Identifikace pre-arytmických rysů EKG a jiných dat s využitím strojového učení
Identification of Pre-Arrhythmogenic Features in ECG and Other Data Using Machine Learning
Type of document
diplomová prácemaster thesis
Author
Bobir Dmitriy
Supervisor
Kroc Jiří
Opponent
Jiřina Marcel
Field of study
Znalostní inženýrstvíStudy program
InformatikaInstitutions assigning rank
katedra teoretické informatikyRights
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
Show full item recordAbstract
Diplomová práce se zabývá lokalizací pre-arytmogenních markerů, které jsou přítomny v elektrokardiogramech (EKG) dlouho před tím, až jednu hodinu, než nastoupí život ohrožující arytmie. Jsou použita EKG data ze zvířecího modelu (králík). Informace skryté v EKG neviditelné pouhým okem ( a to i kardiologem) mohou být odhaleny použitím speciálních matematických metod, které měří informační obsah a jsou často používány v komplexních systémech. Různé algoritmy a techniky strojového učení jako třeba Support Vector Machine, k-nejblizších sousedů, Random Forest, logistická regrese, vícevrstvý perceptron, Group Method of Data Handling a ensemble učení budou testovány a výsledky diskutovány. Výstup této práce může silně ovlivnit klinický výzkum, a pokud bude práce úspěšná, pak může pomoci zachránit mnoho životů. The thesis is focused on localization of pre-arrhythmogenic features that are present in electrocardiograms (ECGs) a long time, up to one hour, before the life-threatening arrhythmias occur. ECG data from an animal model (rabbits) are used. Information hidden in ECGs, which is not visible by a naked eye (even by cardiologists), can be revealed using special mathematical techniques that are measuring information content and that are often used within complex systems. Different machine learning algorithms and approaches such as Support Vector Machine, k-nearest neighbors, Random Forest, logistic regression, Multilayer Perceptron, Group Method of Data Handling and ensemble learning will be tested and the results will be discussed. The outcome of this work can have a great impact on clinical research, and if successful, it can help to save many lives.
Collections
- Diplomové práce - 18101 [216]