Využití neuronových sítí pro stanovení zátěžových zón
Loading...
Date
Authors
Jaroš, Oliver
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Cieľom tejto diplomovej práce je preskúmať využitie umelých neurónových sietí na predikciu aeróbneho (HRVT1) a anaeróbneho prahu (HRVT2) na základe analýzy variability srdcovej frekvencie (HRV) počas progresívneho záťažového testu. Zameriava sa na aplikáciu detrendovanej analýzy fluktuácií (DFA 1), ktorá hodnotí komplexitu kardiovaskulárnej odozvy a slúži ako neinvazívny ukazovateľ fyziologických prahov. V spolupráci s akreditovaným centrom športovej diagnostiky bola vytvorená databáza 119 HRV záznamov, s referenčnými prahmi určenými pomocou laktátovej krivky a spotreby kyslíka (VO2). Navrhnuté boli dva modely hlbokého učenia (CNN a LSTM): prvý predikuje HRVT1 a HRVT2, druhý segmentuje pravdepodobnosť výskytu prahov v čase. Modely boli optimalizované bayesovskou metódou (Optuna), čo viedlo k zníženiu validačnej chyby a vyššej stabilite učenia. Výsledky ukazujú, že modely dosahujú vyššiu presnosť než klasická DFA 1 metóda – najmä druhý model pri HRVT2 (MAE = 2,69 bpm). Navrhnutý prístup tak predstavuje perspektívne riešenie pre automatizované a neinvazívne určovanie tréningových prahov pomocou umelej inteligencie.
This diploma thesis explores the use of artificial neural networks to predict aerobic (HRVT1) and anaerobic thresholds (HRVT2) based on heart rate variability (HRV) analysis during progressive cardiovascular load testing. It focuses on detrended fluctuation analysis (DFA 1), which quantifies cardiovascular complexity and serves as a non-invasive indicator of physiological thresholds. In cooperation with an accredited diagnostics center, an HRV dataset of 119 subjects was collected, with reference thresholds determined via lactate curves and oxygen consumption (VO2). Two deep learning models were designed (CNN and LSTM): the first predicts HRVT1 and HRVT2, the second segments threshold probability over time. The models were optimized using Bayesian hyperparameter tuning (Optuna), which reduced validation error and improved training stability. Results show that both models outperformed the classical DFA 1 method, especially the second model in HRVT2 prediction (MAE = 2.69 bpm). The proposed approach represents a promising tool for automated, non-invasive threshold detection using artificial intelligence.
This diploma thesis explores the use of artificial neural networks to predict aerobic (HRVT1) and anaerobic thresholds (HRVT2) based on heart rate variability (HRV) analysis during progressive cardiovascular load testing. It focuses on detrended fluctuation analysis (DFA 1), which quantifies cardiovascular complexity and serves as a non-invasive indicator of physiological thresholds. In cooperation with an accredited diagnostics center, an HRV dataset of 119 subjects was collected, with reference thresholds determined via lactate curves and oxygen consumption (VO2). Two deep learning models were designed (CNN and LSTM): the first predicts HRVT1 and HRVT2, the second segments threshold probability over time. The models were optimized using Bayesian hyperparameter tuning (Optuna), which reduced validation error and improved training stability. Results show that both models outperformed the classical DFA 1 method, especially the second model in HRVT2 prediction (MAE = 2.69 bpm). The proposed approach represents a promising tool for automated, non-invasive threshold detection using artificial intelligence.
Description
Citation
JAROŠ, O. Využití neuronových sítí pro stanovení zátěžových zón [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2025.
Document type
Document version
Date of access to the full text
Language of document
sk
Study field
bez specializace
Comittee
prof. Ing. Martin Augustynek, Ph.D. (předseda)
Ing. Martin Mézl, Ph.D. (místopředseda)
Ing. Jakub Hejč, Ph.D. (člen)
Ing. Lukáš Smital, Ph.D. (člen)
Ing. Jiří Chmelík, Ph.D. (člen)
Ing. Jiří Sekora, MBA (člen)
Date of acceptance
2025-06-17
Defence
Student prezentoval výsledky své práce a komise byla seznámena s posudky. Ing. Mézl položil otázku: Dá se laktát měřit kontinuální metodou? Co když subjekt v rámci zátěže půjde do maximální zátěže? Byly rozdílné výsledky mezi aktivitou na pásu nebo egonometru? Ing. Hejč položil otázku: Na základě čeho jste použil hybridní architekturu sítě? Jaká je interpretace zpřesnění odhadu? Jak dlouho trvalo trénování modelu?
Student obhájil diplomovou práci a odpověděl na otázky členů komise a oponenta.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení