Identifikace abnormálních EKG segmentů pomocí metody Multiple-Instance Learning

Simple item page
but.committeedoc. Ing. Daniel Schwarz, Ph.D. (předseda) Ing. Vratislav Harabiš, Ph.D. (místopředseda) Ing. Helena Vítková, Ph.D. (člen) Ing. Lukáš Smital, Ph.D. (člen) Ing. Martin Lamoš, Ph.D. (člen)cs
but.defenceStudentka prezentovala výsledky své práce a komise byla seznámena s posudky. Ing. Lamoš položil otázku, jsou všechny záznamy EKG od různých lidí nebo je více záznamů od jednoho člověka? Jak byl zvolen práh pro Grad-CAM, proč byl zvolen empiricky? Ing. Škutková položila otázku, jaké jsou popisky os u uvedených grafů? Ing. Smital položil otázku, nemohlo mít podvzorkování signálů vliv na klasifikaci? Jak probíhala augmentace? Studentka obhájila diplomovou práci a odpověděla na otázky členů komise a oponenta.cs
but.jazykčeština (Czech)
but.programBiomedicínské inženýrství a bioinformatikacs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorHejč, Jakubcs
dc.contributor.authorŠťávová, Karolínacs
dc.contributor.refereeSmíšek, Radovancs
dc.date.created2021cs
dc.description.abstractSrdeční arytmie jsou velmi častým srdečním onemocněním, jejichž výskyt v populaci se zvyšuje. Tato práce se zabývá automatickou detekcí komorových extrasystol ze záznamů 12svodového EKG, k čemuž využívá hlubokého učení. Prostřednictvím techniky založené na přístupu Multiple-Instance Learning je dále provedena lokalizace těchto arytmií (klíčových instancí) v záznamu. V teoretické části práce je popsána základní elektrofyziologie srdce a princip fungování hlubokého učení zejména se zaměřením na konvoluční neuronové sítě. V rámci programového řešení v jazyce Python byl využit model postavený na architektuře InceptionTime, pomocí něhož byla provedena klasifikace signálů do vybraných tříd. Pro zjištění lokalit klíčových instancí v EKG byla implementována metoda Grad-CAM. Hodnocení kvality detekce arytmií proběhlo prostřednictvím výpočtu F1 skóre a výsledky byly na konci práce diskutovány.cs
dc.description.abstractHeart arrhythmias are a very common heart disease whose incidence is rising. This thesis is focused on the detection of premature ventricular contractions from 12-lead ECG records by means of deep learning. The location of these arrhythmias (key instances) in the record was found using a technique based on Multiple-Instance Learning. In the theoretical part of the thesis, basic electrophysiology of the heart and deep learning with a focus on the convolutional neural networks are described. Afterward, a program was created using the Python programming language, which contains a model based on the InceptionTime architecture, using which classification of the signals into the selected classes was performed. Grad-CAM was implemented to find locations of the key instances in the ECGs. The evaluation of the arrhythmia detection quality was done using the F1 score and the results were discussed at the end of the thesis.en
dc.description.markAcs
dc.identifier.citationŠŤÁVOVÁ, K. Identifikace abnormálních EKG segmentů pomocí metody Multiple-Instance Learning [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.cs
dc.identifier.other134973cs
dc.identifier.urihttp://hdl.handle.net/11012/197081
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.subjectHluboké učenícs
dc.subjectkonvoluční neuronové sítěcs
dc.subjectMultiple-Instance Learningcs
dc.subjectGrad-CAMcs
dc.subjectarytmiecs
dc.subjectelektrokardiografie (EKG)cs
dc.subjectPythoncs
dc.subjectDeep learningen
dc.subjectconvolutional neural networksen
dc.subjectMultiple-Instance Learningen
dc.subjectGrad-CAMen
dc.subjectarrhythmiasen
dc.subjectelectrocardiography (ECG)en
dc.subjectPythonen
dc.titleIdentifikace abnormálních EKG segmentů pomocí metody Multiple-Instance Learningcs
dc.title.alternativeIdentification of Abnormal ECG Segments Using Multiple-Instance Learningen
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2021-06-09cs
dcterms.modified2021-06-10-13:53:46cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid134973en
sync.item.dbtypeZPen
sync.item.insts2025.03.26 14:28:34en
sync.item.modts2025.01.17 12:22:48en
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:
2.39 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
768.62 KB
Format:
zip
Description:
appendix-1.zip
Download
Thumbnail Image
Name:
review_134973.html
Size:
6.25 KB
Format:
Hypertext Markup Language
Description:
file review_134973.html
Download
Collections
2021