|
|
Algoritmy pro zlepšení detekce vybraných arytmií v EKG
Šandová, Hana ; Ředina, Richard (oponent) ; Novotná, Petra (vedoucí práce)
Práce se zabývá navyšováním datových sad arytmií v EKG, které bývají v databázích méně často zastoupené. Teoretická část je věnována literární rešerši odborných prací, které se zabývají klasifikátory srdečních arytmií s využitím hlubokého učení a augmentací EKG signálů. V praktické části byly realizovány generátory šumu, které by po přičtení do reálně změřených signálů mohly obohatit datovou sadu. Také byla realizována metoda pro augmentaci flutteru síní. Byly vytvořeny funkce, které uměle vytvářejí signály napodobující atrioventikulární blokády II. a III. stupně. Nakonec byla snaha generovat atrioventikulární blokády II. stupně pomocí generativních kompetitivních sítí (GAN). Úspěšnost augmentace byla hodnocena přidáním různě kombinovaných syntetických dat do trénovacích množin pro EKG klasifikátor v podobě hluboké neuronové sítě.
|
|
|
Algoritmy pro zlepšení detekce vybraných arytmií v EKG
Šandová, Hana ; Ředina, Richard (oponent) ; Novotná, Petra (vedoucí práce)
Práce se zabývá navyšováním datových sad arytmií v EKG, které bývají v databázích méně často zastoupené. Teoretická část je věnována literární rešerši odborných prací, které se zabývají klasifikátory srdečních arytmií s využitím hlubokého učení a augmentací EKG signálů. V praktické části byly realizovány generátory šumu, které by po přičtení do reálně změřených signálů mohly obohatit datovou sadu. Také byla realizována metoda pro augmentaci flutteru síní. Byly vytvořeny funkce, které uměle vytvářejí signály napodobující atrioventikulární blokády II. a III. stupně. Nakonec byla snaha generovat atrioventikulární blokády II. stupně pomocí generativních kompetitivních sítí (GAN). Úspěšnost augmentace byla hodnocena přidáním různě kombinovaných syntetických dat do trénovacích množin pro EKG klasifikátor v podobě hluboké neuronové sítě.
|
|
|
Machine learning tools for Diagnosis of Heart Arrhythmia
Shkëmbi, Glejdis ; Vomlelová, Marta (vedoucí práce) ; Pilát, Martin (oponent)
Název: Nástroje strojového učení pro diagnostiku srdeční arytmie Autor: Glejdis Shkëmbi Katedra / ústav: Katedra teoretické informatiky a matematické logiky Vedoucí bakalářské práce: Mgr. Marta Vomlelová, Ph.D., Katedra teoretické informatiky a matematické logiky Abstrakt: Elektrokardiogram (EKG) je považován za nejspolehlivější, nejúčinnější a nejnákladnější nástroj používaný ve zdravotnictví k diagnostice srdeční arytmie. Vizuální znázornění EKG signálů manuálně zdravotnickými pracovníky je však složité a časově náročné a může vést k lidským chybám a nepřesnostem při rozpoznávání tepu. V tomto dokumentu jsou porovnávány různé techniky strojového učení pro klasifikaci pěti tříd EKG srdečních tepů pomocí funkcí Discrete Wavelet Transform (DWT). Zejména je zdůrazněna významná úloha statistických prvků koeficientů DWT při rozlišování různými tříd srdečního tepu. Výkonnost modelů byla vyhodnoceny pomocí online databáze arytmií MIT-BIH. Získané výsledky ukazují spolehlivost přístupů založených na strojovém učení pro diagnozy srdeční arytmie z EKG signálů. Klíčová slova: Elektrokardiogram (EKG); Discrete Wavelet Transform (DWT); Support Vector Machine (SVM); Random Forest; Srdeční arytmie.
|
host ::
RSS.