Detekce obtížně diferencovatelných skupin srdečních arytmií
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
C
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Tato práce se zabývá problematikou detekčních metod fibrilace síní, flutteru síní a sinusového rytmu ze záznamu EKG. Práce rovněž pojednává o těchto arytmiích a klasifikačních algoritmech vhodných pro tuto problematiku. V rámci této práce je vytvořeno několik přístupů klasifikace. Pro extrakci příznaků je využita konvoluční neuronová síť a klasifikace je realizovaná prostřednictvím umělé neuronové sítě. Vybrána metoda 1D CNN pro tyto těžko diferencovatelné srdeční arytmie dosahuje průměrné přesnosti klasifikace F1 - skóre = 91 %. Vybrána CNN optimalizovaná pomocí GA je rychlá mělká síť s lepší přesností než hluboká síť. Vytvořené modely jsou použity i pro klasifikaci jiných typů arytmií.
This thesis focusses on the detection methods of atrial fibrilation, atrial flutter and sinus rhythm from ECG. Thesis also concentrate on the description of this arrhythmias and the learning algorithms used. In this thesis are implemented several classification approaches. For extraction of features is used convolution neural network and classification artifitial neural network. Selected 1D CNN method achived classification accuracy global F1 - score is 91 %. Moreover, the proposed CNN optimized with GA appears to be fast shallow network with better accuracy than the deep network. Created model are used for classification other type of arrhythmias too.
This thesis focusses on the detection methods of atrial fibrilation, atrial flutter and sinus rhythm from ECG. Thesis also concentrate on the description of this arrhythmias and the learning algorithms used. In this thesis are implemented several classification approaches. For extraction of features is used convolution neural network and classification artifitial neural network. Selected 1D CNN method achived classification accuracy global F1 - score is 91 %. Moreover, the proposed CNN optimized with GA appears to be fast shallow network with better accuracy than the deep network. Created model are used for classification other type of arrhythmias too.
Description
Keywords
elektrokardiogram, EKG, fibrilace síní, FIS, flutter síní, FLUT, detekce arytmií, konvoluční neuronová síť, CNN, genetický algoritmus, GA, electrocardiogram, ECG, atrial fibrilation, AFIB, atrial flutter, arrhythmias detection, atrial arrhythmias convolutional neural network, CNN, genetic algorithm, GA
Citation
KANTOR, M. Detekce obtížně diferencovatelných skupin srdečních arytmií [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2022.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
bez specializace
Comittee
prof. Ing. Ivo Provazník, Ph.D. (předseda)
Ing. Martin Vítek, Ph.D. (místopředseda)
Ing. Jiří Chmelík, Ph.D. (člen)
doc. Mgr. Ctirad Hofr, Ph.D. (člen)
Ing. Helena Škutková, Ph.D. (člen)
Ing. Jan Odstrčilík, Ph.D. (člen)
Date of acceptance
2022-06-08
Defence
Student prezentoval výsledky své práce a komise byla seznámena s posudky. Ing. Jan Odstrčilík, Ph.D. položil otázku, jaká je úspěšnost klasifikace ve srovnání s jinými studiemi? Jaké je praktické využití práce? Ing. Jiří Chmelík, Ph.D. položil otázku, jak dlouho trvá trénování sítě a klasifikace jednoho signálu s využitím obou metod? Proč jste nepoužil rekurentní sítě? Student obhájil diplomovou práci s výhradami 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