Pokročilá klasifikace poruch srdečního rytmu v EKG

Simple item page
but.committeedoc. Ing. Daniel Schwarz, Ph.D. (předseda) Ing. Helena Škutková, Ph.D. (místopředseda) Ing. Vratislav Harabiš, Ph.D. (člen) Ing. Martin Lamoš, Ph.D. (člen) Ing. Jakub Hejč (člen)cs
but.defenceStudent prezentoval výsledky své práce a komise byla seznámena s posudky. Ing. Hejč položil otázku, jaký měl být přínos použití vlnkové transformace? Jakým způsobem byly nastaveny váhy? Ing. Lamoš položil otázku, jakým způsobem bylo použito PCA? Doc. Schwarz položil otázku, co rozhoduje o zlepšení klasifikace, výběr architektury nebo výběr význačných parametrů? Student obhájil diplomovou práci s výhradami a odpověděl na otázky členů komise a oponenta.cs
but.jazykčeština (Czech)
but.programBiomedicínské inženýrství a bioinformatikacs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorRonzhina, Marinacs
dc.contributor.authorSláma, Štěpáncs
dc.contributor.refereeHejč, Jakubcs
dc.date.accessioned2020-06-16T11:59:08Z
dc.date.available2020-06-16T11:59:08Z
dc.date.created2020cs
dc.description.abstractTato práce se zaměřuje na teoretické objasnění poruch srdečního rytmu a možnosti jejich automatické detekce s využitím sítí hlubokého učení. Pro účely této práce bylo využito celkově 6884 10sekunových záznamů EKG s měřenými osmi svody. Záznamy byly rozděleny do pěti skupin podle srdečních rytmů na skupinu záznamů s fibrilací síní, sinusové rytmy, supraventrikulární rytmy, ventrikulární rytmy a poslední skupinu tvořily záznamy ostatní. Jednotlivé skupiny byly nerovnoměrně zastoupeny a více než 85 % z celkového počtu dat jsou záznamy skupiny sinusového rytmu. Použité klasifikační metody sloužily efektivně jako detektor záznamů nejpočetnější skupiny a nejefektivnější ze všech byl postup tvořený 2D konvoluční neuronovou sítí, do které vstupovala data v podobě skalogramů (klasifikační postup číslo 3). Ta dosahovala výsledků přesnosti (precision) 91 %, úplnosti (recall) 96 % a hodnoty F1-skóre 0,93. Naopak při klasifikaci všech pěti skupin zároveň nebylo dosaženo takto kvalitních výsledků u všech skupin. Nejefektivnějším postupem se jeví varianta sestavena z aplikace PCA na osm vstupních signálů se ziskem jednoho signálu výstupního, který se stává vstupem 1D konvoluční neuronové sítě (klasifikační postup číslo 5). Tento postup dosáhl následujících hodnoty F1-skóre: 1) skupina záznamů s fibrilací síní 0,54, 2) skupina sinusových rytmů 0,91, 3) skupina supraventrikulárních rytmů 0,65, 4) skupina ventrikulárních rytmů 0,68, 5) ostatní záznamy 0,65.cs
dc.description.abstractThis work focuses on a theoretical explanation of heart rhythm disorders and the possibility of their automatic detection using deep learning networks. For the purposes of this work, a total of 6884 10-second ECG recordings with measured eight leads were used. Those recordings were divided into 5 groups according to heart rhythm into a group of records with atrial fibrillation, sinus rhythms, supraventricular rhythms, ventricular rhythms, and the last group consisted of the others records. Individual groups were unbalanced represented and more than 85 % of the total number of data are sinus rhythm group records. The used classification methods served effectively as a record detector of the largest group and the most effective of all was a procedure consisting of a 2D convolutional neural network into which data entered in the form of scalalograms (classification procedure number 3). It achieved results of precision of 91%, recall of 96% and F1-score values of 0.93. On the contrary, when classifying all groups at the same time, there were no such quality results for all groups. The most efficient procedure seems to be a variant composed of PCA on eight input signals with the gain of one output signal, which becomes the input of a 1D convolutional neural network (classification procedure number 5). This procedure achieved the following F1-score values: 1) group of records with atrial fibrillation 0.54, 2) group of sinus rhythms 0.91, 3) group of supraventricular rhythms 0.65, 4) group of ventricular rhythms 0.68, 5) others records 0.65.en
dc.description.markDcs
dc.identifier.citationSLÁMA, Š. Pokročilá klasifikace poruch srdečního rytmu v EKG [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2020.cs
dc.identifier.other126848cs
dc.identifier.urihttp://hdl.handle.net/11012/189156
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.subjectElektrokardiogramcs
dc.subjectporuchy srdečního rytmucs
dc.subjecthluboké učenícs
dc.subjectkonvoluční neuronová síťcs
dc.subjectrekurentní neuronová síťcs
dc.subjectElectrocardiogramen
dc.subjectcardiac rhythm disordersen
dc.subjectdeep learningen
dc.subjectconvolution neural networken
dc.subjectrecurrent neural networken
dc.titlePokročilá klasifikace poruch srdečního rytmu v EKGcs
dc.title.alternativeAdvanced classification of cardiac arrhythmias in ECGen
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2020-06-16cs
dcterms.modified2020-06-19-13:01:40cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid126848en
sync.item.dbtypeZPen
sync.item.insts2021.11.12 09:06:59en
sync.item.modts2021.11.12 08:28:12en
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:
1.69 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
1.47 MB
Format:
zip
Description:
appendix-1.zip
Download
Thumbnail Image
Name:
review_126848.html
Size:
10.5 KB
Format:
Hypertext Markup Language
Description:
review_126848.html
Download
Collections
2020