Year: 2026
Type: dissertation
Abstract: Tato bakalářská práce se věnuje problematice automatické detekce R-vrcholů v elektrokardiografických (EKG) signálech s využitím metod umělé inteligence.Hlavním předmětem je návrh, trénink a testování čtyř architektur neuronových sítí v prostředí MATLAB.Tato skupina zahrnuje základní a hlubokou konvoluční síť (CNN), rekurentní síť (BiLSTM) a jejich hybridní kombinaci.Pro trénink byla využita databáze MIT-BIH NSRDB, přičemž data byla upravena do podoby tříkanálového vstupu pro zvýšení robustnosti detekce.Navržené modely byly testovány na nezávislém anotovaném datasetu a následně porovnány s konvenčními detektory.Výsledky ukázaly, že všechny navržené modely dosahují vysoké úspěšnosti s hodnotou F1-skóre přesahující 0,999, čímž překonávají vybrané konvenční metody.Obzvlášť efektivní byla základní 1D CNN, která se ukázala být ideální volbou pro tento typ úkolu.Součástí práce je rovněž vývoj softwarové aplikace, která umožňuje vizualizaci EKG signálů a praktické využití vytvořených modelů.Práce potvrzuje, že hluboké učení představuje vysoce efektivní nástroj pro robustní detekci R-vrcholů.
Source: DSpace VŠB-TUO (VŠB-TUO)
Author: Gemrot, Richard
Language: Czech
Topic: ECG Monitoring and Analysis
Subfield: Cardiology and Cardiovascular Medicine
Field: Medicine
Domain: Health Sciences
Open Access status: green
OpenAlex ID: W7208401700
