Detekce začátku a konce komplexu QRS s využitím hlubokého učení

Simple item page
but.committeeprof. Ing. Valentýna Provazník, Ph.D. (předseda) Ing. Marina Filipenská, Ph.D. (místopředseda) Ing. Kateřina Šabatová (člen) Ing. Oto Janoušek, Ph.D. (člen) doc. Mgr. Zdenka Fohlerová, Ph.D. (člen)cs
but.defenceStudent prezentoval výsledky své práce a komise byla seznámena s posudky. Ing. Ronzhina položila dotaz na vstupy a výstupy modelu. Prof. Provazník položil dotaz na možné pokračování v práci s cílem zlepšení výsledků, doplnění bodů zadání, využití více dat a časovou náročnost výpočtu. Student neobhájil diplomovou práci.cs
but.jazykčeština (Czech)
but.programBiomedicínské inženýrství a bioinformatikacs
but.resultpráce nebyla úspěšně obhájenacs
dc.contributor.advisorSmíšek, Radovancs
dc.contributor.authorMalina, Ondřejcs
dc.contributor.refereeHejč, Jakubcs
dc.date.created2021cs
dc.description.abstractTato práce se zabývá problematikou automatického měření doby trvání QRS komplexů v EKG signálech. Zvláštní důraz je zde pak kladen na možnosti automatické detekce komplexů QRS při současném buzení srdeční tkáně kardiostimulátorem. Obsah této práce je řazen do čtyř logických celků, kdy se v první části věnuje srdci jako orgánu. Popisuje vznik a šíření vzruchu v srdci, jeho možné patologie a jejich projevy v EKG záznamu, dále se zde věnuje kardiostimulaci a měření EKG záznamu při současné kardiostimulaci. Druhá část práce obsahuje stručný úvod do tématu strojového a hlubokého učení. Třetí část práce obsahuje rešerše aktuálních přístupů využívající k řešení detekce QRSd metody založené na hlubokém učení. Čtvrtá část se pak zabývá návrhem a implementací vlastního modelu hlubokého učení, schopného detekovat začátky a konce QRS komplexů z EKG záznamů. Je zde popsáno předzpracovaní dat realizované v programovacím prostředí MATLAB. Samotná implementace modelu byla uskutečněna v programovacím jazyce Python za využití modulů PyTorch a NumPy.cs
dc.description.abstractThis thesis deals with the issue of automatic measurement of the duration of QRS complexes in ECG signals. Special emphasis is then placed on the possibility of automatic detection of QRS complexes while exciting cardiac tissue with a pacemaker. The content of this work is divided into four logical units, where the first part deals with the heart as an organ. It describes the origin and spread of excitement in the heart, its possible pathologies and their manifestations in ECG recording, it also deals with pacing and measuring ECG recording during simultaneous pacing. The second part of the thesis contains a brief introduction to the topic of machine and deep learning. The third part of the thesis contains a search of current approaches using methods based on deep learning to solve the detection of QRSd. The fourth part deals with the design and implementation of its own model of deep learning, able to detect the beginnings and ends of QRS complexes from ECG recordings. It describes the data preprocessing implemented in the MATLAB programming environment. The actual implementation of the model was performed in the Python using the PyTorch and NumPy moduls.en
dc.description.markCcs
dc.identifier.citationMALINA, O. Detekce začátku a konce komplexu QRS s využitím hlubokého učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.cs
dc.identifier.other134806cs
dc.identifier.urihttp://hdl.handle.net/11012/197126
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.subjectEKG signálcs
dc.subjectdetekce QRS komplexůcs
dc.subjectQRSdcs
dc.subjectkardiostimulacecs
dc.subjectdetekční algoritmuscs
dc.subjectstrojové učenícs
dc.subjecthluboké učenícs
dc.subjectPythoncs
dc.subjectLSTMcs
dc.subjectConvLSTMcs
dc.subjectPyTorchcs
dc.subjectECG signalen
dc.subjectdetection of QRS complexesen
dc.subjectQRSden
dc.subjectcardiostimulationen
dc.subjectdetection algorithmen
dc.subjectmachine learningen
dc.subjectdeep learningen
dc.subjectPythonen
dc.subjectLSTMen
dc.subjectConvLSTMen
dc.subjectPyTorchen
dc.titleDetekce začátku a konce komplexu QRS s využitím hlubokého učenícs
dc.title.alternativeDeep learning based QRS delineatoren
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2021-06-10cs
dcterms.modified2024-05-17-12:49:44cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid134806en
sync.item.dbtypeZPen
sync.item.insts2025.03.26 14:28:56en
sync.item.modts2025.01.15 13:20:54en
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:
7.51 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
4.17 MB
Format:
zip
Description:
appendix-1.zip
Download
Thumbnail Image
Name:
review_134806.html
Size:
7.59 KB
Format:
Hypertext Markup Language
Description:
file review_134806.html
Download
Collections
2021