|
|
Detekce obtížně diferencovatelných skupin srdečních arytmií
Kantor, Marek ; Ronzhina, Marina (oponent) ; Novotná, Petra (vedoucí práce)
Tato práce se zabývá problematikou detekčních metod fibrilace síní, flutteru síní a sinusového rytmu ze záznamu EKG. Práce rovněž pojednává o těchto arytmiích a klasifikačních algoritmech vhodných pro tuto problematiku. V rámci této práce je vytvořeno několik přístupů klasifikace. Pro extrakci příznaků je využita konvoluční neuronová síť a klasifikace je realizovaná prostřednictvím umělé neuronové sítě. Vybrána metoda 1D CNN pro tyto těžko diferencovatelné srdeční arytmie dosahuje průměrné přesnosti klasifikace F1 - skóre = 91 %. Vybrána CNN optimalizovaná pomocí GA je rychlá mělká síť s lepší přesností než hluboká síť. Vytvořené modely jsou použity i pro klasifikaci jiných typů arytmií.
|
|
|
Detekce paroxysmální fibrilace a flutteru síní
Krmela, Jan ; Němcová, Andrea (oponent) ; Smíšek, Radovan (vedoucí práce)
Tato bakalářská práce se zabývá problematikou fibrilace a flutteru síní, patofyziologií těchto arytmií a jejich automatickou detekcí. Obsahuje teoretický úvod, potřebný k pochopení bazální anatomie srdce, jeho činnosti, vzniku a popisu elektrokardiogramu a kapitolu o srdečních arytmiích. Dále obsahuje rešerši o automatické detekci fibrilace síní. V práci je také popsána databáze, se kterou se pracuje v praktické části. Samotná realizace klasifikace srdečního rytmu a automatické detekce začátků a konců paroxysmálních epizod je provedena v prostředí MATLAB, navrhnutý algoritmus je otestovaný na popisovaných databázích a jsou vyhodnoceny jeho výsledky.
|
|
|
Detekce vybraných typů srdečních arytmií v EKG
Němečková, Karolína ; Ředina, Richard (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato práce se zabývá klasifikací EKG záznamů se zaměřením na hůře klasifikovatelné arytmie (flutter síní, atriventrikulární blokáda II. a III. stupně). V teoretické části je uvedena literární rešerše v oblasti metod hlubokého učení, které byly využity pro klasifikaci EKG záznamů, se zaměřením na konvoluční neuronové sítě. Dále je popsána použitá databáze EKG záznamů se stručným popisem detekovaných arytmií. Praktická část provádí implementaci navržených konvolučních neuronových sítí v prostředí Python. Hodnocení kvality klasifikátorů proběhlo pomocí vybraných metrik se zaměřením na F1 skóre. Výsledky jsou na konci práce diskutovány.
|
|
|
Detekce paroxysmální fibrilace a flutteru síní
Krmela, Jan ; Němcová, Andrea (oponent) ; Smíšek, Radovan (vedoucí práce)
Tato bakalářská práce se zabývá problematikou fibrilace a flutteru síní, patofyziologií těchto arytmií a jejich automatickou detekcí. Obsahuje teoretický úvod, potřebný k pochopení bazální anatomie srdce, jeho činnosti, vzniku a popisu elektrokardiogramu a kapitolu o srdečních arytmiích. Dále obsahuje rešerši o automatické detekci fibrilace síní. V práci je také popsána databáze, se kterou se pracuje v praktické části. Samotná realizace klasifikace srdečního rytmu a automatické detekce začátků a konců paroxysmálních epizod je provedena v prostředí MATLAB, navrhnutý algoritmus je otestovaný na popisovaných databázích a jsou vyhodnoceny jeho výsledky.
|
|
|
Detekce vybraných typů srdečních arytmií v EKG
Němečková, Karolína ; Ředina, Richard (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato práce se zabývá klasifikací EKG záznamů se zaměřením na hůře klasifikovatelné arytmie (flutter síní, atriventrikulární blokáda II. a III. stupně). V teoretické části je uvedena literární rešerše v oblasti metod hlubokého učení, které byly využity pro klasifikaci EKG záznamů, se zaměřením na konvoluční neuronové sítě. Dále je popsána použitá databáze EKG záznamů se stručným popisem detekovaných arytmií. Praktická část provádí implementaci navržených konvolučních neuronových sítí v prostředí Python. Hodnocení kvality klasifikátorů proběhlo pomocí vybraných metrik se zaměřením na F1 skóre. Výsledky jsou na konci práce diskutovány.
|
|
|
Detekce obtížně diferencovatelných skupin srdečních arytmií
Kantor, Marek ; Ronzhina, Marina (oponent) ; Novotná, Petra (vedoucí práce)
Tato práce se zabývá problematikou detekčních metod fibrilace síní, flutteru síní a sinusového rytmu ze záznamu EKG. Práce rovněž pojednává o těchto arytmiích a klasifikačních algoritmech vhodných pro tuto problematiku. V rámci této práce je vytvořeno několik přístupů klasifikace. Pro extrakci příznaků je využita konvoluční neuronová síť a klasifikace je realizovaná prostřednictvím umělé neuronové sítě. Vybrána metoda 1D CNN pro tyto těžko diferencovatelné srdeční arytmie dosahuje průměrné přesnosti klasifikace F1 - skóre = 91 %. Vybrána CNN optimalizovaná pomocí GA je rychlá mělká síť s lepší přesností než hluboká síť. Vytvořené modely jsou použity i pro klasifikaci jiných typů arytmií.
|
|
| |
host ::
RSS.