Identifikace segmentů supraventrikulárních tachykardií pomocí metody multiple-instance learning

Simple item page
but.committeeprof. Pharm.Dr. Petr Babula, Ph.D. (předseda) Ing. Marina Filipenská, Ph.D. (místopředseda) Ing. Roman Jakubíček, Ph.D. (člen) Ing. Jan Červený, Ph.D. (člen) doc. Mgr. Ing. Karel Sedlář, Ph.D. (člen) Mgr. Bc. Darina Čejková, Ph.D. (člen)cs
but.defenceStudent prezentoval výsledky své práce a komise byla seznámena s posudky. Prof. Babula položil otázku, jak byste mohl se zpracovávanými záznamy dále pracovat? Šlo by rozlišovat jednotlivé typy supraventrikulárních arytmií. Ing. Jakubíček položil otázku, co se děje v bloku klasifikace? Kde je multi-instance learning? Kde jste použil drop out? Co znamená komprimovaný čas? Student obhájil diplomovou práci s výhradami a odpověděl na otázky členů komise a oponenta.cs
but.jazykčeština (Czech)
but.programBiomedicínské inženýrství a bioinformatikacs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorFilipenská, Marinacs
dc.contributor.authorAbbrent, Jakubcs
dc.contributor.refereeNovotná, Petracs
dc.date.created2022cs
dc.description.abstractSupraventrikulární tachykardie mají v populaci vysokou incidenci a často způsobují zhoršení zdravotního stavu. Cílem této diplomové práce je automaticky detekovat a lokalizovat paroxysmální fibrilace síní v záznamech EKG. Algoritmus implementovaný v jazyce Python používá k detekci konvoluční neuronovou síť ResNet s využitím multi-instančního učení a rozhodovacích pravidel. K lokalizaci slouží výstup detekce v podobě feature signálu. Při klasifikaci bylo na testovací množině dosaženo F1 skóre 0,87. Následně byly lokalizovány paroxysmální fibrilace síní s odchylkou -0,40±2,26 sekund pro začátky a 1,09±2,75 sekund pro konce epizod. V závěru práce jsou získané výsledky vyhodnoceny a diskutovány.cs
dc.description.abstractSupraventricular tachycardias have a high incidence in the population and often cause health disorders. The aim of this thesis is to automatically detect and localize atrial fibrillation in ECG records. The algorithm, implemented in Python, uses a convolutional neural network ResNet for detection with multiple-instance learning and decision rules. The output of the detection in the form of a feature signal is used for localization. The classification achieved F1 score of 0.87 on the test dataset. Then, paroxysmal atrial fibrillation was localized with a deviation of -0.40±2.26 seconds for the onsets and 1.09±2.75 seconds for the terminations of the episodes. Lastly, the obtained results are evaluated and discussed.en
dc.description.markDcs
dc.identifier.citationABBRENT, J. Identifikace segmentů supraventrikulárních tachykardií pomocí metody multiple-instance learning [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2022.cs
dc.identifier.other142091cs
dc.identifier.urihttp://hdl.handle.net/11012/204914
dc.language.isocscs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectEKGcs
dc.subjectfibrilace sínícs
dc.subjecthluboké učenícs
dc.subjectkonvoluční neuronové sítěcs
dc.subjectResNetcs
dc.subjectmulti-instanční učenícs
dc.subjectfeature signálcs
dc.subjectECGen
dc.subjectatrial fibrillationen
dc.subjectdeep learningen
dc.subjectconvolutional neural networksen
dc.subjectResNeten
dc.subjectmultiple-instance learningen
dc.subjectfeature signalen
dc.titleIdentifikace segmentů supraventrikulárních tachykardií pomocí metody multiple-instance learningcs
dc.title.alternativeIdentification of supraventricular tachycardia segments using multiple-instance learningen
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2022-06-08cs
dcterms.modified2022-06-10-08:48:23cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid142091en
sync.item.dbtypeZPen
sync.item.insts2025.03.26 14:31:28en
sync.item.modts2025.01.15 21:50:47en
thesis.disciplinebez specializacecs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav biomedicínského inženýrstvícs
thesis.levelInženýrskýcs
thesis.nameIng.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
4.26 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
3.89 MB
Format:
zip
Description:
appendix-1.zip
Download
Thumbnail Image
Name:
review_142091.html
Size:
8.86 KB
Format:
Hypertext Markup Language
Description:
file review_142091.html
Download
Collections
2022