Aplikace hlubokého učení v detekci spánkové apnoe

Simple item page
but.committeeprof. Ing. Martin Augustynek, Ph.D. (předseda) Ing. Martin Mézl, Ph.D. (místopředseda) Ing. Vratislav Harabiš, Ph.D. (člen) Ing. Filip Plešinger, Ph.D. (člen) Ing. Tomáš Vičar, Ph.D. (člen) prof. Ing. Valentýna Provazník, Ph.D. (člen)cs
but.defenceStudent prezentoval výsledky své práce a komise byla seznámena s posudky. Ing. Plešinger položil otázku týkající se dělení dat. Zabezpečili jste nezahrnutí stejného pacienta ve validační a trénovací množině? Ing. Vičar položil otázku: Jak jste zvolili velikost konvoluční sítě? Student obhájil diplomovou práci a odpověděl na otázky členů komise a oponenta.cs
but.jazykčeština (Czech)
but.programBioinženýrstvícs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorKrálík, Martincs
dc.contributor.authorLáznička, Jakubcs
dc.contributor.refereeŠaclová, Luciecs
dc.date.created2024cs
dc.description.abstractTato diplomová práce se zaměřuje na využití metod hlubokého učení pro detekci spánkové apnoe, poruchy spánku charakterizované opakovanými epizodami zastavení nebo významného snížení průtoku dýchacích cest během spánku. Studie zkoumá efektivitu konvolučních neuronových sítí (CNN) a modelů Bidirectional Long Short-Term Memory (BiLSTM) v automatické detekci různých typů spánkové apnoe s využitím polysomnografických záznamů. V práci jsou využity datasety z databáze MESA, které byly speciálně připraveny a upraveny pro potřeby hlubokého učení. Modely s nejlepšími výsledky dosáhly hodnot F1 skóre 0,87 a 0,83, což ukazuje, že hluboké učení může poskytovat přesné nástroje pro diagnostiku spánkové apnoe, představující potenciální zlepšení v klinické praxi. Práce také diskutuje možnosti integrace těchto modelů do klinických diagnostických procesů a nastiňuje směry pro budoucí výzkum v této oblasti.cs
dc.description.abstractThe master thesis focuses on the use of deep learning methods for the detection of sleep apnea, a sleep disorder characterized by repeated episodes of cessation or significant reduction in airway flow during sleep. The study investigates the effectiveness of Convolutional Neural Networks (CNN) and Bidirectional Long Short-Term Memory (BiLSTM) models in the automatic detection of different types of sleep apnea using polysomnographic recordings. The datasets used in this work are from the MESA database, which have been specially prepared and modified for deep learning. The best performing models achieved F1-scores of 0.87 and 0.83, showing that deep learning can provide accurate tools for sleep apnea diagnosis, representing a potential improvement in clinical practice. The paper also discusses the possibilities of integrating these models into clinical diagnostic processes and outlines directions for future research in this area.en
dc.description.markBcs
dc.identifier.citationLÁZNIČKA, J. Aplikace hlubokého učení v detekci spánkové apnoe [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.cs
dc.identifier.other159774cs
dc.identifier.urihttp://hdl.handle.net/11012/247170
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.subjectpolysomnografiecs
dc.subjectspánková apnoecs
dc.subjectdetekce apnoecs
dc.subjecthluboké učenícs
dc.subjectkonvoluční neuronová síťcs
dc.subjectklasifikacecs
dc.subjectBidirectional Long Short-Term Memorycs
dc.subjectpolysomnographyen
dc.subjectsleep apneaen
dc.subjectapnea detectionen
dc.subjectdeep learningen
dc.subjectconvolutional neural networken
dc.subjectclassificationen
dc.subjectBidirectional Long Short-Term Memoryen
dc.titleAplikace hlubokého učení v detekci spánkové apnoecs
dc.title.alternativeApplication of deep learning in sleep apnea detectionen
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2024-06-11cs
dcterms.modified2024-06-11-15:19:38cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid159774en
sync.item.dbtypeZPen
sync.item.insts2025.03.26 14:42:27en
sync.item.modts2025.01.17 14:51:04en
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:
7.04 MB
Format:
Adobe Portable Document Format
Description:
file final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
504.39 KB
Format:
Unknown data format
Description:
file appendix-1.zip
Download
Thumbnail Image
Name:
review_159774.html
Size:
5.07 KB
Format:
Hypertext Markup Language
Description:
file review_159774.html
Download
Collections
2024