Automaticka diagnostika 12svodoveho EKG pomoci hlubokeho uceni

Simple item page
but.committeeprof. Ing. Martin Augustynek, Ph.D. (předseda) Ing. Martin Mézl, Ph.D. (místopředseda) Ing. Vratislav Harabiš, Ph.D. (člen) Ing. Jiří Sekora, MBA (člen) Ing. Filip Plešinger, Ph.D. (člen) Ing. Tomáš Vičar, Ph.D. (člen)cs
but.defenceStudent prezentoval výsledky své práce a komise byla seznámena s posudky. Ing. Plešinger položil dotaz na sjednocení různých délek signálu. Ing. Vičar se zeptal na vypořádání se s různými labely a na vysvětlení metriky "přesnost" a dalších použitých metrik. Dále se zajímal o využití vah v rámci učení sítě. Ing. Mézl se zeptal na výsledky prezentované formou matice záměn. Student neobhájil diplomovou práci.cs
but.jazykčeština (Czech)
but.programBioinženýrstvícs
but.resultpráce nebyla úspěšně obhájenacs
dc.contributor.advisorProvazník, Valentýnacs
dc.contributor.authorBlaude, Ondřejcs
dc.contributor.refereeSmital, Lukášcs
dc.date.created2023cs
dc.description.abstractTato diplomová práce má za cíl prozkoumat problematiku automatické diagnostiky EKG, a to na dvanáctisvodových záznamech. V kapitole první je krátce popsán úvod k srdci a měření jeho elektrické aktivity, navíc jsou zde krátce popsány abnormality, které budou v práci klasifikovány. Ve druhé kapitole je popsáno, jak bylo EKG diagnostikováno dříve, tedy klasickými metodami, které předcházely hlubokému učení. Zde jsou i zmíněny některé nedostatky, které tyto metody mají právě oproti hlubokému učení. Část třetí již věnuje pozornost hlubokému učení samotnému, jeho přínosu a výhodám ve srovnání s metodami klasickými. Popsány jsou zde i konvoluční neuronové sítě a jejich jednotlivé bloky, později je věnována pozornost i vybraným architekturám, které byly v některých studiích použity. Kapitola čtvrtá se již zaměřuje na praktickou část, v níž jsou podrobněji popsána použitá data z databáze PhysioNet, navržený algoritmus a jeho realizace. V páté kapitole jsou výsledky diskutovány a srovnány výsledky dostupných publikací se související problematikou.cs
dc.description.abstractThe aim of this diploma thesis is to investigate the problematics of automatic ECG diagnostics, namely on twelve-lead recordings. In the first chapter the heart and its electrical activity measurement is described shortly. In addition to that, the abnormalities which are going to be classified in this thesis are also briefly described. In the second chapter, it is described how the ECG was diagnosed earlier, by classical methods that preceded deep learning. Some of the shortcomings that the classical methods have compared to deep learning are also described here. The third part already pays attention to deep learning itself, and its contribution and advantages compared to classical methods. Convolutional neural networks and their individual blocks are also described here, later attention is paid to selected architectures that were used in some studies. The fourth chapter already focuses on the practical part, in which the data used from the PhysioNet database, the proposed algorithm and its implementation are described in more detail. In the fifth chapter the results are discussed and compared to the corresponding 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.other150873cs
dc.identifier.urihttp://hdl.handle.net/11012/210211
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.subjectstrojové učenícs
dc.subjectstandardní dvanáctisvodové EKGcs
dc.subjectklasifikacecs
dc.subjectpodvzorkování signálůcs
dc.subjectreziduální blokcs
dc.subjectPhysionet databázecs
dc.subjectF1 skórecs
dc.subjectECGen
dc.subjectdiagnosticsen
dc.subjectdeep learningen
dc.subjectCNNen
dc.subject1D convolutional neural networken
dc.subjectartificial intelligenceen
dc.subjectmachine learningen
dc.subjectstandard twelve-lead ECGen
dc.subjectclassificationen
dc.subjectsignal downsamplingen
dc.subjectresidual blocken
dc.subjectPhysionet databaseen
dc.subjectF1 scoreen
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.dateAccepted2023-06-08cs
dcterms.modified2023-08-31-14:47:08cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid150873en
sync.item.dbtypeZPen
sync.item.insts2025.03.26 15:01:13en
sync.item.modts2025.01.15 16:55:55en
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:
4.83 MB
Format:
Adobe Portable Document Format
Description:
file final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
7.55 KB
Format:
Unknown data format
Description:
file appendix-1.zip
Download
Thumbnail Image
Name:
review_150873.html
Size:
7.98 KB
Format:
Hypertext Markup Language
Description:
file review_150873.html
Download
Collections
2023