Automaticka diagnostika 12svodoveho EKG pomoci hlubokeho uceni

Simple item page
but.committeedoc. Ing. Radim Kolář, Ph.D. (předseda) Ing. Martin Mézl, Ph.D. (místopředseda) Ing. Jiří Sekora, MBA (člen) MUDr. Michal Jurajda, Ph.D. (člen) Ing. Martin Králík (člen)cs
but.defenceStudent prezentoval výsledky své práce a komise byla seznámena s posudky. Dr. Mézl položil otázku na označení testovacích a trénovacích dat. Doc. Kolář položil otázku jaká byla použita kriteriální funkce? Co bylo použito pro augmentaci dat? Dr. Mézl položil otázku, jak bylo provedeno podvzorkování signálu? Jak jste zkoumal celkovou úspěšnost modelů? Jak jste měnil architekturu modelu za účelem zlepšení výsledků? Student obhájil diplomovou práci s výhradami a odpověděl na otázky členů komise a oponenta.cs
but.jazykčeština (Czech)
but.programBioinženýrstvícs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorProvazník, Valentýnacs
dc.contributor.authorBlaude, Ondřejcs
dc.contributor.refereeChmelík, Jiřícs
dc.date.created2023cs
dc.description.abstractTato diplomová práce má za cíl prozkoumat problematiku automatické diagnostiky EKG, a to na dvanáctisvodových záznamech. Tato problematika je řešena standardními metodami, jako například náhodný les, umělé neuronové sítě nebo K-nejbližších sousedů. Díky své schopnosti samostatně extrahovat příznaky se ale těší oblibě i metody hlubokého učení. Všechny tyto metody jsou popsány v teoretické části. V praktické části byly navrženy deeplearningové modely, jejichž funkčnost byla ověřována za pomoci dat z databáze PhysioNet. Byly vytvořeny dva pilotní modely, které byly následně optimalizovány. Z celého progresu optimalizace parametrů jsou k dispozici tři modely, z nichž nejlepší dosahuje F1 skóre 87,35 % a přesnosti 83,7 %, a druhý nejlepší dosahuje F1 skóre 77,74 % a přesnosti 84,53 %. Výsledky, kterých bylo dosaženo, jsou diskutovány a porovnány s výsledky podobných publikací.cs
dc.description.abstractThe aim of this diploma thesis is to investigate the problematics of automatic ECG diagnostics, namely on twelve-lead recordings. This problem is solved by standard methods such as random forest, artificial neural networks or K-nearest neighbors. However, thanks to its ability to independently extract symptoms, deep learning methods are also popular. All these methods are described in the theoretical part. In the practical part, deep learning models were designed, functionality support was verified using data from the PhysioNet database. Two pilot models were created and subsequently optimized. From the entire parameter optimization procedure, three models are available, of which the best accuracy achieves an F1 score of 87.35% and 83.7%, and the second best achieves an F1 score of 77.74% and an accuracy of 84.53%. The results achieved are discussed and compared with those of similar publications.en
dc.description.markEcs
dc.identifier.citationBLAUDE, O. Automaticka diagnostika 12svodoveho EKG pomoci hlubokeho uceni [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2023.cs
dc.identifier.other153839cs
dc.identifier.urihttp://hdl.handle.net/11012/213858
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.subjectdiagnostikacs
dc.subjecthluboké učenícs
dc.subjectCNNcs
dc.subject1D konvoluční neuronová síťcs
dc.subjectumělá inteligencecs
dc.subjectmulti-label klasifikacecs
dc.subjectstrojové učenícs
dc.subjectSVMcs
dc.subjectnáhodný lescs
dc.subjectstandardní dvanáctisvodové EKGcs
dc.subjectklasifikacecs
dc.subjectpodvzorkování signálůcs
dc.subjectreziduální blokcs
dc.subjectPhysionet databázecs
dc.subjectF1 skórecs
dc.subjectmatice záměncs
dc.subjectPythoncs
dc.subjectECGen
dc.subjectdiagnosticsen
dc.subjectdeep learningen
dc.subjectCNNen
dc.subject1D convolutional neural networken
dc.subjectartificial intelligenceen
dc.subjectmulti-label classificationen
dc.subjectmachine learningen
dc.subjectSVMen
dc.subjectrandom foresten
dc.subjectstandard twelve-lead ECGen
dc.subjectclassificationen
dc.subjectsignal downsamplingen
dc.subjectresidual blocken
dc.subjectPhysionet databaseen
dc.subjectF1 scoreen
dc.subjectconfusion matrixen
dc.subjectPythonen
dc.titleAutomaticka diagnostika 12svodoveho EKG pomoci hlubokeho ucenics
dc.title.alternativeAutomatic diagnosis of the 12-lead ECG using deep learningen
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2023-08-31cs
dcterms.modified2023-08-31-14:47:08cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid153839en
sync.item.dbtypeZPen
sync.item.insts2025.03.26 14:41:10en
sync.item.modts2025.01.17 13:40:54en
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:
6.36 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
9.6 KB
Format:
zip
Description:
appendix-1.zip
Download
Thumbnail Image
Name:
review_153839.html
Size:
9.29 KB
Format:
Hypertext Markup Language
Description:
file review_153839.html
Download
Collections
2023