních charakteristik jednotlivých rytmů. Metoda byla vyhodnocena na testovacích datech a dosáhla TPR 73.40 %, FPR 91.00 %, PPV 29.00 %, ACC 90.00 %, F1 41.40 % pro detekci PAC a TPR 76.50 %, FPR 94.20 %, PPV 45.90 %, ACC 93.10 %, F1 57.40 % pro detekci PVC. Nízké hodnoty F1 a PPV jsou způsobeny vysokým počtem falešně pozitivních detekcí vyskytujících se hlavně v zašuměných EKG záznamech a záznamech s přítomností atriální fibrilace.
|
|
|
Klasifikace mikrospánku analýzou EEG
Ronzhina, Marina ; Smital, Lukáš (oponent) ; Čmiel, Vratislav (vedoucí práce)
Tato diplomová práce se zabývá detekcí mikrospánku na základě změn energetického spektra EEG signálu. Vstupními hodnotami pro klasifikaci jsou výsledky časově-frekvenční analýzy. Navržená metoda klasifikace využívá aparát fuzzy logiky. Jsou navřeny 4 klasifikátory, jejichž základem jsou fuzzy inferenční systémy lišící se bázi pravidel. Pro návrh funkce příslušnosti premis pravidel jsou použity výsledky fuzzy shlukování. První dva klasifikátory pro detekci mikrospánku využívají pouze alfa pásmo spektrogramu EEG signálu. Tedy umožňují detekci jen stavu relaxace. Třetí klasifikátor je na rozdíl od předcházejících doplněn pravidly pro delta pásmo, co dává možnost rozlišovat v spektru 3 stavy: mentace, relaxace a somnolence. Čtvrtý klasifikátor má rozhodovací mechanismus zahrnující celé pásmo signálu. Uvažovaný přístup ke klasifikaci mikrospánku je realizován a implementován prostřednictvím programového vybavení počítače. Je vytvořen uživatelský program s grafickým rozhraním.
|
host ::
RSS.