Detekce artefaktů v multikanálovém spánkovém PSG
Artefact Detection in Multichannel Sleep PSG
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Kudryakova Maria
Vedoucí práce
Saifutdinova Elizaveta
Oponent práce
Macaš Martin
Studijní obor
RobotikaStudijní program
Kybernetika a robotikaInstituce přidělující hodnost
katedra kybernetikyPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
V této práci je navržena metoda automatické detekce artefaktu ve spánkovém PSG, která je založená na klasifikaci segmentů s různými délkami.V rámci ní navržen nový způsob multikanálové adaptivní segmentace. Pro porovnání multikanálových dat byla použita Riemannova vzdálenost. Klasifikace byla provedena s použitím naivního bayesovského klasifikátoru. Metoda byla testována na open-source datech z DREAMS Artefacts Database. Klasifikace byla hodnocena pomocí různých statistických metrik. Výsledky metody byly porovnávány s výsledky, které poskytuje autor databáze Stephanie Devuyst, a detekce na základě klasifikace segmentů s konstantní délkou. Výsledky ukazují významné zvýšení ve všech metrikách. Zejména F1 je vyšší o 30 % ve srovnání s metodou prováděnou Devuyst a o 20 % ve srovnání s nejmodernější metodou. A method of automatic artefact detection in sleep PSG is proposed in this work. It is based on classification of segments with different lengths. A new multichannel adaptive segmentation was proposed. For comparison of multichannel data, Riemannian distance was used. Classification was performed with Naive Bayes classifier. The method was tested on open-source the DREAMS Artefacts Database. The detection method was evaluated by various statistical metrics. They were compared with results provided by Stephanie Devuyst, the author of the database, and detection based on classification of segments with constant length. The results show increase in all metrics. Mainly, F1 score is higher on 30 % in comparison with method performed by Devuyst and on 20 % comparing to the state of art method.
Kolekce
- Bakalářské práce - 13133 [777]