Lokalizace fibrilace síní pro vyhodnocení zatížení pacienta

Simple item page
but.committeedoc. Mgr. Ctirad Hofr, Ph.D. (předseda) Ing. Markéta Jakubíčková, Ph.D. (místopředseda) Ing. Martin Vítek, Ph.D. (člen) Ing. Martin Mézl, Ph.D. (člen) Ing. Jana Musilová, Ph.D. (člen) Ing. Radovan Smíšek, Ph.D. (člen)cs
but.defenceStudentka prezentovala výsledky své práce a komise byla seznámena s posudky. Studentka se vyjádříla k posudku a odpověděla na přiložené otázky oponenta. Doc. Hofr: jak byste postupovala v ideálním světě, kdybyste tu práci dělala znovu. Na slidu 15 máte graf - jak byste zdůraznila, že jsou rozdíly znatelné? Ing. Mézl: byl průběh podobný u všech modelů? Ing. Vítek: proč je tak důležitá délka fibrilace? Je ideální pro EKG data přidávat gaussovský šum jako augmentaci? Studentka obhájila diplomovou práci s výhradami a odpověděla na otázky členů komise.cs
but.jazykčeština (Czech)
but.programBiomedicínské inženýrství a bioinformatikacs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorFilipenská, Marinacs
dc.contributor.authorMartinásková, Kláracs
dc.contributor.refereeŘedina, Richardcs
dc.date.created2024cs
dc.description.abstractDiplomová práce se zabývá problematikou detekce fibrilace síní ze záznamů EKG a lokalizace daných úseků fibrilace u signálů s paroxysmální fibrilací. Je vypracována rešerše týkající se fibrilace síní, vzniku této atologie a metod detekce fibrilace z EKG záznamů pomocí hlubokého učení. V jazyce Python je následně implementován model konvoluční neuronové sítě s reziduálními bloky pro klasifikaci krátkých (3 s) segmentů EKG signálu. Následně jsou výsledky klasifikace zpracovány a v signálech s paroxysmální fibrilací jsou lokalizovány úseky s fibrilací. Díky klasifikaci a lokalizaci je dále vyhodnoceno zatížení pacienta fibrilací. Implementovaný klasifikátor na testovací množině dosahuje výsledků F1 skóre 96,15 %. Při lokalizaci úseků s fibrilací algoritmem je dosaženo hodnoty MAE 0,95 s pro detekci začátků a 1,29 s pro detekci konců vůči referenčním polohám. Odhadované zatížení pacienta je porovnáno se skutečnou zátěží a dosahuje MAE 3 %.cs
dc.description.abstractThe diploma thesis deals with the problem of detection of atrial fibrillation from ECG recordings and localization of given fibrillation segments in signals with paroxysmal fibrillation. A research is done on atrial fibrillation, the origin of this pathology and methods of fibrillation detection from ECG recordings using deep learning. Subsequently, a convolutional neural network model with residual blocks is implemented in Python to classify short (3 s) segments of the ECG signal. Subsequently, the classification results are processed and the segments with paroxysmal fibrillation are localized in the signals with fibrillation. With the classification and localization, the burden assessment of fibrillation is further evaluated. The implemented classifier on the test set achieves an F1 score of 96,15 %. When the sections with fibrillation are localized by the algorithm, MAE of 0,95 s for detecting the beginnings and 1,29 s for detecting the ends with respect to the reference positions is achieved. The estimated patient's burden assessment is compared with the actual values and achieves MAE of 3 %en
dc.description.markCcs
dc.identifier.citationMARTINÁSKOVÁ, K. Lokalizace fibrilace síní pro vyhodnocení zatížení pacienta [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.cs
dc.identifier.other159757cs
dc.identifier.urihttp://hdl.handle.net/11012/246224
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.subjectfibrilace sínícs
dc.subjectlokalizace fibrilace sínícs
dc.subjectEKGcs
dc.subjectkonvoluční neuronová síťcs
dc.subjectreziduální neuronová síťcs
dc.subjectparoxysmální fibrilacecs
dc.subjectzatížení pacienta fibrilacícs
dc.subjectDeep learningen
dc.subjectatrail fibrillationen
dc.subjectlocalization of atrial fibrillationen
dc.subjectECGen
dc.subjectconvolutian neural networken
dc.subjectresidual neural networken
dc.subjectparoxysmal fibrillationen
dc.subjectatrail fibrillation burden assessmenten
dc.titleLokalizace fibrilace síní pro vyhodnocení zatížení pacientacs
dc.title.alternativeAtrial fibrillation localization for burden assessmenten
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2024-06-10cs
dcterms.modified2024-06-11-09:05:48cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid159757en
sync.item.dbtypeZPen
sync.item.insts2025.03.26 14:42:23en
sync.item.modts2025.01.15 21:41:33en
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:
5.18 MB
Format:
Adobe Portable Document Format
Description:
file final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
3.45 MB
Format:
Unknown data format
Description:
file appendix-1.zip
Download
Thumbnail Image
Name:
review_159757.html
Size:
8.09 KB
Format:
Hypertext Markup Language
Description:
file review_159757.html
Download
Collections
2024