Identifikace segmentů supraventrikulárních tachykardií pomocí metody multiple-instance learning
Identification of supraventricular tachycardia segments using multiple-instance learning
Author
Advisor
Ronzhina, MarinaReferee
Novotná, PetraGrade
DAltmetrics
Metadata
Show full item recordAbstract
Supraventrikulární tachykardie mají v populaci vysokou incidenci a často způsobují zhoršení zdravotního stavu. Cílem této diplomové práce je automaticky detekovat a lokalizovat paroxysmální fibrilace síní v záznamech EKG. Algoritmus implementovaný v jazyce Python používá k detekci konvoluční neuronovou síť ResNet s využitím multi-instančního učení a rozhodovacích pravidel. K lokalizaci slouží výstup detekce v podobě feature signálu. Při klasifikaci bylo na testovací množině dosaženo F1 skóre 0,87. Následně byly lokalizovány paroxysmální fibrilace síní s odchylkou -0,40±2,26 sekund pro začátky a 1,09±2,75 sekund pro konce epizod. V závěru práce jsou získané výsledky vyhodnoceny a diskutovány. Supraventricular tachycardias have a high incidence in the population and often cause health disorders. The aim of this thesis is to automatically detect and localize atrial fibrillation in ECG records. The algorithm, implemented in Python, uses a convolutional neural network ResNet for detection with multiple-instance learning and decision rules. The output of the detection in the form of a feature signal is used for localization. The classification achieved F1 score of 0.87 on the test dataset. Then, paroxysmal atrial fibrillation was localized with a deviation of -0.40±2.26 seconds for the onsets and 1.09±2.75 seconds for the terminations of the episodes. Lastly, the obtained results are evaluated and discussed.
Keywords
EKG, fibrilace síní, hluboké učení, konvoluční neuronové sítě, ResNet, multi-instanční učení, feature signál, ECG, atrial fibrillation, deep learning, convolutional neural networks, ResNet, multiple-instance learning, feature signalLanguage
čeština (Czech)Study brunch
bez specializaceComposition of Committee
prof. Pharm.Dr. Petr Babula, Ph.D. (předseda) Ing. Marina Ronzhina, Ph.D. (místopředseda) Ing. Roman Jakubíček, Ph.D. (člen) Ing. Jan Červený, Ph.D. (člen) Mgr. Ing. Karel Sedlář, Ph.D. (člen) Mgr. Bc. Darina Čejková, Ph.D. (člen)Date of defence
2022-06-08Process of defence
Student prezentoval výsledky své práce a komise byla seznámena s posudky. Prof. Babula položil otázku, jak byste mohl se zpracovávanými záznamy dále pracovat? Šlo by rozlišovat jednotlivé typy supraventrikulárních arytmií. Ing. Jakubíček položil otázku, co se děje v bloku klasifikace? Kde je multi-instance learning? Kde jste použil drop out? Co znamená komprimovaný čas? Student obhájil diplomovou práci s výhradami a odpověděl na otázky členů komise a oponenta.Result of the defence
práce byla úspěšně obhájenaPersistent identifier
http://hdl.handle.net/11012/204914Source
ABBRENT, J. Identifikace segmentů supraventrikulárních tachykardií pomocí metody multiple-instance learning [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2022.Collections
- 2022 [275]