Stanovení krevního tlaku pomocí chytrého telefonu
| but.committee | prof. Ing. Valentýna Provazník, Ph.D. (předseda) Ing. Martin Vítek, Ph.D. (místopředseda) Ing. Jiří Chmelík, Ph.D. (člen) Ing. Markéta Jakubíčková, Ph.D. (člen) Ing. Kateřina Šabatová (člen) Ing. Radovan Smíšek, Ph.D. (člen) | cs |
| but.defence | Student prezentoval výsledky své práce a komise byla seznámena s posudky. Ing. Smíšek položil otázku jak byla množina subjektů rozdělena na trénovací a testovací množinu? Jak byl zhotoven validační set? Prof. Provazník položila otázku jakým algoritmem byly signály synchronizovány? Jaká byla originální vzorkovací frekvence signálů? Ing. Chmelík položil otázku, co je to BHS. Proč je používáno právě osm hlavních komponent? Prof. Provazník položila doplňující otázku jaký je rozsah hodnot v jednotlivých barevných kanálech. Student odpověděl na otázky členů komise a oponenta. Student obhájil diplomovou práci. | cs |
| but.jazyk | čeština (Czech) | |
| but.program | Biomedicínské inženýrství a bioinformatika | cs |
| but.result | práce byla úspěšně obhájena | cs |
| dc.contributor.advisor | Němcová, Andrea | cs |
| dc.contributor.author | Šíma, Jan | cs |
| dc.contributor.referee | Vítek, Martin | cs |
| dc.date.created | 2023 | cs |
| dc.description.abstract | Tato diplomová práce popisuje experimentální bezmanžetové měření systolického (SBP – Systolic blood pressure) a diastolického krevního tlaku (DBP – Diastolic blood pressure), a to pouze pomocí chytrého telefonu. K odhadu krevního tlaku (BP – blood pressure) byl použit fotopletysmografický signál (PPG – Photopletysmography), který byl měřený kamerou chytrého telefonu a fonokardiografický signál (PCG – Phonocardiography), který byl snímaný externím mikrofonem v oblasti mitrální chlopně. Odhad BP byl rozdělen na 2 části. První bylo regresní stanovení BP a srovnání několika metod strojového učení (MLR – Machine learning) a konvolučních neuronových sítí (CNN – Convolution neural network) podle využití barevného kanálu k extrakci PPG z videozáznamu. Druhou částí bylo klasifikační zařazení BP do kategorie normotenze nebo hypertenze. Signál PPG byl pro extrakci filtrován pomocí pásmové propusti s konečnou impulsní charakteristikou (FIR – Finite impulse response) s mezními kmitočty (0,5–5 Hz) s následnou extrakcí příznaků. Pro odečet příznaků doby cévního přenosu krevního pulzu (VTT – Vascular transit time) a ejekčního času srdce (ET – Ejection time) byly v signálu PCG detekovány dvě hlavní srdeční ozvy S1 a S2. Dále byly pro metody CNN využity surové úseky signálů PPG (RGB kanály videa) a PCG o různých časových délkách. Mezi regresními přístupy byla nejpřesnějším algoritmem metoda podpůrných vektorů (SVR – Support vector regression), která dosahovala podle standardů Association for the Advancement of Medical Instrumentation (AAMI) a British Hypertension Society (BHS) v rámci experimentální práce přijatelné chyby. Hodnota průměrné absolutní chyby (MAE – Mean absolute error) byla pro SBP stanovena 7,64±6,87 mmHg a pro DBP 5,07±4,88 mmHg. Jako nejvhodnější barevný kanál pro extrakci PPG z videozáznamu pro regresní odhad BP byl vyhodnocen červený kanál. Pro klasifikaci se ukázal jako nejspolehlivější algoritmus AdaBoost se slabými klasifikátory náhodný les. Ten dosahoval přesnosti F1 skóre necelých 80 % na příznacích PPG z kombinace červeného a zeleného barevného kanálu videozáznamu. | cs |
| dc.description.abstract | This diploma thesis describes an experimental cuffless measurement of systolic and diastolic blood pressure (SBP and DBP) using only a smartphone. Photoplethysmographic signal (PPG), which was measured by the smartphone camera and phonocardiographic signal (PCG), which was captured by an external microphone in the mitral valve area, were used to estimate blood pressure (BP). The BP estimate was divided into 2 parts. The first was the regression estimation of BP and comparison of several machine learning (MLR) and convolutional neural network (CNN) methods according to the use of the color channel to extract PPG from the video. The second objective was the classification of BP into the category of normotension or hypertension. The PPG signal was filtered for extraction using a bandpass filter with finite impulse response (FIR) (0,5–5 Hz) followed by feature extraction. For estimation of vascular transit time (VTT) and cardiac ejection time (ET), two main cardiac echoes S1 and S2 were detected in the PCG signal. Furthermore, raw sections of PPG signals (RGB video channels) and PCG signals of different time lengths were used for the CNN models. Among the regression approaches, the most accurate algorithm was the support vector regression (SVR) method, which achieved acceptable error according to the standards of the Association for the Advancement of Medical Instrumentation (AAMI) and the British Hypertension Society (BHS) in experimental work. The mean absolute error (MAE) was determined to be 7.64±6.87 mmHg for SBP and 5.07±4.88 mmHg for DBP. The red channel was evaluated as the most appropriate color channel for extracting PPG from the video recordings for regression estimation. For classification, the AdaBoost algorithm with weak random forest (RF) classifiers proved to be the most reliable. It achieved an F1 score of almost 80 % on the PPG features extracted from the combination of red and green color channels of the video. | en |
| dc.description.mark | A | cs |
| dc.identifier.citation | ŠÍMA, J. Stanovení krevního tlaku pomocí chytrého telefonu [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2023. | cs |
| dc.identifier.other | 150866 | cs |
| dc.identifier.uri | http://hdl.handle.net/11012/210053 | |
| dc.language.iso | cs | cs |
| dc.publisher | Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií | cs |
| dc.rights | Standardní licenční smlouva - přístup k plnému textu bez omezení | cs |
| dc.subject | Krevní tlak | cs |
| dc.subject | Bezmanžetové měření krevního tlaku | cs |
| dc.subject | Fotopletysmografie (PPG) | cs |
| dc.subject | Měření krevního tlaku pomocí chytrého telefonu | cs |
| dc.subject | Konvoluční neuronové sítě (CNN) | cs |
| dc.subject | Blood pressure | en |
| dc.subject | Cuff-less measurement of blood pressure | en |
| dc.subject | Photoplethysmography (PPG) | en |
| dc.subject | Measurement of blood pressure by using smartphone | en |
| dc.subject | Convolution neural network (CNN) | en |
| dc.title | Stanovení krevního tlaku pomocí chytrého telefonu | cs |
| dc.title.alternative | Blood pressure estimation using smartphone | en |
| dc.type | Text | cs |
| dc.type.driver | masterThesis | en |
| dc.type.evskp | diplomová práce | cs |
| dcterms.dateAccepted | 2023-06-07 | cs |
| dcterms.modified | 2023-06-09-09:09:08 | cs |
| eprints.affiliatedInstitution.faculty | Fakulta elektrotechniky a komunikačních technologií | cs |
| sync.item.dbid | 150866 | en |
| sync.item.dbtype | ZP | en |
| sync.item.insts | 2025.03.26 14:33:38 | en |
| sync.item.modts | 2025.01.15 22:07:07 | en |
| thesis.discipline | bez specializace | cs |
| thesis.grantor | Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav biomedicínského inženýrství | cs |
| thesis.level | Inženýrský | cs |
| thesis.name | Ing. | cs |
Files
Original bundle
1 - 5 of 7
Loading...
- Name:
- final-thesis.pdf
- Size:
- 18.92 MB
- Format:
- Adobe Portable Document Format
- Description:
- final-thesis.pdf