Automatická analýza signálu EKG
|
|
- Marcel Mareš
- před 7 lety
- Počet zobrazení:
Transkript
1 Rok / Year: Svazek / Volume: Číslo / Issue: Automatická analýza signálu EKG Automatic ECG signal analysis David Pospíšil 1, Martin Klimek 2, Jiří Kozumplík 2 david.pospisil@fnbrno.cz, xklime23@stud.feec.vutbr.cz, kozumplik@feec.vutbr.cz 1 Fakultní nemocnice Brno, Interní kardiologická klinika - Pracoviště invazivní a intervenční elektrofyziologie, Invazivní arytmologická laboratoř, 2 Fakulta elektrotechniky a komunikačních technologií VUT Abstrakt: Článek se zabývá použitím vybraných metod shlukové analýzy na signál EKG s cílem třídění QRS komplexů dle jejich morfologií na normální a abnormální, popřípadě rozlišení jednotlivých typů abnormalit. Je využito hierarchické aglomerativní shlukování a nehierarchická metoda K-Means, pro něž byla v programovém prostředí Mathworks MATLAB vytvořena aplikace. Abstract: This article deals with the use of some methods of cluster analysis on the ECG signal in order to sort QRS complexes according to their morphology to normal and abnormal, also is engaged in distribution of abnormalities. It is used agglomerative hierarchical clustering and non-hierarchical method K-Means for which an application in Mathworks MATLAB programming equipment was developed.
2 Automatická analýza signálu EKG David Pospíšil 1, Martin Klimek 2, Jiří Kozumplík 2 1 Fakultní nemocnice Brno Interní kardiologická klinika - Pracoviště invazivní a intervenční elektrofyziologie Invazivní arytmologická laboratoř Jihlavská 20, Brno david.pospisil@fnbrno.cz 2 Fakulta elektrotechniky a komunikačních technologií VUT Ústav biomedicínského inženýrství, Kolejní 4, Brno xklime23@stud.feec.vutbr.cz, kozumplik@feec.vutbr.cz Abstrakt Článek se zabývá použitím vybraných metod shlukové analýzy na signál EKG s cílem třídění QRS komplexů dle jejich morfologií na normální a abnormální, popřípadě rozlišení jednotlivých typů abnormalit. Je využito hierarchické aglomerativní shlukování a nehierarchická metoda K-Means, pro něž byla v programovém prostředí Mathworks MATLAB vytvořena aplikace. 1 Úvod Kardiovaskulární onemocnění jsou často velmi závažná a vyžadují rychlá a systematická řešení. Jednou z metod, jak tato onemocnění odhalit v poměrně časném stadiu je tzv. holterovské monitorování, tedy dlouhodobý EKG záznam a jeho následná analýza. Tento záznam se ovšem skládá až ze stovek tisíc srdečních cyklů, a pokud vůbec, je velmi obtížné a časově náročné, aby tento záznam byl cyklus po cyklu prohlédnut a vyhodnocen specializovaným lékařem. V dnešní době je několik možností, jak automatizovaně, s využitím výpočetní techniky a moderních postupů redukovat čas a zvýšit spolehlivost diagnostiky často smrtelných chorob. Jednou z možností je aplikace shlukovacích metod, které z daného dlouhodobého záznamu dokážou vytřídit důležité úseky signálu a připravit je k manuální diagnostice lékařem. Lékař tak vyhodnocuje pouze signifikantní data, klesá tak možnost pochybení lidského faktoru a celý proces se několikanásobně urychluje [1]. 2 Shluková analýza Metodou, která byla použita pro analýzu signálu EKG v této práci, je shluková analýza. Jedná se o vícerozměrnou statistickou metodu. Hlavní podstatou metody je vytvoření shluků, které v sobě obsahují jednotlivé cykly shluknuté na základě zvolených kritérií. Každý vytvořený shluk pak může být dále reprezentativním shlukem dané skupiny. Vytvořením takových reprezentativních shluků se délka EKG signálu nutná k manuálnímu zpracování odborníkem zkrátí z několika hodin řádově na několik minut, čímž výrazně klesne časová náročnost kontroly např. výsledku holterovského vyšetření. Takto upravený signál bývá zpravidla dále analyzován lékařem [2], [3]. 2.1 Princip shlukové analýzy Princip shlukové analýzy spočívá obvykle v po sobě jdoucích šesti krocích. Jedná se o získání matice dat, standardizace matice dat, výpočet matice podobností, realizace shlukovací metody, přerovnání matice podobností a výpočet korelačního koeficientu. Získáním matice dat rozumíme vytvoření matice, která slouží jako vstupní data pro další kroky. Sloupce matice reprezentují objekty (v našem případě QRS komplexy) a řádky pak atributy těchto objektů. Za atributy byly zvoleny amplitudy jednotlivých vzorků úseků EKG signálů obsahujících QRS komplexy. Standardizace matice dat je volitelným krokem, který v případě potřeby změní originální atributy na bezrozměrná čísla, například pro dodržení určitého číselného rozsahu. Výpočet matice podobností je důležitým krokem, ve výsledné matici jsou pak zaznamenány koeficienty podobností resp. nepodobností mezi jednotlivými páry objektů. Matice je čtvercová a symetrická. Rozdíl mezi podobností a nepodobností je pouze ve způsobu interpretace koeficientů. Pro výpočet těchto koeficientů se používají metriky, v našem případě uvedené v podkapitole 3.2. Dalším krokem v postupu je realizace shlukovací metody, zde je možno volit z několika metod, viz podkapitola 3.2. Jednotlivé shlukovací metody se liší způsobem tvorby shluků z podobnostní matice objektů např. metoda SLINK Single Linkage Clustering Method, která využívá nejmenší vzdálenost mezi objekty. Následné přerovnání matice podobností spočívá v seřazení objektů podle toho, jak budou seřazeny v dendrogramu podle jejich podobností resp. nepodobností. Posledním krokem je výpočet korelačního koeficientu. Využívá se výpočtu Pearsonova korelačního koeficientu pro zjištění zkreslení, které přineslo vytvoření dendrogramu. Zkreslení způsobené dendrogramem se uvažuje jako přijatelné, pokud je Pearsonův korelační koeficient, přičemž jeho hodnoty mohou nabývat z intervalu. Dendrogram je druh diagramu, kterým graficky znázorňujeme výsledky hierarchických metod shlukové analýzy. Jedná se o binární strom. Každý uzel tohoto stromu představuje jeden shluk. Pokud provedeme horizontální řez dendrogra- 303
3 mem, získáme rozklady ze shlukovací sekvence, vzdálenost ve vertikálním směru pak reprezentuje vzdálenost mezi shluky. 3 Aplikační část Metody byly testovány na 22 signálech z databáze CSE, které byly vybrány pro výskyt extrasystol. Před samotnou analýzou bylo třeba signály předzpracovat (délka vybraných úseků, filtrace dolní propustí a odstranění driftu). 3.1 Předzpracování Volba délky segmentovaných úseků ze signálů byla dána předpokladem, že normální QRS komplex má fyziologicky délku maximálně do 110 ms s tím, že nad 120 ms je vždy považován jako aberantní, proto se jako vhodné jeví vysegmentovat úseky signálu o délce 120 ms. Jelikož QRS detektor detekuje středy komplexů, nastavení bylo 60 ms před středem a 60 ms za středem QRS. Filtrace FIR filtrem jako dolní propustí byla zvolena s délkou filtru (N=51) a mezní frekvencí 70 Hz podle [4], aby bylo dosaženo, co se týče filtrace stejných výsledků a celkové výsledky se pak mohly objektivněji porovnat. Byla však testována i jiná nastavení délek filtru a mezní frekvence, lepších výsledků (vlivu na výslednou klasifikaci QRS komplexů) nebylo dosaženo, proto bylo pevné nastavení zvoleno stejně, jako výše uvedené. Odstranění driftu bylo dosaženo převedením signálu do frekvenční oblasti a vynulováním nultých spektrálních čar. Detektor QRS byl vybrán vícebodový, který je na ústavu UBMI dostupný a na signálech z CSE databáze spolehlivě funkční, [5]. 3.2 Možnosti aplikace Po nastavení parametrů volby délky QRS komplexů, filtrace dolní propustí a odstranění driftu popsanými způsoby byly dále testovány různé kombinace metrik a shlukovacích metod. Pro hierarchické aglomerativní shlukování bylo použito devět metrik: Euklidovská, Euklidovská vážená metrika, Hammingova metrika Manhattan, Minkowského, Čebyševova, Mahalanobisova, korelační, kosinová a Spearmanova vzdálenost. U metody K-Means byly vybrány metriky čtyři a to Euklidovské čtvercové vzdálenosti, Hammingova metrika Manhattan, kosinová vzdálenost a korelační vzdálenost. Zatímco metoda K-Means je sama o sobě metodou pro tvorbu shluků, hierarchické aglomerativní shlukování vyžaduje volbu metody pro shlukování. V práci bylo využito sedm metod a to SLINK, UPGMA, UPGMC, CLINK, WPGMC, WPGMA a Wardova shlukovací metoda [3], [6]. Na obrázku 1 je zobrazen vybraný signál s označením W028.mat. Jedná se o svod V3. Signál obsahuje sinusový rytmus a polymorfní komorové extrasystoly. Obrázek 1: Průběh analyzovaného signálu W028. Výsledný dendrogram pro signál W028 je na obrázku 2. Automatická analýza správně klasifikovala polymorfní komorové extrasystoly a rozdělila je do samostatného shluku. První typ je na pozicích 3 a 7, druhý typ na pozici 8. Globální nastavení parametrů je uvedeno v podkapitole 3.1 a je platné pro všechny ukázky. Lokální parametry: Svod V3, metrika: Euklidovská, shlukovací metoda: SLINK. Obrázek 2: Výsledný dendrogram pro signál W028. Dalším příklad správné klasifikace je zobrazen na obrázcích 3 a 4. Na obrázku 3 se jedná o svod V2. Signál obsahuje sinusový rytmus a kombinaci supraventrikulární extrasystoly a tří monomorfních extrasystol. Na obrázku 4 lze vidět, že automatická analýza správně klasifikovala supraventrikulární extrasystolu na pozici 4 a tři monomorfní extrasystoly na pozicích 1, 7 a 10. Obrázek 3: Průběh analyzovaného signálu W
4 první typ je na pozicích 2, 6 a 10, druhý typ pak na pozicích 4, 8 a 12. Nutno podotknout, že kromě úspěšné klasifikace automatická analýza u některých signálů selhala (W020). Příkladem neúspěšné klasifikace je obrázek 7 a 8. Signál W020 obsahuje sinusový rytmus a junkční extrasystoly, první typ na pozici 14 a druhý typ na pozici 17. Obrázek 4: Výsledný dendrogram pro signál W103. Lokální parametry: Svod: V2, metrika: Mahalanobisova, shlukovací metoda: UPGMA. Pro poslední ukázku správné klasifikace byl vybrán poměrně komplikovaný signál W117, který je zobrazen na obrázku 5. Signál obsahuje kombinaci sinusového rytmu, sinusového rytmu s blokem levého raménka Tawarova, levým předním hemiblokem a polymorfních komorových extrasystol. Obrázek 7: Průběh analyzovaného signálu W020. Jedná se o svod V3. Na řezu dendrogramu na obrázku 8 pro 3 shluky je patrná nesprávná klasifikace QRS komplexů do daného počtu shluků podle jejich morfologií. Extrasystola na pozici 14 byla sice správně zařazena do jednoho shluku, ale extrasystola na pozici 17 se nachází ve shluku spolu s QRS komplexy pocházejícími ze sinusového rytmu, díky tomu je výsledek považován za nesprávný. Obrázek 5: Průběh analyzovaného signálu W117. Jedná se o svod V2. Obrázek 8: Dendrogram signálu W020. Lokální parametry: Svod: V3, metrika: korelační vzdálenost, shlukovací metoda: WPGMC. Obrázek 6: Výsledný dendrogram pro signál W117. Lokální parametry: Svod: V2, metrika: Manhattan, shlukovací metoda: CLINK. Automatická analýza správně klasifikovala kombinaci sinusového rytmu na pozicích 1, 5 a 9, sinusového rytmu s blokem levého raménka Tawarova a levým předním hemiblokem na pozicích 3, 7 a 11, a polymorfních komorových extrasystol, Další nesprávnou klasifikací byl postižen signál W047, jehož průběh je na obrázku 9. Jedná se o svod V1. Signál obsahuje sinusový rytmus a polymorfní junkční extrasystoly, první typ na pozicích 11 a 16, druhý typ na pozici 16. Obrázek 9: Průběh analyzovaného signálu W
5 Na obrázku 10 vidíme dendrogram se 3 shluky. Je patrná nesprávná klasifikace QRS komplexů do daného počtu shluků podle jejich morfologií, extrasystoly byly přiřazeny do shluků obsahující QRS komplexy pocházející ze sinusového rytmu, díky tomu je výsledek považován za nesprávný. není příliš zašuměn (subjektivní, empirický náhled), lze úspěšně použít jako metriku korelační vzdálenost. Výběr nejvhodnějšího svodu k analýze je opět podmíněn empiricky je vhodné vybrat svod s co nejmenším viditelným zašuměním a dobře viditelnými abnormalitami (např. výchylka při KES je diskonkordantní s ostatními QRS komplexy). V případě této sady dvanáctisvodových EKG záznamů byly prověřeny všechny svody a nebyly nalezeny signifikantní rozdíly, proto se jako nejvhodnější (nejrychlejší, spolehlivý) postup jeví subjektivní náhled na signál. 5 Závěr Obrázek 10: Dendrogram pro signál W020. Lokální parametry: Svod: V1, metrika: vážená euklidovská, shlukovací metoda: WPGMA. 4 Diskuze výsledků Z knihovny CSE byla vybrána sada 22 signálů obsahující především extrasystoly, výběr byl takto učiněn ze dvou důvodů. Prvním důvodem je existence některého typu extrasystol (aberantních QRS komplexů) a druhým fakt, že tato sada signálů byla v roce 2012 testována jinými přístupy (algoritmem vycházejícím z R-R intervalů, tvarových faktorů a algoritmem vycházejícím z korelační matice) a bude tedy vhodné s [4] vzájemně porovnat výsledky. Signály s obsahem komorových extrasystol (KES) byly klasifikovány úspěšně, jelikož KES jsou morfologicky velmi odlišné od normálního QRS komplexu. A ve většině případů nebyl problém oddělit i jednotlivé typy při polymorfii. Při supraventrikulárních extrasystolách ve sledovaných signálech, popřípadě při existenci AV bloků nedochází (resp. nemusí docházet) ke změnám na QRS komplexech, v těchto případech je nesmyslné podle shlukové analýzy QRS komplexů hodnotit normální / abnormální cykly, jelikož QRS komplexy jsou z morfologického hlediska všechny stejného typu. Částečného úspěchu lze dosáhnout pouze při výrazně aberantních vlnách P, které se zahrnou do segmentovaného úseku před QRS, vliv je ovšem nevýznamný. Co se týká jednotlivých kombinací metrik a shlukovacích metod, nelze jednoznačně stanovit, která kombinace dosahuje nejhorších a která nejlepších výsledků. Záleží na typu signálu, jeho variabilitě a úrovni zkreslení / zašumění. Výhodnými kombinacemi se však jeví použití euklidovské metriky, či Spearmanovy vzdálenosti v kombinaci s UPGMA či Wardovou metodou minimálního rozptylu. V případě signálu, který Cílem práce bylo pomocí zvolených přístupů ke shlukové analýze od sebe oddělit normální a abnormální srdeční cykly na základě rozdílů v morfologiích jednotlivých QRS komplexů. Jelikož se v EKG signálu mohou objevit abnormální QRS komplexy různých morfologií, za správný výsledek lze považovat nejen oddělení normálních a abnormálních cyklů (tedy dva shluky jeden s normálními, druhý s abnormálními cykly), ale navíc i situaci, kdy došlo k úplnému rozdělení do shluků podle jednotlivých morfologií absolutní rozdělení. Práce byla směřována právě k tomuto úplnému absolutnímu rozdělení. Bylo testováno 22 signálů z knihovny CSE, tedy 22 signálů po 12 svodech, tzn. celkem 264 svodů. Lze konstatovat, že hierarchické přístupy dosáhly lepších výsledků. Pro splnění kritéria oddělení normálních / abnormálních cyklů hierarchické přístupy správně vyhodnotily 83 % svodů a metoda K Means byla úspěšná v 73,5 % případů. Za správně vyhodnocený EKG signál považujeme ten, kde existuje alespoň jeden svod, na kterém bylo dosaženo správného rozdělení s pevně daným nastavením. Důvody pro menší úspěšnost metody K Means lze hledat především v menší robustnosti vůči šumu. Celkově bylo testovanými metodami dosaženo lepších výsledků než v případě [4], jedná se však o úzkou skupinu testovacích signálů a pro relevantní srovnání by bylo třeba testovat větší skupinu a také použít signály obsahující větší počet cyklů. Bylo by také třeba stanovit vhodné počáteční podmínky pro všechny srovnávací metody a přístupy jiných autorů. Ve srovnání s [1], [7], [8] bylo dosaženo horších výsledků, jelikož metody těchto autorů se zakládají na daleko komplexnějších postupech využívajících podrobné parametrické rozměření EKG signálů. Poděkování Tento článek vzniknul za podpory projektu P Literatura [1] CUESTA-FRAU, D., J. C. PÉREZ-CORTÉS a G. AN- DREU-GARCÍA. Clustering of electrocardiograph signals in computer-aided Holter analysis. Computer Methods and Programs in Biomedicine [online]. 2003, roč. 2003, č. 72, s. 18 [cit ]. Dostupné z: ciones/clusteringecg.pdf 306
6 [2] MAESSCHALCK, R.; JOUAN-RIMBAUD, D.; MASSART, D. L. The Mahalanobis distance. Chemometrics and Intelligent Laboratory Systems. 2000, vol. 50, no. 1, pp [3] ROMESBURG, H. Charles. Cluster analysis for researchers. [repr.]. Lulu Pr: Lulu Press, ISBN [4] CHROBÁK, M. Shluková analýza. Brno: Vysoké učení technické v Brně, Fakulta elektrotechniky a komunikačních technologií, s. Diplomová práce. Vedoucí diplomové práce doc. Ing. Jiří Kozumplík, CSc. [5] VÍTEK, M. Automatické rozměření signálů EKG. Brno, Dizertační práce na Vysokém učení technickém na Ústavu biomedicínského inženýrství. Vedoucí dizertační práce doc. Ing. Jiří Kozumplík, CSc. [6] KELBEL, J.; ŠILHÁN, D. [online] [cit ]. Shluková analýza. Dostupné z: hlukovaanalyza.pdf [7] KIRANYAZ, S., T. INCE, J. PULKKINEN a M. GAB- BOUJ. A Personalized Classification System for Holter Registers. 31st Annual International Conference of the IEEE EMBS Minneapolis, Minnesota, USA. 2009, s. 6. [8] CHUDÁČEK, V., M. PETRÍK, G. GEORGOULAS, M. ČEPEK, L. LHOTSKÁ a Ch. STYLIOS. Comparison of seven approaches for holter ECG clustering and classification. Proceedings of the 29th Annual International Conference of the IEEE EMBS Cité Internationale, Lyon, France
Shluková analýza elektrokardiografických signálů
Rok / Year: Svazek / Volume: Číslo / Issue: 2013 15 4 Shluková analýza elektrokardiografických signálů ECG cluster analysis Martin Klimek, Jiří Kozumplík xklime23@stud.feec.vutbr.cz, kozumplik@feec.vutbr.cz
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ SHLUKOVÁ ANALÝZA SIGNÁLŮ EKG BAKALÁŘSKÁ PRÁCE. doc. Ing. JIŘÍ KOZUMPLÍK, CSc.
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV BIOMEDICÍNSKÉHO INŽENÝRSTVÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT
VíceKLASIFIKACE EKG VYUŽITÍM SHLUKOVÉ ANALÝZY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV BIOMEDICÍNSKÉHO INŽENÝRSTVÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT
VíceVícerozměrné statistické metody
Vícerozměrné statistické metody Shluková analýza Jiří Jarkovský, Simona Littnerová FSTA: Pokročilé statistické metody Typy shlukových analýz Shluková analýza: cíle a postupy Shluková analýza se snaží o
VíceMechanismy bradykardií
Bradykardie EKG bradykardie Definice: frekvence komor pod 60/min (50min) Tedy při posunu papíru 25mm/s je mezi QRS komplexy více než 5 (6) velkých čtverců Klinický obraz: Syndrom nízkého minutového srdečního
VíceMETODY DETEKCE QRS KOMPLEXU
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV BIOMEDICÍNSKÉHO INŽENÝRSTVÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT
VíceFakulta chemicko-technologická Katedra analytické chemie. 3.2 Metody s latentními proměnnými a klasifikační metody
Fakulta chemicko-technologická Katedra analytické chemie 3.2 Metody s latentními proměnnými a klasifikační metody Vypracoval: Ing. Tomáš Nekola Studium: licenční Datum: 21. 1. 2008 Otázka 1. Vypočtěte
VíceVícerozměrné statistické metody
Vícerozměrné statistické metody Podobnosti a vzdálenosti ve vícerozměrném prostoru, asociační matice II Jiří Jarkovský, Simona Littnerová Vícerozměrné statistické metody Práce s asociační maticí Vzdálenosti
VíceShluková analýza dat a stanovení počtu shluků
Shluková analýza dat a stanovení počtu shluků Autor: Tomáš Löster Vysoká škola ekonomická v Praze Ostrava, červen 2017 Osnova prezentace Úvod a teorie shlukové analýzy Podrobný popis shlukování na příkladu
VíceStatistické metody v ekonomii. Ing. Michael Rost, Ph.D.
Statistické metody v ekonomii Ing. Michael Rost, Ph.D. Jihočeská univerzita v Českých Budějovicích Shluková analýza Shluková analýza je souhrnným názvem pro celou řadu výpočetních algoritmů, jejichž cílem
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV BIOMEDICÍNSKÉHO INŽENÝRSTVÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT
Více3.4 Určení vnitřní struktury analýzou vícerozměrných dat
3. Určení vnitřní struktury analýzou vícerozměrných dat. Metoda hlavních komponent PCA Zadání: Byly provedeny analýzy chladící vody pro odběrové místa. Byly stanoveny parametry - ph, vodivost, celková
VíceProfilování vzorků heroinu s využitím vícerozměrné statistické analýzy
Profilování vzorků heroinu s využitím vícerozměrné statistické analýzy Autor práce : RNDr. Ivo Beroun,CSc. Vedoucí práce: prof. RNDr. Milan Meloun, DrSc. PROFILOVÁNÍ Profilování = klasifikace a rozlišování
VíceIng. Martin Vítek, doc. Ing. Jiří Kozumplík, CSc. Ústav biomedicínského inženýrství, FEKT, VUT v Brně TRANSFORMACI. Kolejní 4, Brno
29/2 4. 5. 29 DETEKCE QRS KOMPLEXŮ V SIGNÁLECH ZALOŽENÁ NA VLNKOVÉ TRANSFORMACI DETEKCE KOMPLEXŮ QRS V SIGNÁLECH ZALOŽENÁ NA SPOJITÉ VLNKOVÉ TRANSFORMACI Ing. Martin Vítek, doc. Ing. Jiří Kozumplík, CSc.
VíceAVDAT Mnohorozměrné metody, metody klasifikace Shluková analýza
AVDAT Mnohorozměrné metody, metody klasifikace Shluková analýza Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Shluková analýza Cílem shlukové analýzy je nalézt v datech podmnožiny
VíceKomorové tachykardie. Jan Šimek 2. interní klinika VFN. Komorové tachykardie. EKG atributy tachyarytmií. Supraventrikulární tachykardie
Komorové tachykardie EKG atributy tachyarytmií 0. Frekvence 1. Šířka QRS komplexu Tachykardie se štíhlými komplexy (QRS 120ms) Supraventrikulární tachykardie Supraventrikulární tachykardie Jan Šimek 2.
VíceQRS DETEKTOR V PROSTŘEDÍ SIMULINK
QRS DETEKTOR V PROSTŘEDÍ SIMULINK FUNDA T. a HÁNA K. ČVUT v Praze, Fakulta biomedicínského inženýrství, Společné pracoviště ČVUT a UK Abstrakt Problém detekce QRS v EKG signálu byla pro přehlednost a snadnou
VíceAlgoritmy pro shlukování prostorových dat
Algoritmy pro shlukování prostorových dat Marta Žambochová Katedra matematiky a informatiky Fakulta sociálně ekonomická Univerzita J. E. Purkyně v Ústí nad Labem ROBUST 21. 26. leden 2018 Rybník - Hostouň
VíceElektrokardiograf, EKG, Dynamické borcení času, DTW, Shluková analýza. Electrocardiograph, ECG, dynamic time warping, DTW, Cluster analysis
3 Abstrakt: Tato práce se zabývá klasifikací srdečních cyklů, která využívá metodu dynamického borcení času a shlukové analýzy. Metoda dynamického borcení času sice patří mezi starší, avšak pro svou jednoduchost
VíceStátnice odborné č. 20
Státnice odborné č. 20 Shlukování dat Shlukování dat. Metoda k-středů, hierarchické (aglomerativní) shlukování, Kohonenova mapa SOM Shlukování dat Shluková analýza je snaha o seskupení objektů do skupin
VíceKAZUISTIKA 1. Komorové tachykardie. Tachykardie. Únor Jan Šimek 2. interní klinika VFN
Tachykardie Komorové tachykardie Jan Šimek 2. interní klinika VFN Definice: zrychlená srdeční aktivita o frekvenci nad 100/min (Tedy QRS komplexy jsou vzdáleny 3 velké čtverce nebo méně) Klinický obraz:
VíceUni- and multi-dimensional parametric tests for comparison of sample results
Uni- and multi-dimensional parametric tests for comparison of sample results Jedno- a více-rozměrné parametrické testy k porovnání výsledků Prof. RNDr. Milan Meloun, DrSc. Katedra analytické chemie, Universita
VíceNUMERICKÁ KLASIFIKACE. David Zelený Zpracování dat v ekologii společenstev
NUMERICKÁ KLASIFIKACE http://wfc3.gsfc.nasa.gov PROČ MÁ SMYSL VĚCI KLASIFIKOVAT? vlnová délka (~ ekologický gradient) 172 http://wfc3.gsfc.nasa.gov PROČ MÁ SMYSL VĚCI KLASIFIKOVAT? vlnová délka (~ ekologický
VíceMultivariátní porovnání dat - klastrová (shluková) analýza
Multivariátní porovnání dat - klastrová (shluková) analýza - bez apriorních předpokladů Shluková analýza Shluková analýza - cluster analysis úvod - definice princip algoritmy výsledky Shluková analýza
Více9. listopadu Rozvoj aplikačního potenciálu (RAPlus) CZ.1.07/2.4.00/
9. listopadu 212 Rozvoj aplikačního potenciálu (RAPlus) CZ.1.7/2.4./17.117 Používané postupy Lord D., Mannering F.: The Statistical Analysis of Crash-Frequency Data: A Review and Assessment of Methodological
VíceObr. 1: Vizualizace dat pacientů, kontrolních subjektů a testovacího subjektu.
Řešení příkladu - klasifikace testovacího subjektu pomocí Bayesova klasifikátoru: ata si vizualizujeme (Obr. ). Objem mozkových komor 9 8 7 6 5 pacienti kontroly testovací subjekt 5 6 Objem hipokampu Obr.
VíceStatistické vyhodnocení průzkumu funkční gramotnosti žáků 4. ročníku ZŠ
Statistické vyhodnocení průzkumu funkční gramotnosti žáků 4. ročníku ZŠ Ing. Dana Trávníčková, PaedDr. Jana Isteníková Funkční gramotnost je používání čtení a psaní v životních situacích. Nejde jen o elementární
Vícefluktuace jak dob trvání po sobě jdoucích srdečních cyklů, tak hodnot Heart Rate Variability) je jev, který
BIOLOGICKÉ A LÉKAŘSKÉ SIGNÁLY VI. VARIABILITA SRDEČNÍHO RYTMU VARIABILITA SRDEČNÍHO RYTMU VARIABILITA SRDEČNÍHO RYTMU, tj. fluktuace jak dob trvání po sobě jdoucích srdečních cyklů, tak hodnot okamžité
VíceÚvodem Dříve les než stromy 3 Operace s maticemi
Obsah 1 Úvodem 13 2 Dříve les než stromy 17 2.1 Nejednoznačnost terminologie 17 2.2 Volba metody analýzy dat 23 2.3 Přehled vybraných vícerozměrných metod 25 2.3.1 Metoda hlavních komponent 26 2.3.2 Faktorová
VíceADA Semestrální práce. Harmonické modelování signálů
České vysoké učení technické v Praze ADA Semestrální práce Harmonické modelování signálů Jiří Kořínek 31.12.2005 1. Zadání Proveďte rozklad signálu do harmonických komponent (řeč, hudba). Syntetizujte
VíceShluková analýza. Jiří Militky. Analýza experimentálních dat V. Červeně označené slide jsou jen pro doplnění informací a nezkouší se.
Červeně označené slide jsou jen pro doplnění informací a nezkouší se. Shluková analýza Jiří Militky Analýza experimentálních dat V Klasifikace objektů Rozdělení objektů do shluků dle jejich podobnosti
VíceStatSoft Shlukování podobných
StatSoft Shlukování podobných v softwaru STATISTICA Tímto článkem nakoukneme do oblasti statistiky zabývající se shlukováním. Tedy situací, kdy chcete data/objekty nějak seskupit na základě jejich podobnosti.
VíceCLP ANALYSIS OF MOLECULAR MARKERS DIGITAL IMAGE ANALYSIS OF ELECTROPHOEROGRAMS CZECH VERSION
CLP ANALYSIS OF MOLECULAR MARKERS DIGITAL IMAGE ANALYSIS OF ELECTROPHOEROGRAMS CZECH VERSION DIGITÁLNÍ OBRAZOVÁ ANALÝZA ELEKTROFORETICKÝCH GELŮ *** Vyhodnocování získaných elektroforeogramů: Pro vyhodnocování
VíceSoftwarový doplněk pro zpracování náhodných signálů s využitím Skládaného histogramu v prostředí MATLAB R
Rok / Year: Svazek / Volume: Číslo / Issue: 13 15 3 Softwarový doplněk pro zpracování náhodných signálů s využitím Skládaného histogramu v prostředí MATLAB R Software Tool for Stochastic Signals Processing
VíceCvičná bakalářská zkouška, 1. varianta
jméno: studijní obor: PřF BIMAT počet listů(včetně tohoto): 1 2 3 4 5 celkem Cvičná bakalářská zkouška, 1. varianta 1. Matematická analýza Najdětelokálníextrémyfunkce f(x,y)=e 4(x y) x2 y 2. 2. Lineární
VícePROSTOROVÉ HIERARCHICKÉ SHLUKOVÁNÍ
PROSTOROVÉ HIERARCHICKÉ SHLUKOVÁNÍ Jiří HORÁK 1, Igor IVAN 1, Tomáš INSPEKTOR 1 1 Institut geoinformatiky, Hornicko-geologická fakulta, VŠB-TUO, 17. listopadu 15/2172, 708 33, Ostrava- Poruba, ČR Abstrakt
VíceVyhodnocení průměrných denních analýz kalcinátu ananasového typu. ( Metoda hlavních komponent )
Vyhodnocení průměrných denních analýz kalcinátu ananasového typu. ( Metoda hlavních komponent ) Zadání : Titanová běloba (TiO ) se vyrábí ve dvou základních krystalových modifikacích - rutilové a anatasové.
VíceNADSTAVBOVÝ MODUL MOHSA V1
NADSTAVBOVÝ MODUL MOHSA V1 Nadstavbový modul pro hierarchické shlukování se jmenuje Mod_Sh_Hier (MOHSA V1) je součástí souboru Shluk_Hier.xls. Tento soubor je přístupný na http://jonasova.upce.cz, a je
VíceDETEKCE HRAN V BIOMEDICÍNSKÝCH OBRAZECH
DETEKCE HRAN V BIOMEDICÍNSKÝCH OBRAZECH Viktor Haškovec, Martina Mudrová Vysoká škola chemicko-technologická v Praze, Ústav počítačové a řídicí techniky Abstrakt Příspěvek je věnován zpracování biomedicínských
VíceDETEKCE KOMPLEXU QRS U EXPERIMENTÁLNÍCH ZÁZNAMŮ EKG
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV BIOMEDICÍNSKÉHO INŽENÝRSTVÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT
VíceFakulta chemicko-technologická Katedra analytické chemie. Licenční studium Statistické zpracování dat při managementu jakosti. Semestrální práce:
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Licenční studium Statistické zpracování dat při managementu jakosti Semestrální práce: METODY S LATENTNÍMI PROMĚNNÝMI A KLASIFIKAČNÍ
VíceŘešení příkladu - klasifikace testovacího subjektu podle minimální vzdálenosti:
Řešení příkladu - klasifikace testovacího subjektu podle minimální vzdálenosti: Postup: I) zvolení metriky pro výpočet vzdáleností dvou bodů II) zvolení metriky pro určení vzdálenosti mezi dvěma množinami
VíceVYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ
VYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ Michal Kořenář 1 Abstrakt Rozvoj výpočetní techniky v poslední době umožnil také rozvoj výpočetních metod, které nejsou založeny na bázi
VíceMUDr. Jozef Jakabčin, Ph.D.
MUDr. Jozef Jakabčin, Ph.D. RAO LAO AKCE RYTMUS FRQ OSA QRS P QRS QT ST T Patologické změny ARYTMIE Šíření aktivace v pravé a následně levé síni P vlna je zápis splynutí dvou vln Aktivace pravé
VíceQuantization of acoustic low level signals. David Bursík, Miroslav Lukeš
KVANTOVÁNÍ ZVUKOVÝCH SIGNÁLŮ NÍZKÉ ÚROVNĚ Abstrakt Quantization of acoustic low level signals David Bursík, Miroslav Lukeš Při testování kvality A/D převodníků se používají nejrůznější testovací signály.
VícePorovnání nejpoužívanějších algoritmů pro detekci intervalu QT
Rok / Year: Svazek / Volume: Číslo / Issue: 213 15 4 Porovnání nejpoužívanějších algoritmů pro detekci intervalu QT Comparison of the most widely used algorithms for the detection of QT interval Martin
VícePopis EKG. Flu?er síní - akce je často pravidelná a je nález pravidelných jasných fluxerových síňových vlnek.
Popis EKG 1. Rytmus Sinusový rytmus (SR) - základní rytmus zdravého srdce, charakterizován nálezem vlny P, která v pravidelných intervalech předchází komplex QRS. - vzruchy vznikají v SA uzlu normálně
VíceUniverzita Pardubice 8. licenční studium chemometrie
Univerzita Pardubice 8. licenční studium chemometrie Statistické zpracování dat při managementu jakosti Semestrální práce Metody s latentními proměnnými a klasifikační metody Ing. Jan Balcárek, Ph.D. vedoucí
VíceKatedra biomedicínské techniky
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA BIOMEDICÍNSKÉHO INŽENÝRSTVÍ Katedra biomedicínské techniky BAKALÁŘSKÁ PRÁCE 2008 Jakub Schlenker Obsah Úvod 1 1 Teoretický úvod 2 1.1 Elektrokardiografie............................
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV BIOMEDICÍNSKÉHO INŽENÝRSTVÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT
VíceSTATISTICKÉ NÁSTROJE A JEJICH VYUŽITÍ PŘI SEGMENTACI TRHU STATISTICAL TOOLS AND THEIR UTILIZATION DURING THE PROCESS OF MARKETING SEGMENTATION
STATISTICKÉ NÁSTROJE A JEJICH VYUŽITÍ PŘI SEGMENTACI TRHU STATISTICAL TOOLS AND THEIR UTILIZATION DURING THE PROCESS OF MARKETING SEGMENTATION Anna Čermáková Michael Rost Abstrakt Cílem příspěvku bylo
VícePříklad 2: Obsah PCB v játrech zemřelých lidí. Zadání: Data: Program:
Příklad 2: Obsah PCB v játrech zemřelých lidí Zadání: V rámci Monitoringu zdraví byly měřeny koncentrace polychlorovaných bifenylů vjátrech lidí zemřelých náhodnou smrtí ve věku 40 let a více. Sedm vybraných
VíceDETEKCE KOMOROVÝCH EXTRASYSTOL
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV BIOMEDICÍNSKÉHO INŽENÝRSTVÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT
VíceKlasifikace obchodních partnerů s využitím metod shlukové analýzy
Klasifikace obchodních partnerů s využitím metod shlukové analýzy Mária Režňáková 1 Abstrakt Předpokladem úspěšnosti podnikatelských subjektů je schopnost generovat příjmy v takové výši, která zajistí
Vícevzorek1 0.0033390 0.0047277 0.0062653 0.0077811 0.0090141... vzorek 30 0.0056775 0.0058778 0.0066916 0.0076192 0.0087291
Vzorová úloha 4.16 Postup vícerozměrné kalibrace Postup vícerozměrné kalibrace ukážeme na úloze C4.10 Vícerozměrný kalibrační model kvality bezolovnatého benzinu. Dle následujících kroků na základě naměřených
VíceEKG se čte snadno, nebo ne?
BI Praha EKG se čte snadno, nebo ne? MVDr. Alan Kovačevič, DECVIM-CA/kardiologie Veterinární klinika Stommeln, Spolková republika Německo Stručné zopakování EKG-diagnostiky Typické indikační oblasti pro
VícePorovnání tří metod měření QT intervalu
Porovnání tří metod měření QT intervalu Ing. Dina Kičmerová Prof. Ing. Ivo Provazník Ph.D. Ústav biomedicínského inženýrství Fakulta elektrotechniky a komunikačních technologií Vysoké učení technické v
VíceSegmentace návštěvníků
angl. visitor segmentation je marketingový proces v cestovním ruchu, ve kterém se potenciální návštěvníci rozdělují do stejnorodých, avšak od sebe se lišících skupin, dle určitých kritérií tvořící tzv.
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV AUTOMATIZACE A MĚŘÍCÍ TECHNIKY FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION
VíceModerní systémy pro získávání znalostí z informací a dat
Moderní systémy pro získávání znalostí z informací a dat Jan Žižka IBA Institut biostatistiky a analýz PřF & LF, Masarykova universita Kamenice 126/3, 625 00 Brno Email: zizka@iba.muni.cz Bioinformatika:
VícePravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1
Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu
VíceVYUŽITÍ MATLABU PRO PODPORU VÝUKY A PŘI ŘEŠENÍ VÝZKUMNÝCH ÚKOLŮ NA KATEDŘE KOMUNIKAČNÍCH A INFORMAČNÍCH SYSTÉMŮ
VYUŽITÍ MATLABU PRO PODPORU VÝUKY A PŘI ŘEŠENÍ VÝZKUMNÝCH ÚKOLŮ NA KATEDŘE KOMUNIKAČNÍCH A INFORMAČNÍCH SYSTÉMŮ Markéta Mazálková Katedra komunikačních a informačních systémů Fakulta vojenských technologií,
Víceodlehlých hodnot pomocí algoritmu k-means
Chybějící a odlehlé hodnoty; odstranění odlehlých hodnot pomocí algoritmu k-means Návod ke druhému cvičení Matěj Holec, holecmat@fel.cvut.cz ZS 2011/2012 Úvod Cílem cvičení je připomenout důležitost předzpracování
Více& Systematika arytmií
Fyziologický srdeční rytmus & Systematika arytmií Štěpán Havránek II.interní klinika kardiologie a angiologie 1.LF UK VFN Kardiocentrum VFN Fyziologický srdeční rytmus Anatomické poznámky Sinoatriální
VíceIng. Alena Šafrová Drášilová, Ph.D.
Rozhodování Ing. Alena Šafrová Drášilová, Ph.D. Rozhodování??? video Obsah typy rozhodování principy rozhodování rozhodovací fáze základní pojmy hodnotícího procesu rozhodovací podmínky rozhodování v podmínkách
VíceRNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 7 Jak hodnotit vztah spojitých proměnných
VíceDiagnostika infarktu myokardu pomocí pravidlových systémů
pomocí pravidlových systémů Bakalářská práce 2009 pomocí pravidlových systémů Přehled prezentace Motivace a cíle Infarkt myokardu, EKG Pravidlové systémy Výsledky Motivace Infarkt myokardu Detekce infarktu
VíceEXPERIMENTÁLNÍ MECHANIKA 2 Přednáška 5 - Chyby a nejistoty měření. Jan Krystek
EXPERIMENTÁLNÍ MECHANIKA 2 Přednáška 5 - Chyby a nejistoty měření Jan Krystek 9. května 2019 CHYBY A NEJISTOTY MĚŘENÍ Každé měření je zatíženo určitou nepřesností způsobenou nejrůznějšími negativními vlivy,
VíceÚvod do medicínské informatiky pro Bc. studium. 6. přednáška
Metody zpracování biosignálů 6. přednáška 1 Biosignály Živé objekty produkují signály biologického původu. Tyto signály mohou být elektrické (např. elektrické potenciály vznikající při svalové činnosti),
VíceHledání optimální polohy stanic a zastávek na tratích regionálního významu
Hledání optimální polohy stanic a zastávek na tratích regionálního významu Václav Novotný 31. 10. 2018 Anotace 1. Dopravní obsluha území tratěmi regionálního významu 2. Cíle výzkumu a algoritmus práce
VícePoužití analyzátoru paketů bezdrátových sítí Wireshark
Použití analyzátoru paketů bezdrátových sítí Wireshark Ladislav Sirový Ing. Ladislav Beránek, Csc. Školní rok: 2008-2009 Abstrakt Analýza sítí se zabývá sledováním a vyhodnocováním provozu počítačových
Více1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností,
KMA/SZZS1 Matematika 1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností, operace s limitami. 2. Limita funkce
VíceŘízení pohybu stanice v simulačním prostředí OPNET Modeler podle mapového podkladu
Rok / Year: Svazek / Volume: Číslo / Number: 2011 13 5 Řízení pohybu stanice v simulačním prostředí OPNET Modeler podle mapového podkladu Map-based mobility control system for wireless stations in OPNET
VíceGIS ANALÝZA VLIVU DÁLNIČNÍ SÍTĚ NA OKOLNÍ KRAJINU. Veronika Berková 1
GIS ANALÝZA VLIVU DÁLNIČNÍ SÍTĚ NA OKOLNÍ KRAJINU Veronika Berková 1 1 Katedra mapování a kartografie, Fakulta stavební, ČVUT, Thákurova 7, 166 29, Praha, ČR veronika.berkova@fsv.cvut.cz Abstrakt. Metody
VíceSHLUKOVÁ ANALÝZA KRAJŮ ČESKÉ REPUBLIKY DLE VYBRANÝCH CHARAKTERISTIK ZEMĚDĚLSTVÍ V PROGRAMU STATISTICA
SHLUKOVÁ ANALÝZA KRAJŮ ČESKÉ REPUBLIKY DLE VYBRANÝCH CHARAKTERISTIK ZEMĚDĚLSTVÍ V PROGRAMU STATISTICA CLUSTER ANALYSIS OF REGIONS OF CZECH REPUBLIC BY SELECTED CHARACTERISTICS OF AGRICULTURE IN PROGRAM
Více1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15
Úvodní poznámky... 11 1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15 1.1 Základní pojmy... 15 1.2 Aplikační oblasti a etapy zpracování signálů... 17 1.3 Klasifikace diskretních
VíceRosenblattův perceptron
Perceptron Přenosové funkce Rosenblattův perceptron Rosenblatt r. 1958. Inspirace lidským okem Podle fyziologického vzoru je třívrstvá: Vstupní vrstva rozvětvovací jejím úkolem je mapování dvourozměrného
VíceIng. Martin Ferko; Ing. Jan Česelský; Mgr.Petr Otipka
SOFTWAROVÁ UTILITA "DISPARITÉR" V PROJEKTU MMR ČR PRO VÝZKUM REGIONÁLNÍCH DISPARIT Abstrakt FINANČNÍ A FYZICKÉ DOSTUPNOSTI BYDLENÍ Ing. Martin Ferko; Ing. Jan Česelský; Mgr.Petr Otipka V souvislosti s
VíceČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ OBOR GEODÉZIE A KARTOGRAFIE KATEDRA VYŠŠÍ GEODÉZIE název předmětu úloha/zadání název úlohy Základy fyzikální geodézie 3/19 Legendreovy přidružené funkce
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV BIOMEDICÍNSKÉHO INŽENÝRSTVÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT
VíceZPRACOVÁNÍ A ANALÝZA BIOSIGNÁLŮ V. Institut biostatistiky a analýz
ZPRACOVÁNÍ A ANALÝZA BIOSIGNÁLŮ V. ELEKTROENCEFALOGRAM ELEKTROENCEFALOGRAM ELEKTROENCEFALOGRAM (EEG) je (grafická) reprezentace časové závislosti rozdílu elektrických potenciálů, snímaných z elektrod umístěných
Více& Systematika arytmií
Fyziologický srdeční rytmus & Systematika arytmií Štěpán Havránek, Jan Šimek Fyziologický srdeční rytmus II.interní klinika kardiologie a angiologie 1.LF UK VFN Kardiocentrum VFN Anatomické poznámky Vznik
VíceMetody analýzy dat I. Míry a metriky - pokračování
Metody analýzy dat I Míry a metriky - pokračování Literatura Newman, M. (2010). Networks: an introduction. Oxford University Press. [168-193] Zaki, M. J., Meira Jr, W. (2014). Data Mining and Analysis:
VíceSHLUKOVÁ ANALÝZA V PROBLEMATICE DANÍ
SHLUKOVÁ ANALÝZA V PROBLEMATICE DANÍ Jarmila Rybová Abstract Cluster analysis is a method of multivariate data processing. It can be easily applied, for example, by means of statistical software. The article
VíceSchémata a animace zpracovalo Servisní středisko pro e-learning na MU
Schémata a animace zpracovalo Servisní středisko pro e-learning na MU http://is.muni.cz/stech/ ELEKTROKARDIOGRAFIE 1893 Einthoven zavádí termín elektrokardiogram 1895 Einthoven popisuje pět výchylek -
VíceNOVÉ MOŽNOSTI HOLTEROVSKÉ DIAGNOSTIKY
EkG HOLTER 2 EKG HOLTER NOVÉ MOŽNOSTI HOLTEROVSKÉ DIAGNOSTIKY BTL EKG Holter BTL EKG Holter uspokojí nároky nejnáročnějších odborníků na EKG, jejichž práce ale bude zároveň snadná a rychlá. Při vývoji
VíceInovace bakalářského studijního oboru Aplikovaná chemie http://aplchem.upol.cz
http://aplchem.upol.cz CZ.1.07/2.2.00/15.0247 Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. Sedm základních nástrojů řízení kvality Doc. RNDr. Jiří Šimek,
VíceSelected article from Tento dokument byl publikován ve sborníku
Selected article from Tento dokument byl publikován ve sborníku Nové metody a postupy v oblasti přístrojové techniky, automatického řízení a informatiky 2018 New Methods and Practices in the Instrumentation,
VícePříloha č. 1. amplitudová charakteristika filtru fázová charakteristika filtru / frekvence / Hz. 1. Určení proudové hustoty
Příloha č. 1 Při hodnocení expozice nízkofrekvenčnímu elektromagnetickému poli (0 Hz 10 MHz) je určující veličinou modifikovaná proudová hustota J mod indukovaná v tělesné tkáni. Jak je uvedeno v nařízení
VíceAnalýza chování algoritmu MSAF při zpracování řeči v bojových prostředcích
Analýza chování algoritmu MSAF při zpracování řeči v bojových prostředcích Analysis of MSAF algorithm for speech enhancement in combat vehicles Ing. Jaroslav Hovorka MESIT přístroje spol. s r.o., Uherské
VíceAutomatické vyhledávání informace a znalosti v elektronických textových datech
Automatické vyhledávání informace a znalosti v elektronických textových datech Jan Žižka Ústav informatiky & SoNet RC PEF, Mendelova universita Brno (Text Mining) Data, informace, znalost Elektronická
VíceMSA-Analýza systému měření
MSA-Analýza systému měření Josef Bednář Abstrakt: V příspěvku je popsáno provedení analýzy systému měření v technické praxi pro spojitá data. Je zde popsáno provedení R&R studie pomocí analýzy rozptylu
VíceAnalýza dat v GIS. Dotazy na databáze. Překrytí Overlay Mapová algebra Vzdálenostní funkce. Funkce souvislosti Interpolační funkce Topografické funkce
Analýza dat v GIS Dotazy na databáze Prostorové Atributové Překrytí Overlay Mapová algebra Vzdálenostní funkce Euklidovské vzdálenosti Oceněné vzdálenosti Funkce souvislosti Interpolační funkce Topografické
VícePrimární zpracování radarového signálu dopplerovská filtrace
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE K13137 - Katedra radioelektroniky A2M37RSY Jméno Stud. rok Stud. skupina Ročník Lab. skupina Václav Dajčar 2011/2012 2. 101 - Datum zadání Datum odevzdání Klasifikace
VíceRÁMCOVÝ VZDĚLÁVACÍ PROGRAM PRO ZÍSKÁNÍ SPECIALIZOVANÉ ZPŮSOBILOSTI. v oboru KLINICKÁ TECHNIKA SE ZAMĚŘENÍM NA ANALÝZU A ZPRACOVÁNÍ BIOSIGNÁLŮ.
RÁMCOVÝ VZDĚLÁVACÍ PROGRAM PRO ZÍSKÁNÍ SPECIALIZOVANÉ ZPŮSOBILOSTI v oboru KLINICKÁ TECHNIKA SE ZAMĚŘENÍM NA ANALÝZU A ZPRACOVÁNÍ BIOSIGNÁLŮ pro BIOMEDICÍNSKÉ TECHNIKY 1. Cíl specializačního vzdělávání
VíceCo všechno musíte vědět o bradyarytmiích a bojíte se, že se vás zeptají. MUDr. Kamil Sedláček Klinika kardiologie IKEM Kardiologické dny, 2012
Co všechno musíte vědět o bradyarytmiích a bojíte se, že se vás zeptají MUDr. Kamil Sedláček Klinika kardiologie IKEM Kardiologické dny, 2012 Bradykardie Definice bradykardie jsou definovány jako pomalý
VíceMezilaboratorní porovnání při vibračním zkoušení
ČSN EN ISO/IEC 17025 ČSN EN ISO/IEC 17043 ISO/IEC Pokyn 43-1 ISO/IEC Pokyn 43-2 ČIA MPA 30-03-12 Ing. Jaromír KEJVAL, Ph.D. SWELL, a.s., Příčná 2071, 508 01 Hořice, Czech Republic e-mail: jaromir.kejval@swell.cz,
VíceCo všechno musíte vědět o bradyarytmiích a bojíte se, že se vás zeptají. MUDr. Kamil Sedláček Klinika kardiologie IKEM
Co všechno musíte vědět o bradyarytmiích a bojíte se, že se vás zeptají MUDr. Kamil Sedláček Klinika kardiologie IKEM 6.4.2013 Bradykardie Definice bradykardie jsou definovány jako pomalý komorový rytmus,
VíceAutomatická detekce anomálií při geofyzikálním průzkumu. Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011
Automatická detekce anomálií při geofyzikálním průzkumu Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011 Cíle doktorandské práce Seminář 10. 11. 2010 Najít, implementovat, ověřit a do praxe
VíceAnalýza dat pomocí systému Weka, Rapid miner a Enterprise miner
Vysoká škola ekonomická v Praze Analýza dat pomocí systému Weka, Rapid miner a Enterprise miner Dobývání znalostí z databází 4IZ450 XXXXXXXXXXX Přidělená data a jejich popis Data určená pro zpracování
Více