Metody hlubokého učení pro segmentaci elektrokardiografických signálů

Simple item page
but.committeeprof. Ing. Valentine Provazník, Ph.D. (předseda) Ing. Josef Halámek, CSc. - oponent (člen) prof. Ing. Martin Černý, Ph.D. - oponent (člen) Ing. Lukáš Smital, Ph.D. (člen) Ing. Andrea Němcová, Ph.D. (člen) doc. Ing. Daniel Novák, Ph.D. (člen)cs
but.defenceDoktorand plně zodpověděl všechny dotazy oponentů i členek a členů komise.cs
but.jazykčeština (Czech)
but.programBiomedicínské technologie a bioinformatikacs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorKolářová, Janacs
dc.contributor.authorHejč, Jakubcs
dc.contributor.refereeČerný, Martincs
dc.contributor.refereeHalámek, Josefcs
dc.date.accessioned2024-05-15T03:46:04Z
dc.date.available2024-05-15T03:46:04Z
dc.date.created2024cs
dc.description.abstractPráce se zabývá metodami hlubokého učení pro segmentaci elektrokardiografických záznamů z povrchového a intrakardiálního snímání se zaměřením na síňovou aktivitu. Teoretická část seznamuje se současnými přístupy segmentace a s problematikou spojenou s využíváním standardních EKG databází pro vývoj hlubokých modelů. V práci byl navržen řetězec metod pro zpracování multimodálních dat z elektrofyziologického vyšetření. Tyto metody byly následně využity pro sestavení trénovacích datových sad. V práci byl navržen hluboký model pro segmentaci intrakardiálních záznamů založený na modifikované architektuře s reziduálním spojením. Byla provedena série experimentů sledující vliv nastavení modelu a předzpracování datové sady na kvalitu segmentace. Jako zásadní činitel se ukázala přítomnost a způsob anotace záznamů s fibrilací síní. Mezi další významné parametry patřilo nastavení penalizační funkce a způsob augmentace trénovacích dat. V práci byla dále navržena nová metoda segmentace P vln využívající neúplné reference. Přístup byl inspirován metodou hlubokého kontrastního učení, která byla modifikována pro odlišení lokálních úseků signálů na různých úrovních abstrakce extrahovaných příznakových map. Výsledky byly analyzovány pomocí standardních metrik kvality a post-hoc vizuální analýzou. V dílčích případech bylo provedeno statistické srovnání experimentů pro různá nastavení. Výsledky práce ukázaly, že je možné využít intrakardiální signály pro zabudování vektorové reprezentace lokální síňové aktivace do hlubokých modelů.cs
dc.description.abstractThe thesis deals with deep learning methods for the segmentation of surface and intracardiac electrocardiographic recording with focus on atrial activity. The theoretical part introduces current segmentation aproaches of electrocardiographic signals. Issues related to the development of deep learning models in context of standard ECG databases were also discussed. We proposed a pipeling for processing multimodal electrophysiology data from interventional procedures in order to build reliable training datasets. A deep model for segmentation of intracardiac recordings based on a modified residual architecture was proposed. A series of experiments was conducted to evaluate the effect of both model and dataset properties on segmentation quality. The annotation methodology of recordings with atrial fibrillation proved to be a crucial factor. Properties of loss function and type of data augmentation were revealed as secondary important parameters. A novel P wave segmentation method for incomplete references was proposed in the thesis. The approach was inspired by the deep contrast learning. It was modified to distinguish local segments of signals at different levels of abstraction of the extracted feature maps. Results were analyzed using standard quality metrics and post-hoc visual analysis. In some cases, a statistical comparison of experiments for different settings was performed. The results of the work showed that it is possible to use intracardiac signals for embedding a vector representation of local atrial activation into deep models.en
dc.description.markPcs
dc.identifier.citationHEJČ, J. Metody hlubokého učení pro segmentaci elektrokardiografických signálů [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.cs
dc.identifier.other154920cs
dc.identifier.urihttps://hdl.handle.net/11012/245524
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.subjectMetody hlubokého učenícs
dc.subjectkonvoluční neuronové sítěcs
dc.subjectautomatická segmentace signálůcs
dc.subjectintervenční elektrofyziologické vyšetřenícs
dc.subjectintrakardiální elektrogramycs
dc.subjectlokální aktivační čascs
dc.subjectsíňová aktivitacs
dc.subjectskryté P vlnycs
dc.subjectporuchy srdečního rytmucs
dc.subjectdatabáze signálůcs
dc.subjectDeep learningen
dc.subjectconvolutional neural networksen
dc.subjectsegmentationen
dc.subjectcardiac mappingen
dc.subjectintracardiac electrogramsen
dc.subjectlocal activation timeen
dc.subjectatrial activityen
dc.subjecthidden P wavesen
dc.subjectarrhythmiasen
dc.titleMetody hlubokého učení pro segmentaci elektrokardiografických signálůcs
dc.title.alternativeSegmentation of Electrocardiographic Signals Using Deep Learning Methodsen
dc.typeTextcs
dc.type.driverdoctoralThesisen
dc.type.evskpdizertační prácecs
dcterms.dateAccepted2024-05-14cs
dcterms.modified2024-05-14-11:32:18cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid154920en
sync.item.dbtypeZPen
sync.item.insts2024.05.15 05:46:04en
sync.item.modts2024.05.15 05:12:26en
thesis.disciplinebez specializacecs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav biomedicínského inženýrstvícs
thesis.levelDoktorskýcs
thesis.namePh.D.cs
Files
Original bundle
Now showing 1 - 5 of 5
Thumbnail Image
Name:
final-thesis.pdf
Size:
5.07 MB
Format:
Adobe Portable Document Format
Description:
file final-thesis.pdf
Download
Thumbnail Image
Name:
thesis-1.pdf
Size:
1.14 MB
Format:
Adobe Portable Document Format
Description:
file thesis-1.pdf
Download
Thumbnail Image
Name:
Posudek-Oponent prace-posudek oponenta prof. Cerny_disertace Ing. Hejc.pdf
Size:
223.45 KB
Format:
Adobe Portable Document Format
Description:
file Posudek-Oponent prace-posudek oponenta prof. Cerny_disertace Ing. Hejc.pdf
Download
Thumbnail Image
Name:
Posudek-Oponent prace-posudek oponenta Ing. Halamek_disertace Ing. Hejc.pdf
Size:
2.46 MB
Format:
Adobe Portable Document Format
Description:
file Posudek-Oponent prace-posudek oponenta Ing. Halamek_disertace Ing. Hejc.pdf
Download
Thumbnail Image
Name:
review_154920.html
Size:
4.28 KB
Format:
Hypertext Markup Language
Description:
file review_154920.html
Download
Collections
2024